TY - JOUR A1 - El-Sari, B. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Investigation of the LME Susceptibility of Dual Phase Steel with Different Zinc Coatings JF - metals N2 - The application of anti-corrosion coated, high-strength steels in the automotive industry has increased in recent years. In combination with various zinc-based surface coatings, liquid metal embrittlement cracking can be observed in some of these materials. A high-quality, crack-free spot-welded joint is essential to realize the lightweight potential of the materials. In this work, the LME susceptibility of different coatings, which will be determined by the crack length and the occurrence rate, will be investigated using a welding under external load setup. The uncoated specimens did not show any LME. EG, GI and GA showed significantly less LME than ZM coatings. The latter coatings showed much larger crack lengths than the EG, GI and GA coatings. Furthermore, two mechanisms regarding the LME occurrence rate were observed: the occurrence of LME in zinc–magnesium coatings was theorized to be driven by the material properties of the coatings, whereas the occurrence of LME at EG, GI and GA samples was forced mainly by the application of the external tensile load. In the experimental setup of this work, the materials were exposed to unusually high mechanical loads (up to 80% of their yield strength) to evoke LME cracks. KW - Widerstandspunktschweißen KW - Hochfester Stahl KW - Liquid Metal Embrittlement KW - Flüssigmetallinduzierte Rissbildung KW - Zink KW - AHSS PY - 2023 UR - https://nbn-resolving.org/urn:nbn:de:kobv:b43-580428 DO - https://doi.org/10.3390/met13050890 VL - 13 IS - 5 SP - 1 EP - 11 PB - MDPI AN - OPUS4-58042 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - El-Sari, B. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Verbesserung der Übertragbarkeit eines künstlichen neuronalen Netzes zur Qualitätsvorhersage beim Widerstandspunktschweißen von hochfesten Stählen T2 - DVS Congress 2023 Große Schweißtechnische Tagung N2 - Eine typische Automobilkarosserie kann bis zu 5000 Widerstandspunktschweißverbindungen aufweisen, welche hohen Qualitätsanforderungen genügen müssen. Daher ist eine durchgehende Prozessüberwachung unerlässlich. Die Transformation zur E-Mobilität in der Automobilindustrie und die damit einhergehende Reichweitenproblematik treiben die Entwicklung und Einführung neuer hochfester Stähle an. Dies resultiert in einem gesteigerten Fertigungsaufwand hinsichtlich einer stabilen Prozess-führung in der Fügetechnik. Um diesen Anstieg an Komplexität zu bewältigen, sind die Methoden der künstlichen Intelligenz ein geeignetes Mittel. Mit ihnen kann, durch Auswertung der Prozessparameter und -signale, die individuelle Schweißpunktqualität sichergesellt werden. Die Vorhersagegenauigkeit von neuen Daten, also das extrapolieren, stellt für die meisten Algorithmen eine große Herausforderung dar. In dieser Arbeit wird ein künstliches neuronales Netz zur Vorhersage des Punktdurchmessers von Widerstandspunktschweißungen anhand von Prozessparametern implementiert. Die Vorhersagegenauigkeit und Extrapolationsfähigkeit des Modells wird durch die Auswertung des dynamischen Widerstandssignals verbessert. Um die Extrapolationsfähigkeit zu untersuchen, wird die Vorhersagegenauigkeit des Modells mit Daten getestet, die sich in Bezug auf den Werkstoff und der Beschichtungszusammensetzung deutlich von den Trainingsdaten unterscheiden. Dazu wurden mehrere Schweißexperimente mit Werkstoffen verschiedener Hersteller durchgeführt und nur ein Teil der Daten in das Training einbezogen. Die Ergebnisse dieser Arbeit verdeutlichen den positiven Einfluss der Prozesssignale auf die Robustheit des Modells und die Skalierbarkeit der Algorithmen künstlicher neuronaler Netze auf Daten außerhalb des Trainingsraums. T2 - DVS Congress 2023 Große Schweißtechnische Tagung CY - Essen, Germany DA - 11.09.2023 KW - Widerstandspunktschweißen KW - Hochfester Stahl KW - Künstliche Intelligenz KW - Neuronales Netz KW - Fügequalität PY - 2023 SN - 978-3-96144-230-0 SP - 772 EP - 779 AN - OPUS4-58693 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -