Rothmann-Brumm, Pauline (2024)
Visualisierung, Analyse und Modellierung von fluiddynamischen Musterbildungsphänomenen im Zylinderspalt unter Anwendung von Maschinellem Lernen.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00026770
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

In dieser Arbeit werden fluiddynamische Musterbildungsphänomene bei der Fluidspaltung im Zylinderspalt am Beispiel des Tiefdrucks unter realen Industriebedingungen untersucht. Das Verständnis dieser Phänomene ist entscheidend für die Herstellung qualitativ hochwertiger, gedruckter Schichten, die je nach Anwendung spezifische Anforderungen erfüllen müssen. Bisher fehlt eine umfassende wissenschaftliche Beschreibung dieser Phänomene im Tiefdruckprozess. Das Ziel der Arbeit ist daher die Charakterisierung der entstehenden Musterbildungsphänomene und die Korrelation mit den gewählten Prozessparametern zur zukünftigen Vorhersage der gedruckten Schichtqualität. Die Arbeit ist in drei Themenbereiche gegliedert: skalenübergreifende Visualisierung, datengetriebene Analyse und anwendungsbezogene Modellierung. Im Rahmen der skalenübergreifenden Visualisierung werden umfangreiche Tiefdruckversuche an zwei industriellen Druckmaschinen durchgeführt und eine Tiefdruck-Forschungsplattform entwickelt. Durch Variation von Druckgeschwindigkeit, Druckfluid, Viskosität, Substrat, Rakelwinkel, Tonwert und Rasterfrequenz der Gravur sowie elektrostatischer Druckhilfe werden über 1600 DIN A4 Proben auf über 23 km Papier- und Foliensubstrat hergestellt. Zusätzlich werden Hochgeschwindigkeitsvideos mithilfe der Tiefdruck-Forschungsplattform aufgenommen, welche die zeitliche Entwicklung von Fingermustern im Tiefdruckspalt zeigen. Aufgrund der enormen Probenmenge ist eine automatisierte Analyse der Proben unumgänglich. Dazu werden die gedruckten Proben zunächst vereinzelt, digitalisiert und vorverarbeitet. Auf Basis der erzeugten Bilddatensätze werden anschließend im Rahmen der datengetriebenen Analyse zwei komplementäre, überwachte Lernmethoden zur automatisierten Klassifizierung der Musterbildungsphänomene entwickelt und validiert. Die eine Methode verwendet Tiefes Lernen von Neuronalen Faltungsnetzwerken und die andere nutzt Maschinelles Lernen in Kombination mit einer Dimensionsreduktion der Bilddaten mittels Singulärwertzerlegung. Für beide Methoden wird zunächst eine manuelle Klassifizierung von etwa 3 % der Daten in drei Klassen der Fluidspaltung, nämlich Punktspaltung, Übergangsbereich und Lamellenspaltung, durchgeführt. Dieser gelabelte Datensatz dient als Trainings- und Testdatensatz für die beschriebenen Lernalgorithmen. Ein weiterer Teilaspekt der datengetriebenen Analyse ist die Bestimmung des Skalierungsverhaltens der Fingermuster über der Druckgeschwindigkeit mittels Schneller Fouriertransformation. Abschließend werden im Rahmen der anwendungsbezogenen Modellierung die zugehörigen Skalenexponenten bestimmt und mit einem theoretischen Modell verglichen. Ein weiterer Aspekt der anwendungsbezogenen Modellierung ist die Erstellung von Regimekarten, welche die Lage der drei Klassen der Fluidspaltung im Prozessparameterraum zeigen. Die Erkenntnisse dieser Arbeit tragen dazu bei, ein umfassendes Verständnis über fluiddynamische Musterbildungsphänomene im Tiefdruck zu entwickeln und die Prozesskontrolle in industriellen Tiefdruckprozessen zu verbessern. Darüber hinaus können die entwickelten Methoden auf andere Druckverfahren übertragen werden und somit deren Anwendung in verschiedenen industriellen Bereichen verbessern.

Frage zum Eintrag

Redaktionelle Details anzeigen