Dozent

Spezialisiert auf computerbasierte Materialwissenschaft, maschinelles Lernen für Materialdesign und Modellierung der Aufhärtbarkeit von Stahl, mit Expertise in Bayes-Optimierung und Prozessverbesserung. Die Forschung konzentriert sich auf den Einsatz fortschrittlicher Methoden der künstlichen Intelligenz, um die Aufhärtbarkeit von Stahl und Fertigungsprozesse vorherzusagen und zu optimieren. Entwickelte und bewertete Feedforward-Neuronale Netze (NN) und Adaptive Neuro-Fuzzy Inference Systems (ANFIS) zur Abschätzung der Aufhärtbarkeit von Stahl, ermittelte die optimale Modellkomplexität für bessere Generalisierung und schlug Strategien für die Anwendung auf verschiedene Stahlqualitäten vor. Integriert statistische Versuchsplanung mit hybriden KI-Methoden wie Response Surface Methodology (RSM), Artificial Neural Networks (ANN) und genetischen Algorithmen (GA), um CNC-Bearbeitungsparameter für hochfeste Stähle zu optimieren. Aktuelle Arbeit nutzt modernste Regressionsmodelle, darunter Tabular Prior-data Fitted Network (TabPFN) und CatBoost, ergänzt durch erklärbare KI-Techniken wie SHapley Additive explanations (SHAP) und Shapley Interaction Quantification (SHAP-IQ), um genaue und interpretierbare Vorhersagen zu gewährleisten. Die in Fachzeitschriften publizierten Forschungsergebnisse zeigen die Fähigkeit, Materialwissenschaft und Maschinenbau mit KI zu verbinden, um industrielle Herausforderungen zu lösen und die Prozesseffizienz zu steigern.