Tribologie trifft Bruchmechanik
Wie korrelieren Verschleiß und Ermüdung bei TPU
Wer mit Kunststoffen in tribologischen Anwendungen arbeitet, kennt das Dilemma: Ein Material muss gleichzeitig verschleißfest und ermüdungsbeständig sein. Doch wie hängen diese beiden Eigenschaften eigentlich zusammen? Kann man aus bruchmechanischen Tests vorhersagen, wie sich ein Thermoplastisches Polyurethan (TPU) unter Reibung verhält oder umgekehrt?
In unserer Studie (unten verlinkt) haben wir genau das untersucht: Wie korrelieren Ermüdungsverhalten und tribologische Performance bei gefüllten und ungefüllten TPUs? Es zeigt sich, dass es Zusammenhänge gibt, die sind aber komplexer, als man denkt. Ein Grund dafür kann schon direkt beim Namen genannt werden: Systemeigenschaft. Tribologie ist eine Systemeigenschaft, keine reine Materialeigenschaft.
Warum TPU? Ein Material zwischen Elastomer und Thermoplast
TPUs sind die Allrounder unter den Kunststoffen, denn sie vereinen die Elastizität von Gummi mit der Verarbeitbarkeit von Thermoplasten. Dank ihrer segmentierten Blockcopolymer-Struktur (weiche und harte Segmente) lassen sie sich für Anwendungen von Dichtungen über Zahnriemen bis hin zu Gleitlagern maßschneidern.
Unsere Frage ist, ob sich das tribologische Verhalten aus bruchmechanischen Tests ableiten lässt oder umgekehrt?
Der Ansatz: Zwei Modelle, zwei Perspektiven
Wir haben zwei Modelle herangezogen, um Verschleiß und Ermüdung zu korrelieren:
Pandas Modell (abrasiv + Ermüdungsverschleiß)
Berücksichtigt die Rauheit der Gegenfläche (z. B. Stahl) und unterscheidet zwischen plastischen (abrasiv) und elastischen (Ermüdung) Kontakten.
Stärke: Gut für raue Oberflächen, wo abrasiver Verschleiß dominiert.
Schwäche: Vernachlässigt Transferfilme – also die Schicht, die sich während der Reibung auf der Gegenfläche bildet und das System komplett verändert.
Atkins‘ Modell (adhäsiv + Ermüdung)
Korreliert die Verschleißrate mit der inversen Zahl der Lastzyklen bis zum Bruch.
Stärke: Funktioniert besser für glatte Oberflächen, wo Adhäsion (Haftverschleiß) im Vordergrund steht.
Schwäche: Geht von einem linearen Risswachstum aus – in der Realität ist das oft nicht der Fall.
Beide Modelle liefern Trends, aber keine exakten Vorhersagen. Die Gründe dafür sind alles andere als trivial:
Tribologie ist ein dynamisches System. Sobald sich ein Transferfilm bildet, ändern sich die Spielregeln: Aus „Stahl gegen TPU“ wird „Stahl mit einem Transferfilm gegen TPU“ – und das Modell passt nicht mehr.
Ermüdung ist nicht gleich Verschleiß. Der Riss wächst bei unseren Untersuchungen unter zug-dominierter Belastung, Verschleiß entsteht durch Scherung, Adhäsion und Abrasion und das oft gleichzeitig.
Die Crux: Tribologie ist keine reine Materialeigenschaft, sondern eine Systemeigenschaft. Selbst kleine Änderungen (Gegenfläche, Verschleißpartikel, Materialübertrag, Last, Temperatur, Umgebungsmedium) können die Ergebnisse komplett verändern.
Was bedeutet das für die Praxis?
Ermüdung ≠ Verschleiß – aber beide beeinflussen sich gegenseitig. Ein Material mit guter Risswiderstandsfähigkeit (z. B. durch Füllstoffe) muss nicht automatisch verschleißfest sein.
Modelle sind Hilfsmittel – keine Wahrsager. Panda passt besser für raue, abrasiv dominierte Systeme während Atkins für glatte, adhesiv dominierte Systeme besser geeignet ist. Aber, beide ignorieren dynamische Effekte wie Transferfilme oder lokale Erwärmung.
Wohin geht die Forschung hinsichtlich Vorhersagen?
Unsere Studie wirft mehr Fragen auf, als sie beantwortet; und das ist gut so. Denn hier liegt das echte Potenzial für Innovation:
Wie lassen sich Transferfilme besser modellieren? Aktuelle Modelle betrachten sie als Störfaktor, dabei sind sie meist der Schlüssel zur Verschleißreduktion.
Was passiert bei realen Lastkollektiven? Die meisten Tests laufen mit konstanter Last – in der Praxis wechseln Belastung, Geschwindigkeit und Temperatur ständig.
Können KI oder Machine Learning helfen? Die Komplexität tribologischer Systeme übersteigt klassische Modelle.
Was denken Sie? Haben Sie schon Erfahrungen mit der Korrelation von Ermüdung und Verschleiß gemacht? Wo sehen Sie die größten Herausforderungen – bei den Modellen, den Testmethoden oder der Dateninterpretation?
Wir freuen uns auf den Austausch – denn am Ende geht es darum, Bauteile nicht nur „funktionierend“, sondern langlebig und zuverlässig zu machen!
Wer sich für die Modelle und Gleichungen interessiert, liest am besten hier nach: https://doi.org/10.3390/lubricants7070060;
Danke an die alle (gleichungsfanatischen) Co-Autoren, ohne die diese Studie nicht entstanden wäre.