Prof. Dr. rer. nat. Maik Kunert

Herzlich Willkommen!

Auf dieser Seite finden Sie Informationen zu Lehre und Forschung.

Kontakt

Ernst-Abbe-Hochschule Jena
Fachbereich SciTec
Carl-Zeiss-Promenade 2
07745 Jena
>> Link zur Open Street Map

Raum    01.02.07

Tel        +49 3641 205 493
E-Mail   maik.kunert@eah-jena.de

Lehrangebot

für Bachelorstudiengänge

  • Biomaterialien/Werkstoffe für Ba MT|BT|WT
    (jeweils im Wintersemester)
  • Korrosion und Oberflächentechnik für Ba WT
    (jeweils im Wintersemester)
  • Werkstofftechnik für Ba MiPT|LOT
    (jeweils im Wintersemester)
  • Leichtbaumaterialien für Ba MB
    (jeweils im Sommersemester)

für Masterstudiengänge

  • Physikalische Grundlagen und Technologien der Metalle
    für Ma WT (Winter- und Sommersemester)
  • Verbundwerkstoffe für Ma WT
    (jeweils im Wintersemester)

Vorlesungsskripte und weitere Materialien zu den Kursen
finden Sie auf der entsprechenden Moodle-Kursseite.

Informationen zum Studiengang

Infoseite zum Studiengang Werkstofftechnik >> hier

Offizielle Informationen zum Studiengang (Studien- und Prüfungsordnungen, ECTS-Broschüre)  >> hier

Unterlagen zum Studium und zu den Abschlussarbeiten  >> SciTec-Intranet

 

Forschungsprojekte

Im Rahmen des Projektes wurde ein hochabrasionsbeständiger und aus­­reichend zäher Stahl für passive Bodenbearbeitungsgeräte entwickelt. Der Fokus lag dabei auf hochkohlenstoffhaltigen (> 1% C), niedriglegierten Stählen mit metastabil-austenitischem Gefügezustand. Das Projekt wurde vom BMBF gefördert.

Für eine gezielte Wärmebehandlung von Stählen ist die Kenntnis der Martensit-Starttemperatur (Ms) sehr wichtig. Deshalb wurden in der Vergangenheit viele Modelle zur Abschätzung von Ms entwickelt. Eine Übersicht über verschiedene empirische Modelle finden Sie hier.

  • Unsere eigene Arbeit bestand zunächst in der Entwicklung eines zuverlässigen empirischen Modells zur Schätzung von Ms für hochkohlenstoffhaltige, niedriglegierte Stähle, deren Ms-Werte zwischen 0 und 50°C liegen. Solche Stähle haben ein hohes Potenzial für den Einsatz in Verschleißanwendungen; ein zuverlässiges Modell lag allerdings noch nicht vor. Das Projekt wurde vom BMBF gefördert und die Ergebnisse in steel research international publiziert: https://doi.org/10.1002/srin.202100576.
  • Im zweiten Schritt wurde ein KI-Modell entwickelt, das es erlaubt die Ms-Temperatur von Stählen abzuschätzen, ohne aus der Vielzahl der existierenden empirischen Modelle das "Richtige" auswählen zu müssen. Es wurde eine Online-App entwickelt, um freien Zugriff auf das KI-Modell zu gewähren: https://eah-jena-ms-predictor.streamlit.app.
    Weitere Informationen zu KI-Modell und Datenbasis sind bei GitHub hinterlegt: https://github.com/EAH-Materials/MartensiteStart_DeepLearning.
    Die Entwicklung des KI-Modells erfolgte im Rahmen eines von der Carl-Zeiss-Stiftung geförderten Projektes. Die Ergebnisse wurden im November 2023 auf der AI MSE vorgestellt.

Ziel dieses Projekts ist die phasenspezifisch aufgelöste Charakterisierung der mechanisch-tribologischen Eigenschaften von verschleißfesten Stählen mit hohem Kohlenstoffgehalt.

Traditionell werden neue Werkstoffe nach einem trial-and-error-Ansatz entwickelt. Von der Forschung bis zur Anwendung benötigen diese Entwicklungsprozesse aber 15 bis 25 Jahre. Mittlerweile werden auch Materialberechnungs- und -simulationsmethoden sowie Methoden der Künstlichen Intelligenz zur Werkstoffentwicklung eingesetzt. Die Entwicklungszeiten neuer Werkstoffe bis zur Marktreife können damit deutlich verkürzt werden.

Die Zielfunktion der Werkstoffentwicklung ist bei allen Methoden aber gleich geblieben: In erster Linie müssen die funktionalen Anforderungen einer bestimmten Anwendung bei möglichst geringen Kosten erfüllt werden. Andere Faktoren, wie z. B. die Sicherheit der Lieferkette, die Verfügbarkeit der Rohstoffe, die Recyclingfähigkeit und die Umweltauswirkungen während des Lebenszyklus spielten und spielen im Prozess der Werkstoffentwicklung eine untergeordnete bis gar keine Rolle.

Dieses Projekt fokussiert auf die Entwicklung eines Legierungsdesign-Modells, das mit Hilfe von Machine Learning Methoden neue und zukunftsfähige Stähle identifizieren kann. Zukunftsfähige Stähle sind dabei Stähle, die auf versorgungskritische und recyclingunfreundliche Elemente verzichten und dennoch gleiche oder sogar bessere mechanische und ökologisch-ökonomische Eigenschaften aufweisen.

Das Projekt wird von der Carl-Zeiss-Stiftung gefördert.

 

Funny Metals

The Sound of Martensite

Funny Metals

Das Leben einer Formgedächtnis-Büroklammer