Nanostrukturentwicklung in oxidischen Werkstoffen (NanOX-ML)

Feuerfeste Baustoffe sind in den allermeisten Fällen grobkeramische Materialien und für viele Dinge des täglichen Lebens unverzichtbar. So werden sie zum Beispiel für die Erzeugung von Stahl, Glas und Zement benötigt, um die industriellen Hochtemperaturprozesse erst zu ermöglichen. Feuerfeste Baustoffe dienen der Zustellung (umgangssprachlich: Auskleidung) von Öfen. Im Einsatz werden Temperaturen von 1600C und teilweise auch darüber erreicht. Grundbausteine für feuerfesten Baustoffe sind fast ausschließlich thermisch stabile Oxide, typische Beispiele sind Periklas (MgO) und Korund (Al2O3). Die Haltbarkeit feuerfester Baustoffe ist aufgrund des beträchtlichen Ausstoßes an CO2 in deren Produktion (oft in der Größenordnung von 1.5kg CO2 pro kg Produkt) essentiell für den Umwelt und Klimaschutz und für die wirtschaftliche Rentabilität der Prozesse. Darüber hinaus spielen die feuerfesten Baustoffe eine wichtige Rolle für die Qualität der erzeugten Produkte. In der Anwendung, also bei hohen Temperaturen, kommt es in den feuerfesten Baustoffen zu Diffusionsprozessen, strukturelle Veränderungen und unterschiedlicher thermischer Ausdehnung der enthaltenen Komponenten. Das verursacht mechanische Belastungen im Gefüge der feuerfesten Baustoffe, die deren makroskopisches Verhalten beeinflussen. Im Projekt werden die Veränderungen im Gefüge und ihre Auswirkungen ebenso quantifiziert wie das makroskopische mechanische Verhalten bei Temperaturen bis zu 1600C. Dazu werden an der D2AM-Beamline der ESRF (European Synchrotron Radiation Facility) in Grenoble Röntgenbeugungsexperimente (XRD) zur Quantifizierung von Dehnungen auf der Nanoskala bei Temperaturen bis zu 1600C durchgeführt. Die Strahlzeit des Synchrotrons ist allerdings sehr teuer und wird üblicherweise zu einem Großteil zur Bestrahlung von nicht informativen Teilen des Kristalls verwendet. Im Zuge des Projektes werden neuartige Machine Learning (ML) Algorithmen erforscht, die Explorationskosten mit Informationsgewinn verknüpfen und somit die Zeit für die Bestrahlung von nicht informativen Teilen minimieren. Dies hat wiederum einen direkten Einfluss auf die Strahlzeit, wodurch weniger Zeit verbraucht wird und weniger Kosten anfallen. Die Echtzeitoptimierung von Röntgenbeugungsexperimenten stellt mitunter auch aufgrund der Datencharakteristik eine neue Herausforderung in ML dar. Das makroskopische Materialverhalten wird an der Montanuniversität in Leoben in einem spezialisierten Labor untersucht. Neben der zeitabhängigen Verformung bei hohen Temperaturen unter Druckbelastungen wird die Bruchenergie bestimmt. Der Einblick in die Entwicklung der Nanostruktur soll Aufschlüsse über die weitere Entwicklung von feuerfesten Baustoffen geben. Ziel ist die Erarbeitung von Empfehlungen zur Verringerung des CO 2- Fußabdrucks feuerfester Baustoffe. Weiters werden sich die Ergebnisse dieses Projektes auf die Laufzeit und Kosten tausender Experimente an der ESRF und anderer XRD-Einrichtungen weltweit auswirken.