Die bekanntesten Einsatzgebiete von künstlicher Intelligenz (KI) sind zurzeit Bild- und Sprachverarbeitungen. Im Gegensatz dazu liegt der Fokus hier auf dem Lernen komplexer Zusammenhänge in Produktionsprozessen: untersucht wird ein KI-Anwendungsfall, in dem die Qualität des Endproduktes basierend auf Prozessdaten, die während der Produktion erhoben werden, vorhergesagt wird. Mit Hilfe Neuronaler Netze wird die Belastbarkeit von additiv gefertigten Bauteilen in Echtzeit bewertet. Dazu werden Imperfektionen, wie z. B. Lufteinschlüsse im Bauteil, berücksichtigt, da diese einen erheblichen Einfluss auf die Qualität des Bauteils haben. Das heißt, basierend auf Prozessdaten des additiven Fertigungsprozesses werden potenzielle Imperfektionen im Bauteil detektiert und in eine dreidimensionale Repräsentation des Bauteils eingefügt. Mit Hilfe des trainierten Neuronalen Netzes werden dann Festigkeitskennwerte für das Bauteil bestimmt, die Aufschluss über die Qualität geben. Zum Trainieren eines Neuronalen Netzes ist ein großer Trainingsdatensatz notwendig. Diese Daten für diesen Anwendungsfall experimentell zu generieren würde bedeuten, dass sehr viele Bauteile mit Imperfektionen gefertigt und anschließend geprüft werden müssten. Um diesen zeitaufwendigen und unwirtschaftlichen Prozess zu umgehen, werden Finite-Elemente-Simulationen zur Erstellung der Datenbasis genutzt. Das heißt, es werden Finite-Elemente-Modelle des Bauteils erzeugt, in die Imperfektionen künstlich eingebracht werden. Mit numerischen Simulationen können anschließend die Festigkeitskennwerte des Bauteils ermittelt werden. Da diese Simulationen zeitaufwändig sind, ist eine Echtzeit-Anwendung nicht möglich. Stattdessen trainieren wir mit den Ergebnissen der Simulationen ein Neuronales Netz, dass die Simulationsergebnisse vorhersagen soll. Ein solches Neuronales Netz kann dann während des Produktionsprozesses genutzt werden, um in Echtzeit die Auswirkungen der detektierten Imperfektionen auf die Qualität zu beurteilen. Dadurch können mangelhafte Bauteile aussortiert und eine gleichbleibende Qualität gewährleistet werden. Es ist sogar möglich, den Druck mangelhafter Bauteile abzubrechen, was Zeit und Ressourcen spart.