Wendimu Fanta Gemechu

Spezialisiert auf rechnergestützte Materialwissenschaften, maschinelles Lernen für Materialdesign und Modellierung der Härtbarkeit von Stahl, mit Fachwissen in Bayesscher Optimierung und Prozessverbesserung. Die Forschung konzentriert sich auf den Einsatz fortschrittlicher Methoden der künstlichen Intelligenz zur Vorhersage und Optimierung der Härtbarkeit von Stahl und von Fertigungsprozessen. Entwickelte und evaluierte Feed-forward-Neuronale Netze (NN) und Adaptive Neuro-Fuzzy Inference Systems (ANFIS), um die Härtbarkeit von Stahl abzuschätzen, bestimmte die optimale Modellkomplexität für bessere Generalisierung und schlug Strategien für die Anwendung auf verschiedene Stahlgüten vor. Integriert statistische Versuchsplanung mit hybriden KI-Methoden wie Response Surface Methodology (RSM), künstlichen neuronalen Netzen (ANN) und genetischen Algorithmen (GA), um CNC-Bearbeitungsparameter für hochfeste Stähle zu optimieren. Derzeit kommen moderne Regressionsmodelle wie Tabular Prior-data Fitted Network (TabPFN) und CatBoost zum Einsatz, ergänzt durch erklärbare KI-Techniken (XAI) wie SHapley Additive Explanations (SHAP) und Shapley Interaction Quantification (SHAP-IQ), um genaue, interpretierbare Vorhersagen zu ermöglichen. Die Forschungsergebnisse, veröffentlicht in begutachteten Fachzeitschriften, zeigen, wie sich Materialwissenschaft, Maschinenbau und KI verbinden lassen, um industrielle Herausforderungen zu lösen und die Prozesseffizienz zu steigern.