Huber, NorbertNorbertHuber2021-04-022021-04-022021-04-02http://hdl.handle.net/11420/9195Nanoporöse Metalle sind aufgrund ihrer komplexen Mikrostruktur prädestiniert für die Entwicklung von Methoden, die die Physik, Daten und maschinelles Lernen verknüpfen. Sie ermöglichen eine kontinuierliche Einstellung der relativen Dichte, der Ligamentgröße und der Konnektivität über große Bereiche. Diese mikrostrukturellen Parameter haben einen großen Einfluss auf die makroskopischen mechanischen Eigenschaften. Dies macht diese Materialklasse zu einem idealen Kandidaten für die grundlegende Untersuchung von Methoden und die Entwicklung von Strategien für die Reduktion der Dimensionalität als Grundlage für die weitergehende Analyse und Visualisierung der zugrundeliegenden Struktur-Eigenschaftsbeziehungen. Effiziente Techniken der Finite-Elemente-Balkenmodellierung wurden genutzt, um ~200 Datensätze für makroskopische Kompression und Nanoindentation von offenporigen Nanoschäumen zu generieren. Damit steht eine Datenbasis zur Verfügung, die auf eine konsistente Einstellung der strukturellen und mechanischen Eigenschaften auf der Mikroskala aufbaut und Daten für das zugeordnete elastisch-plastische makroskopische Kompressionsverhalten sowie der Härte bereitstellt. Es wurden Ligamentgeometrien für zwei unterschiedlichen relativen Dichten ausgewählt, für die die strukturelle Randomisierung, die Konnektivitätsdichte, die Fließspannung und die Verfestigung zufällig in großen Bereichen variiert wurden. Diese Datenbasis ermöglicht die Ableitung der Struktur-Eigenschaftsbeziehungen für nanoporöse Metalle mit Hilfe der Dimensionalitätsreduktion, Data-Mining und maschinellem Lernen.Nanoporous metals with their complex microstructure represent an ideal candidate for method developments that combine physics, data and machine learning. They allow to tune the solid fraction, ligament size and connectivity density within a large range. These microstructural parameters have a large impact on the macroscopic mechanical properties. This makes this class of materials an ideal science case for the development of strategies for dimensionality reduction, supporting the analysis and visualization of the underlying structure-property relationships. Efficient finite element beam modeling techniques are used to generate ~200 data sets for macroscopic compression and nanoindentation of open pore nanofoams. A data base is provided that uses consistent settings of structural and mechanical properties on the microscale for which the elastic-plastic macroscopic compression behavior and the hardness is predicted. Ligament geometries of two different initial solid fractions are chosen, for which the structural randomization, the connectivity density, the yield stress and the work hardening rate are randomly varied in large ranges. This data base allows deriving the microstructure-properties relationships of nanoporous metals by means of dimensionality reduction, data mining and machine learning.enhttps://creativecommons.org/licenses/by/4.0/nanoporous metals, finite element simulation, nanoindentation, dimensionality reduction, data mining, machine learningPhysikIngenieurwissenschaftenDataset10.15480/336.341110.15480/336.341110.3390/ma14081822Institute of Materials Mechanics, Helmholtz-Zentrum HereonOther