EP4594036A1

EP4594036A1 - Generierung von optimierten prozessgrössenwerten und steuerdaten für einen additiven aufbauprozess

Info

Publication number: EP4594036A1
Application number: EP23785732.1A
Authority: EP
Inventors: Peter HOLFELDER-SCHWALME
Original assignee: EOS GmbH
Current assignee: EOS GmbH
Priority date: 2022-09-29
Filing date: 2023-09-28
Publication date: 2025-08-06
Also published as: WO2024068831A1; US20260093237A1; CN119923301A; DE102022125147A1

Abstract

Es werden ein Verfahren und eine Vorrichtung (60) zur Generierung von optimierten Prozessgrößenwerten (PGO) für einen additiven Aufbauprozess eines Fertigungsprodukts (2, 2', 2'') beschrieben. Hierzu werden Anforderungsdaten (AD) des Fertigungsprodukts (2, 2', 2'') bereitgestellt. Es wird dann ein Optimierungsverfahren zur Ermittlung der optimierten Prozessgrößenwerte (PGO) unter Berücksichtigung der Anforderungsdaten (AD) durchgeführt, wobei als ein optimierter Prozessgrößenwert (PGO) zumindest eine optimierte Scanrichtungsverteilung (SSV) für zumindest einen Bereich des Fertigungsprodukts (2, 2', 2'') unter Nutzung einer KI-basierten Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) ermittelt wird, Die optimierten Prozessgrößenwerte (PGO) werden dann bereitgestellt. Weiterhin werden ein Verfahren und eine Steuerdaten- erzeugungsvorrichtung (54, 54') zur Generierung von Steuerdaten (BSD, PSD), ein Verfahren zur Erstellung einer KI-basierten Optimierungseinheit (KNSP, KNWS), ein Verfahren zur Steuerung und eine Steuereinrichtung (50) für eine Produktionsvorrichtung (1) zur additiven Fertigung sowie eine entsprechende Produktionsvorrichtung (1) beschrieben.

Description

Generierung von optimierten Prozessgrößenwerten und Steuerdaten für einen additiven Aufbauprozess Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Generierung bzw. Ermittlung von optimierten Prozessgrößenwerten für einen additiven Aufbauprozess eines Fertigungsprodukts (im Folgenden auch als „Bauteil“ bezeichnet), ein Verfahren und eine Steuerdatenerzeugungsvorrichtung zur Generierung von Steuerdaten für eine Produktionsvorrichtung zur additiven Fertigung zumindest eines Fertigungsprodukts in einem additiven Aufbauprozess sowie ein Verfahren und eine Steuereinrichtung zur Steuerung einer Produktionsvorrichtung zur additiven Fertigung eines Fertigungsprodukts. Weiterhin betrifft die Erfindung ein Verfahren zum Erstellen einer KI-basierten Optimierungseinheit, z. B. eines neuronalen Netzwerks, welches in einem der vorgenannten Verfahren nutzbar ist. Außerdem betrifft die Erfindung eine Produktionsvorrichtung zur additiven Fertigung von Fertigungsprodukten in einem additiven Fertigungsprozess mit zumindest einer solchen Steuereinrichtung. Bei der Herstellung von Prototypen und inzwischen auch in der Serienfertigung werden „additive Aufbauprozesse“ (auch „additive Fertigungsprozesse“ genannt) immer relevanter. Im Allgemeinen sind unter „additiven Aufbauprozessen“ solche Aufbauprozesse zu verstehen, bei denen in der Regel auf Basis von digitalen 3D-Konstruktionsdaten durch das Ablagern von Material (dem „Aufbaumaterial“) das Fertigungsprodukt aufgebaut wird. Der Aufbau erfolgt dabei meist, aber nicht zwingend, schichtweise. Als ein Synonym für die additive Fertigung wird häufig auch der Begriff „3D-Druck“ verwendet, die Herstellung von Modellen, Mustern und Prototypen mit additiven Aufbauprozessen wird oft als „Rapid Prototyping“ und die Herstellung von Werkzeugen als „Rapid Tooling“ bezeichnet. Eine grundsätzliche Möglichkeit der Realisierung eines additiven Aufbauprozesses umfasst die selektive Verfestigung des Aufbaumaterials, wobei diese Verfestigung bei vielen Fertigungsprozessen mit Hilfe von Strahlungsenergie, z. B. elektromagnetischer Strahlung, insbesondere Licht- und/oder Wärmestrahlung, aber ggf. auch mit Teilchenstrahlung, wie z. B. Elektronenstrahlung, erfolgen kann. Solche mit einer Bestrahlung arbeitende Verfahren werden auch als „Strahlschmelzverfahren“ bezeichnet. Beispiele hierfür sind sogenannte „Laser Powderbed Fusion Verfahren“ (auch „selektives Lasersintern“ oder „selektives Laserschmelzen“ genannt) oder „Electron Powderbed Fusion Verfahren“. Dabei werden wiederholt dünne Schichten eines meist pulverförmigen Aufbaumaterials übereinander aufgebracht und in jeder Schicht wird das Aufbaumaterial durch räumlich begrenztes Bestrahlen der Stellen, die nach der Fertigung zum herzustellenden Fertigungsprodukt gehören sollen, in einer Art „Schweißprozess“ selektiv verfestigt, indem die Pulverkörner des Aufbaumaterials mit Hilfe der durch die Strahlung an dieser Stelle lokal eingebrachten Energie teilweise oder vollständig aufgeschmolzen werden. Nach einer Abkühlung sind diese Pulverkörner dann miteinander in einem Festkörper verbunden. Bei der Verfestigung des Aufbaumaterials wird der Energiestrahl entlang vorab vorgegebener Scanbahnen, in der Regel unter Berücksichtigung einer definierten Bestrahlungsstrategie, meist einer sogenannten „Hatchstrategie“, innerhalb der Konturen des in der jeweiligen Schicht zu verfestigenden Bereichs über die auf dem Baufeld befindliche Schicht geführt, um in einer gewünschten räumlichen und zeitlichen Abfolge das Material zu schmelzen und zu verfestigen. Daneben sind weitere Prozessparameterwerte, wie eine Intensität, eine Fokusausdehnung bzw. eine Energiestrahlausdehnung (z. B. ein Energiestrahldurchmesser) und eine Form der Intensitätsverteilung (bzw. das Intensitätsprofil) sowie eine Vorschubgeschwindigkeit (bzw. Scangeschwindigkeit) des Energiestrahls, eine Dicke der Schichten etc. vorgegeben und möglichst gut einzuhalten. Neueste Erkenntnisse zeigen, dass in der additiven Fertigung einige der Prozessgrößen einen maßgeblichen Einfluss auf die lokal resultierende Mikrostruktur im Bauteil besitzen. Dies kann, nicht nur, aber vor allem, bei Metallen als Aufbaumaterial der Fall sein. Aus der Mikrostruktur ergeben sich wiederum Bauteileigenschaften auf Makroebene und somit die Qualität des Bauteils, insbesondere ob es bestimmten Qualitätsanforderungen genügt. Zu den wesentlichen Prozessgrößen kann dabei, wie später noch erläutert wird, neben den genannten Prozessparameterwerten des Energiestrahls insbesondere auch die Hatchstrategie zählen. Weiterhin haben alle diese Prozessgrößen auch Einfluss auf die Baugeschwindigkeit und damit auf die Produktivität, den Energieverbrauch und die Baukosten. Dabei kann bei der optimalen Einstellung einiger der Prozessgrößen, d.h. der Auswahl der geeigneten Prozessgrößenwerte, zwischen konkurrierenden Zielen (wie z. B. Baugeschwindigkeit einerseits und Steifigkeit oder Festigkeit des Bauteils andererseits) abzuwägen sein. In ähnlicher Weise können auch in anderen additiven Aufbauprozessen, z. B. Prozessen, bei denen mittels eines Materialauftragskopfs Material nur an den gewünschten Stellen aufgetragen wird, welches sich nachfolgend verfestigt bzw. verfestigt wird, diverse Prozessgrößen, insbesondere die Wahl von Bahnen der Verfestigung von Material (im Folgenden werden solche Bahnen der Verfestigung auch allgemein als „Scanbahnen“ bezeichnet) und die Vorschubgeschwindigkeit etc., erheblichen Einfluss auf die Bauteileigenschaften und Qualität des Bauteils einerseits und die Produktivität anderseits haben, weshalb die Prozessgrößenwerte geschickt zu wählen sind. Dies gilt grundsätzlich auch für additive Fertigungsverfahren wie z. B. Pulverauftragsschweißen (Laser Cladding) und Draht-Auftragsschweißen (Direct Energy Deposition (DED) bzw. Wire-based Arc-light Additive Manufacturing (WAAM)). Es ist daher eine Aufgabe der vorliegenden Erfindung, geeignete Verfahren zur Generierung von optimierten Prozessgrößenwerten für einen additiven Aufbauprozess und zur Generierung von darauf basierenden Steuerdaten bzw. zur additiven Fertigung eines Fertigungsprodukts sowie geeignete Vorrichtungen hierfür anzugeben. Diese Aufgabe wird durch ein Verfahren zur Generierung von optimierten Prozessgrößenwerten gemäß Patentanspruch 1, ein Verfahren zur Generierung von Steuerdaten gemäß Patentanspruch 11, ein Verfahren zur Steuerung einer Produktionsvorrichtung zur additiven Fertigung eines Fertigungsprodukts gemäß Patentanspruch 12, ein Verfahren zur Erstellung einer KI-basierten Optimierungseinheit nach Anspruch 13, eine Vorrichtung zur Generierung von optimierten Prozessgrößen- werten gemäß Patentanspruch 14, eine Steuerdatenerzeugungsvorrichtung gemäß Patentanspruch 15, eine Steuereinrichtung für eine Produktionsvorrichtung zur additiven Fertigung eines Fertigungsprodukts gemäß Patentanspruch 16 und eine Produktionsvorrichtung zur additiven Fertigung von Fertigungsprodukten gemäß Patentanspruch 17 gelöst. Das erfindungsgemäße Verfahren zur Generierung bzw. Ermittlung von optimierten Prozessgrößenwerten für einen additiven Aufbauprozess (bzw. Fertigungsprozess) eines Fertigungsprodukts aus mehreren Schichten eines Aufbaumaterials weist zumindest folgende Verfahrensschritte auf: Zunächst werden Anforderungsdaten des Fertigungsprodukts bereitgestellt. Diese umfassen z. B. geometrische Daten des Fertigungsprodukts. Bei den geometrischen Daten kann es sich im einfachsten Fall nur um Maximalmaße, die z. B. durch einen zur Verfügung stehenden Bauraum bestimmt sein können, und/oder um Minimalmaße handeln. Die geometrischen Daten können aber auch bestimmte exakte Maße umfassen, z. B. von Teilen oder Abschnitten des Bauteils, wie beispielsweise Maße von Anschlussstücken, um das Bauteil mit anderen Teilen koppeln zu können, exakt einzuhaltenden Längen des Bauteils in bestimmte Erstreckungsrichtungen etc. Insbesondere können sie auch die exakten Abmessungen des Bauteils mit allen Details umfassen. Die geometrischen Daten können auf beliebige Weise bereitgestellt werden, beispielsweise durch Eingabe an einer Benutzerschnittstelle, durch Übernahme aus anderen Programmteilen, Netzwerken und/oder Datenspeichern. Z. B. können die geometrischen Daten auch CAD-Daten des Bauteils umfassen, die beispielsweise aus einem Konstruktionsprogramm übernommen werden können. Die Anforderungsdaten können aber insbesondere auch Daten zu anderen Anforderungen umfassen, wie mechanische Spannungsanforderungen und Wärmebehandlungsanforderungen etc. Die Wärmebehandlungsanforderungen sind, wenn keine besondere Wärmebehandlung nach Fertigung des Bauteils erforderlich ist, beispielsweise einfach die thermischen Anforderungen, die sich durch die Abkühlung des Bauteils, insbesondere die Abkühlgeschwindigkeiten ergeben. Definiert sind die Wärmebehandlungsanforderungen in der Regel durch eine Funktion mit einem Zeit- Temperatur-Profil (d. h. eine Temperatur-Zeit-Verlaufs-Funktion). In vielen Fällen, z. B. wenn das Bauteil ohne besondere Maßnahmen nach der Fertigung abkühlt, können diese Wärmebehandlungsanforderungen (bzw. eine entsprechende Funktion, die diese Wärmeanforderungen definiert) im Optimierungsverfahren auch vernachlässigt werden. Unter Berücksichtigung der Anforderungsdaten erfolgt dann im erfindungsgemäßen Verfahren eine Durchführung eines Optimierungsverfahrens zur Ermittlung der optimierten Prozessgrößenwerte. Dabei wird als ein optimierter Prozessgrößenwert zumindest eine optimierte Scanrichtungsverteilung für zumindest einen Bereich des Fertigungsprodukts unter Nutzung einer KI-basierten Optimierungseinheit ermittelt. „KI-basiert“ heißt hierbei, dass die Optimierungseinheit auf künstlicher Intelligenz (KI) basiert. Beispielsweise kann es sich hierbei um ein neuronales Netzwerk handeln, wie dies später noch genauer anhand von Beispielen erläutert wird. Bei einem solchen „Bereich des Fertigungsprodukts“ kann es sich z.B. um ein (virtuelles) Segment des Bauteils handeln, welches sich, wie später noch erläutert, vorzugsweise über mehrere Schichten erstreckt. Wie ebenfalls noch erläutert wird, kann ein Bauteil (virtuell) in sogenannte „Segmente“ unterteilt werden, wobei ein Segment dabei vorzugsweise einen Teilabschnitt/Bereich des Fertigungsprodukts umfasst. Die Summe der Segmente des Fertigungsprodukts ergibt dann das Fertigungsprodukt. Es kann aber ggf. – insbesondere bei kleinen Objekten – auch das komplette Fertigungsprodukt aus nur einem Segment gebildet sein. Komplexere Bauteile weisen jedoch in der Regel eher mehrere Segmente auf. Grundsätzlich kann der „Bereich des Fertigungsprodukts“ aber auch selbst mehrere Segmente bzw. beliebige Abschnitte oder das gesamte Fertigungsprodukt umfassen. Eine Scanrichtungsverteilung in einem Segment wird im Folgenden auch als „Segmentscanrichtungsverteilung“ bezeichnet, da es sich um eine Verteilung der Scanrichtungen innerhalb des Segments handelt. Eine Segmentscanrichtungsverteilung gibt also an, mit welcher Häufigkeit welche Scanrichtungen (z. B. welche Scanrichtungswinkel) im betreffenden Segment auftreten. Unter einem „Scannen“ ist hierbei allgemein die Bewegung der für die Verfestigung des Materials an den jeweiligen Stellen verantwortlichen Einheit entlang der vorgegebenen „Scanbahn“ zu verstehen, beispielsweise eines Materialauftragskopfs, der Material abgibt, das sich dann verfestigt, und/oder eines Energiestrahls zur Verfestigung etc. Z. B. ist bei den eingangs genannten Strahlschmelzverfahren unter „Scannen“ die Bewegung des Auftreffpunkts des Energiestrahls (also beim selektiven Laserschmelzen u. ä. Verfahren die Bewegung des Laserfokus) auf der aktuellen Arbeitsebene entlang der vorgegebenen „Scanbahn“ zu verstehen. Die aktuelle „Scanrichtung“ ist jeweils die aktuelle Richtung entlang der aktuell abgefahrenen Scanbahn. Die Scanrichtung kann z. B. durch einen Scanrichtungswinkel in der aktuellen Arbeitsebene in Bezug zu einer beliebig vorgebbaren Referenzrichtung angegeben werden. Die Bewegungsgeschwindigkeit der Auftrefffläche des Energiestrahls bzw. der für die Verfestigung des Materials an den jeweiligen Stellen verantwortlichen Einheit auf dem Baufeld ist die Scangeschwindigkeit, welche auch ortsabhängig modifiziert werden kann, d. h. nicht konstant sein muss. Die „Arbeitsebene“ ist dabei ganz allgemein die Ebene, die senkrecht zur Aufbaurichtung des Bauteils am jeweiligen Punkt steht. Bei einem oben erläuterten „Laser Powderbed Fusion Verfahren“ ist dies die Ebene, in der die Pulverschichten aufgetragen werden, d.h. die Scanbahnen einer Schicht liegen hier in der Regel in einer während der Verfestigung einer Schicht nicht verkippenden Ebene. Für andere additive Fertigungsverfahren wie z. B. Pulverauftragsschweißen (Laser Cladding) und Draht-Auftragschweißen (Direct Energy Deposition (DED) bzw. Wire-based Arc-light Additive Manufacturing (WAAM) könnte eine Arbeitsebene auch ohne Beschränkung der Allgemeinheit über die sogenannte Tangentialebene definiert werden. Eine solche Tangentialebene hat ihren Ursprung im Auftreffpunkt der Strahlenenergie auf das Material. Es ist an dieser Stelle zu erwähnen, dass auch eine Scanbahn nicht kontinuierlich verlaufen muss, sondern auch mehrere voneinander beabstandete Scanbahnabschnitte umfassen kann, insbesondere auch in einer Ebene. So können die nachfolgend noch erläuterten einzelnen „Hatches“, entlang deren ein Energiestrahl gemäß einer „Hatchrichtungsanordnung“ (im Allgemeinen auch kurz „Hatchstrategie“ genannt) über die Materialschicht in der Arbeitsebene verfahren wird, um den Querschnitt des Bauteils in der Ebene zu verfestigen, jeweils als einzelne „Scanbahnabschnitte“ gesehen werden. Die selektive Bestrahlung bzw. die Bewegung der Auftrefffläche des Energiestrahls auf dem Baufeld bei einem Strahlschmelzverfahren erfolgt nämlich wie erwähnt üblicherweise gemäß einer geeigneten Bestrahlungsstrategie. So sind in der Regel während eines Verfestigungsprozesses größere zweidimensionale Bereiche, d. h. größere Flächen auf dem Baufeld zu bestrahlen. Unabhängig davon, wie der Energiestrahl erzeugt und der Auftreffpunkt auf dem Baufeld genau verfahren wird, hat es sich als vorteilhaft erwiesen, zumindest solche größeren zu bestrahlenden Bereiche zunächst gemäß einem ausgewählten Muster virtuell „aufzuteilen“, beispielsweise in virtuelle „Streifen“, ein Rautenmuster, ein Schachbrettmuster oder dergleichen. Die einzelnen Flächen dieses Musters, also definierte Teilbereiche, beispielsweise geometrisch normierte Flächenstücke wie Streifen oder Felder, werden dann meist in Form einer sogenannten „Schraffur“ (im Allgemeinen auch „Hatch“ genannt) mit dem Energiestrahl abgefahren. Bei einem Streifenmuster wird also das Baumaterial – makroskopisch betrachtet – entlang zueinander paralleler Streifen nach und nach verfestigt und im Detail – mikroskopisch betrachtet – erfolgt dabei die Bewegung der Auftrefffläche des Energiestrahls auf dem Baufeld entlang eng aneinander liegender Schraffurlinien, welche quer zur Erstreckungsrichtung der jeweiligen Bestrahlungsstreifen in den Grenzen des Bestrahlungsstreifens hin und her verlaufen. Eine Hatchrichtungsanordnung oder Hatchstrategie kann dabei beispielsweise u. a. definieren, ob mit wechselnden Hatchrichtungen (alternierende Bestrahlung) oder mit gleichbleibenden Hatchrichtungen (unidirektionale Bestrahlung, d. h. mit einem Rücksprung von einem Hatchende zum Anfang des darauffolgenden Nachbar-Hatches im Bestrahlungsstreifen) gearbeitet wird. Eine Hatchrichtung kann somit auch als eine lokale Schaar von Scanrichtungen angesehen werden. In den Konturbereichen des Bauteils verlaufen die Scanbahnen in der Regel entlang der Kontur, damit die Oberfläche möglichst glatt ist. Die oben genannte „Scanrichtungsverteilung“ (bzw. die „Segmentscanrichtungsverteilung“ eines Segments) kann – wie später noch genauer erläutert wird – u. a. von einer im Bauprozess gewählten „Schichtscanrichtungsanordnung“ abhängen. Die „Schichtscanrichtungsanordnung“ definiert allgemein bei einem schichtweisen Aufbau die wesentliche Strategie des Verlaufs der Scanbahnen, also beim Strahlschmelzen die Bestrahlungsstrategie, in einer jeweiligen Schicht, d. h. in welcher Weise bzw. Richtung die Scanbahnen in einer Schicht relativ zueinander verlaufen, und gegebenenfalls auch, in welcher Reihenfolge die Scanbahnen in der Schicht abgefahren werden, um in der gewünschten räumlichen und zeitlichen Abfolge das Material zu schmelzen und zu verfestigen. Durch die „Schichtscanrichtungsanordnung“ werden damit die maßgeblichen Scanrichtungen definiert, die jeweils innerhalb einer Schicht im Aufbauprozess für den wesentlichen Teil der Fläche der Schicht vorgegeben werden oder wurden. Die Schichtscanrichtungsanordnung kann somit auch ganz allgemein, wie oben für die Hatchstrategie bereits erwähnt, als Prozessgröße maßgeblichen Einfluss auf die lokal resultierende Mikrostruktur im Bauteil haben. Hierbei ist zu beachten, dass eine Verdrehung der Orientierung der Schichtscanrichtungsanordnung von Schicht zu Schicht – wie das später noch erläutert wird – hier nicht als Veränderung der Schichtscanrichtungsanordnung zu verstehen ist. D. h. Schichten können als mit derselben Schichtscanrichtungsanordnung erstellt angesehen werden, auch wenn die Orientierung (durch Drehung um die Hauptaufbaurichtung, in der die Schichten übereinanderliegen) geändert wurde. Änderungen von einzelnen Scanbahnabschnitten, insbesondere entlang der Bauteilkonturen in den jeweiligen Schichten, die z. B. durch diesen Orientierungswechsel oder durch die Veränderung der Bauteilkontur von Schicht zu Schicht etc. bedingt sind, werden in diesem Sinne nicht als wesentliche Veränderungen der Schichtscanrichtung- sanordnung angesehen. D.h. die Schichtscanrichtungsanordnungen der Schichten können im Sinne der Erfindung als identisch angesehen werden, da solche Änderungen in der Regel nicht zu einer erheblichen Änderung der „Intraschichtscanrichtungsverteilung“ (die eben durch die Schichtscanrichtungsanordnung wesentlich bestimmt wird) und somit auch nicht zu einer wesentlichen Änderung der Eigenschaftswerte des Segments führen würden. Ein typisches Beispiel für eine „Schichtscanrichtungsanordnung“ umfasst also die zuvor erläuterte Hatchrichtungsanordnung bzw. Hatchstrategie bzw. kann durch diese definiert sein. In dem Optimierungsverfahren ist also die Scanrichtungsverteilung vorteilhafterweise eine Optimierungsvariable. Vorzugsweise handelt es sich hierbei um eine kontinuierliche, besonders bevorzugt stetige, Optimierungsvariable im Optimierungsverfahren. Ebenso bevorzugt kann eine Scanrichtungsverteilung auch „quasi-kontinuierlich“ definiert sein, z. B. durch ausreichend viele diskrete Werte. So kann eine „quasi-kontinuierliche“ Definition einer Segmentscanrichtungsverteilung in einer Ebene durch ausreichend viele diskrete, eng aneinander liegende Werte, wie z.B. 360 Stützstellen über einen Winkelbereich von 360°, erfolgen. Vorzugsweise können, wie später noch genauer ausgeführt wird, im Optimierungsverfahren auch noch weitere optimierte Prozessgrößenwerte ermittelt werden, wie z. B. optimale Parametersätze für das Bauteil, insbesondere optimale Parametersätze für die verschiedenen Segmente eines Bauteils. Ein solcher „Parametersatz“ umfasst z. B. jeweils eine definierte Gruppe von Prozessparameterwerten, d. h. ein Tupel von einzelnen Prozessparameterwerten, mit denen später die Maschine zum Aufbau zumindest einer Schicht des betreffenden Segments gesteuert wird bzw. optimal gesteuert werden soll. Die im Optimierungsverfahren ermittelten optimierten bzw. optimalen Prozessgrößenwerte, z. B. die optimierte(n) Scanrichtungsverteilung(en), insbesondere Segmentscanrichtungs- verteilungen, und ggf. die optimalen Parametersätze, werden schließlich bereitgestellt, um z. B. darauf basierend optimierte Steuerdaten zu generieren, mit denen eine Produktionseinrichtung während des Aufbauprozesses angesteuert werden kann. Die Bereitstellung der optimierten Prozessgrößenwerte kann z. B. ein Speichern für eine spätere Nutzung und/oder eine Übergabe an eine andere Berechnungseinheit und/oder eine Übertragung an die Produktionseinrichtung umfassen. Das erfindungsgemäße Verfahren zur Generierung bzw. Ermittlung der optimierte Prozessgrößenwerte ermöglicht je nach konkreter Ausgestaltung eine sehr allgemeine Optimierung des Eigenschaftsprofils additiv gefertigter Bauteile und ist dabei vorteilhafterweise nicht auf die Optimierung im Hinblick auf ein einzelnes Bauteilcharakteristikum, wie beispielsweise die mechanische Festigkeit, beschränkt. Es stellt vielmehr eine Möglichkeit zur Lösung von Randwertproblemen beliebiger thermophysikalischer sowie fertigungstechnologischer Natur dar. Neben der Berücksichtigung eines Anforderungsprofils (anhand der Anforderungsdaten) ist je nach Ausgestaltung im Rahmen des vorgeschlagenen Verfahrens auch der fertigungstechnisch kostengünstigste Weg ermittelbar, durch den die gestellten Anforderungen erreicht werden können. Dies kann beispielsweise durch eine Maximierung der Volumenaufbaurate realisiert werden, wie dies später noch näher erläutert wird. Beispiele für geeignete Optimierungsverfahren, welche auch z. B. mit Segmentscan- richtungsverteilungen als Optimierungsvariablen sowie einer Auswahl von optimalen Parametersätzen arbeiten, werden bereits detailliert in der Patentanmeldung DE 102022 117 935 beschrieben, auf die hier verwiesen werden kann bzw. deren Inhalt hiermit vollumfänglich komplett inkorporiert wird. Die vorliegende Erfindung kann insoweit unter anderem auf die dort genannten Verfahren aufbauen bzw. die dort genannten Verfahren weiter verbessern. Zusätzlich zu den dortigen Optimierungsverfahren wird nun erfindungs- gemäß eine KI-basierte Optimierungseinheit genutzt, um zumindest eine optimierte Scanrichtungsverteilung, zum Beispiel die die Segmentscanrichtungsverteilung(en), für zumindest einen Bereich des Fertigungsprodukts zu finden. Dies ermöglicht eine erhebliche Beschleunigung des gesamten Verfahrens, wie später noch anhand eines beispielhaften Verfahrensablaufs beschrieben wird. Insbesondere kann auf diese Weise mithilfe der KI- basierten Optimierungseinheit innerhalb einer Stufe des kompletten Optimierungsverfahrens eine Art Vorauswahl von optimalen Prozessgrößenwerten, insbesondere Scanrichtungsverteilung(en), getroffen werden, die das weitere Vorgehen vereinfacht und beschleunigt. Auf Basis der so erhaltenen erfindungsgemäßen optimierten Prozessgrößenwerte können dann erfindungsgemäße Steuerdaten für eine Produktionsvorrichtung zur additiven Fertigung zumindest eines Fertigungsprodukts generiert werden. Ein entsprechendes erfindungsgemäßes Verfahren zur Generierung von Steuerdaten für eine Produktionsvorrichtung zur additiven Fertigung zumindest eines Fertigungsprodukts aus mehreren Schichten eines Aufbaumaterials weist zumindest folgende Verfahrensschritte auf: - In einer ersten Stufe werden optimierte Prozessgrößenwerten bereitgestellt, welche für den additiven Aufbauprozess gemäß dem vorstehend charakterisierten erfindungsgemäßen Verfahren generiert wurden, z. B. indem diese optimierte Prozessgrößenwerte direkt übernommen oder aus einem Speicher abgerufen werden. - In einer zweiten Stufe erfolgt dann die Generierung der Steuerdaten für die Produktionsvorrichtung derart, dass die optimierten Prozessgrößenwerte im additiven Aufbauprozess entsprechend einem vorgegebenen Bewertungskriterium ausreichend erreicht werden und bevorzugt auch während des Fertigungsprozesses eingehalten werden können. Je nach den aktuellen technischen Möglichkeiten kann es sein, dass die optimierten Prozessgrößenwerte nicht oder nur mit extrem großen Aufwand exakt eingehalten werden können. Das vorgegebene Bewertungskriterium sollte daher bevorzugt so definiert sein, dass die optimierten Prozessgrößenwerte im Produktionsprozess möglichst gut erreicht bzw. approximiert werden (optimal wäre exakt) oder mindestens innerhalb eines vorgegebenen Toleranzbereichs um den jeweiligen optimierten Prozessgrößenwert liegen und während des Fertigungsprozesses eingehalten werden. Der Toleranzbereich kann dabei auch von dem jeweiligen optimierten Prozessgrößenwert abhängen. Vorzugsweise handelt es sich um Steuerdaten für eine Produktionsvorrichtung (d.h. die Produktionsvorrichtung ist dann auch passend hierzu ausgebildet), mit der wie eingangs beschrieben in einem, bevorzugt pulverbettbasierten, Strahlschmelzverfahren Aufbau- material, vorzugsweise Pulver, aufgebaut und selektiv verfestigt wird, wobei zum Verfestigen auf einem Baufeld eine Bestrahlung des Aufbaumaterials mit zumindest einem Energiestrahl erfolgt, wobei eine Auftrefffläche des Energiestrahls entlang von vorgegebenen Scanspuren auf dem Baufeld bewegt wird, um das Aufbaumaterial in einem Zielbereich in und um die Auftrefffläche aufzuschmelzen. Unter einem „Bewegen“ des Energiestrahls bzw. der Auftrefffläche des Energiestrahls kann hierbei das übliche Ablenken des Energiestrahls, z. B. durch Galvanometerspiegel, zu verstehen sein, aber auch ein Verfahren der kompletten Abstrahlabgabeeinheit, z. B. in Form einer Diodenbank, insbesondere Laserdiodenbank, oder durch eine bewegte Strahlformung. Unter einem „Zielbereich“ ist hierbei zum einen die Auftrefffläche, d. h. der Bereich, auf den der Energiestrahl auf der Oberfläche auftrifft, zu verstehen, aber auch der Bereich darunter, also in die Tiefe des Materials bzw. der Schicht hinein, ggf. aber auch eine Umgebung um diese Auftrefffläche herum, in welcher der Energiestrahl, z. B. durch Wärmeleitung im Aufbaumaterial, noch wirkt. Lediglich der Vollständigkeit halber sei noch einmal erwähnt, dass es sich bei dem Energiestrahl sowohl um Teilchenstrahlung als auch um elektromagnetische Strahlung, wie z. B. Licht- bzw. vorzugsweise Laserstrahlung, handeln kann. Bei den Steuerdaten kann es sich dementsprechend bevorzugt um Belichtungssteuerdaten handeln, wie beispielsweise Scandaten, die die Bewegung des Energiestrahls auf der Oberfläche definieren bzw. vorgeben, um Steuerdaten zur Einstellung der Höhe der Energie bzw. Laserintensität, Steuerdaten über die „Form“ des Strahls bzw. das Strahlprofil und/oder den Fokus bzw. die Ausdehnung des Strahls senkrecht zur Strahlrichtung. Weiterhin können diese Steuerdaten aber auch – wie später noch erläutert wird – andere Steuerinformationen umfassen, wie Beschichtungssteuerdaten, die vorgeben, wie dick eine aktuelle Schicht ist, Informationen zur Steuerung von Vor- oder Nachbeheizung mit anderen Energieeintragungsmitteln, zur Eindüsung von Inertgas etc. Ebenso sei an dieser Stelle bereits erwähnt, dass die Steuerdaten zum einen für eine „einfache“ Steuerung des Prozesses dienen können, aber auch zur Regelung des Prozesses, beispielsweise indem die Steuerdaten Soll-Daten für eine weitergehende Regelung des Prozesses vorgeben. Mit anderen Worten, es können mit Hilfe des erfindungsgemäßen Verfahrens auch die benötigten Größen für einen Regler abgeleitet werden, welcher zur Rückkopplung beispielsweise Ist-Daten erhält, die mit einem Meltpool- Monitoring oder einer zeitlich aufgelösten zeitlichen und/oder örtlich aufgelösten Bildgebung zur Überwachung der aufgebauten Schicht, wie z. B. thermisch mittels Optical Tomography, ermittelt werden. Derartige Verfahren sind dem Fachmann bekannt. Es werden dabei im Fertigungsprozess entstehende Störungen ausgeregelt, um möglichst nahe an der durch die Steuerdaten vorgegebenen Soll-Prozessführung zu bleiben. Bei einem erfindungsgemäßen Verfahren zur Steuerung einer Produktionsvorrichtung zur additiven Fertigung eines Fertigungsprodukts werden zunächst Steuerdaten auf die genannte erfindungsgemäße Weise generiert und diese dann genutzt, um die Vorrichtung mit den Steuerdaten zu steuern. Dabei können die Steuerdaten vorab generiert werden und als komplettes Paket bzw. eine Art „Steuerprotokoll“ an die Vorrichtung übermittelt werden, die dann den Produktionsprozess durchführt. Prinzipiell wäre es aber auch möglich, Steuerdaten während des bereits laufenden Prozesses für nachfolgende Prozessschritte zu ermitteln, beispielsweise während eine Schicht bzw. ein Segment verfestigt wird, die Steuerdaten für die nächste Schicht bzw. das nächste Segment zu ermitteln. Erfindungsgemäß wird in dem Optimierungsverfahren zumindest eine KI-basierte Optimierungseinheit genutzt. Eine solche KI-basierte Optimierungseinheit sollte in der Regel auf das Optimierungsverfahren abgestimmt erstellt werden. So umfasst zumindest eine KI-basierte Optimierungseinheit bevorzugt zumindest eine auf Reinforcement Learning basierende Optimierungseinheit und/oder ein neuronales Netzwerk (insbesondere ein Deep Learning Netzwerk). Wenn es sich um ein neuronales Netzwerk handelt, muss dieses beispielsweise zunächst in geeigneter Weise trainiert werden. Erst das trainierte neuronale Netzwerk bildet dann die für das Verfahren jeweils geeignete KI-basierte Optimierungseinheit. Ein erfindungsgemäßes Verfahren zum Erstellen einer KI-basierten Optimierungseinheit (also beispielsweise zum Aufbau und Trainieren eines neuronalen Netzwerks), welches in einem der oben beschriebenen Optimierungsverfahren eingesetzt werden kann, um für eine Mehrzahl von unterschiedlichen Typen von Anforderungsdaten (insbesondere Anforderungen bzw. Anforderungsparameter wie mechanische Spannungsanforderungen und Wärmebehandlungsanforderungen) optimierte Prozessgrößenwerte zu ermitteln, umfasst zumindest die folgenden Verfahrensschritte: - Zum einen wird zumindest eine erste KI-basierte Optimierungseinheit ermittelt (z. B. ein erstes neuronales Netzwerk trainiert), welche basierend auf einem ersten Typ von Anforderungsdaten (z.B. mechanische Spannungsanforderungen) optimierte Prozess- größenwerte eines ersten Typs von Prozessgrößen (z. B. einen optimalen Parametersatz) ermittelt. - Zum anderen wird zumindest eine zweite KI-basierte Optimierungseinheit ermittelt (also z. B. ein zweites neuronales Netzwerk trainiert), welches basierend auf dem ersten Typ von Anforderungsdaten (z. B. den genannten mechanischen Spannungsanforderungen) optimierte Prozessgrößenwerte eines zweiten Typs von Prozessgrößen (z. B. Scanrichtungsverteilungen) ermittelt oder welche basierend auf einem zweiten Typ von Anforderungsdaten (z. B. Wärmebehandlungsanforderungen) optimierte Prozess- größenwerte des ersten Typs von Prozessgrößen (z. B. einen optimalen Parametersatz) oder des zweiten Typs von Prozessgrößen (z. B. der Scanrichtungsverteilungen) ermittelt. - Daraufhin wird eine KI-basierte Kombinations-Optimierungseinheit (also z. B. ein kombiniertes neuronales Netzwerk) erstellt, unter Nutzung eines Trainingsverfahrens, in welchem zumindest die erste und die zweite KI-basierte Optimierungseinheit untereinander verkoppelt zur Überwachung des Trainings der KI-basierte Kombinations- Optimierungseinheit genutzt werden. Auf diese Weise können mit einem geringeren Rechen- und Zeitaufwand (im Vergleich zu einem Training mit Hilfe von eher rein „klassischen“ (d. h. nicht KI-basierten) Optimierungs- verfahren, welche aber prinzipiell auch möglich sind, wie später noch an Hand von Beispielen gezeigt wird) KI-basierte (Kombinations-)Optimierungseinheiten erstellt werden, welche basierend auf beliebigen verschiedenen Typen von Anforderungsdaten optimale Werte für verschiedene Typen bzw. Kombinationen von Typen von unterschiedlichen Prozessgrößen schnell ermitteln können. Es wird noch einmal darauf hingewiesen, dass die oben genannten Anforderungsdaten bzw. Prozessgrößen nur als Beispiele für das erfindungsgemäße Verfahren zur Erstellung einer KI-basierten Optimierungseinheit zu sehen sind, auch wenn es sich hierbei im konkreten Fall im Rahmen der gewünschten Optimierung um bevorzugt genutzte Daten bzw. Größen handelt. Eine erfindungsgemäße Vorrichtung zur Generierung bzw. Ermittlung von optimierten Prozessgrößenwerten für einen additiven Aufbauprozess eines Fertigungsprodukts weist (zur Durchführung des oben erläuterten erfindungsgemäßen Verfahrens) zumindest folgende Komponenten auf: - Eine Anforderungs-Schnittstelleneinheit, ausgebildet zum Bereitstellen von Anfor- derungsdaten des Fertigungsprodukts, welche z. B. geometrischen Daten des Fertigungsprodukts umfassen. Hierbei kann es sich z. B. um eine Schnittstelle zur Übernahme der Daten oder/oder um einen Speicher handeln, in dem diese Daten hinterlegt sind. - Eine Optimierungseinheit, ausgebildet zur Durchführung des oben beschriebenen Optimierungsverfahren zur Ermittlung der optimierten Prozessgrößenwerte unter Berücksichtigung der Anforderungsdaten, umfassend zumindest eine KI-basierte Optimierungseinheit, um als einen optimierten Prozessgrößenwert zumindest eine optimierte Scanrichtungsverteilung für zumindest einen Bereich des Fertigungsprodukts zu ermitteln, - Eine Prozessgrößenwerte-Schnittstelleneinheit, ausgebildet zum Bereitstellen der optimierten Prozessgrößenwerte, einschließlich der Scanrichtungsverteilung(en), z. B. der optimalen Segmentscanrichtungsverteilung(en) und der optimalen Parametersätze. Hierbei kann es sich z. B. um eine Schnittstelle zur Übergabe der Daten oder/oder um einen Speicher handeln, in dem diese Daten hinterlegt werden. Prinzipiell können übrigens die Anforderungs- und Prozessgrößenwerte-Schnittstelleneinheit auch als gemeinsame Einheit realisiert sein, oder zumindest gemeinsame Komponenten nutzen wie z. B. einen gemeinsamen Speicher. Eine erfindungsgemäße Steuerdatenerzeugungsvorrichtung zur Generierung von Steuerdaten für eine Produktionsvorrichtung zur additiven Fertigung eines Fertigungsprodukts in einem additiven Aufbauprozess, vorzugsweise in einem oben genannten Strahlschmelzverfahren, umfasst zumindest folgende Komponenten: - Eine oben beschriebene erfindungsgemäße Vorrichtung zur Generierung bzw. Ermittlung von optimierten Prozessgrößenwerten für den additiven Aufbauprozess eines Fertigungsprodukts und/oder eine Schnittstelle zu einer solchen Vorrichtung zur Übernahme der optimierten Prozessgrößenwerte. Eine solche Schnittstelle umfasst auch die Möglichkeit, auf einen Speicher, z. B. mit einer Datenbank, zuzugreifen, in dem von der Vorrichtung zur Generierung der optimierten Prozessgrößenwerten die optimierten Prozessgrößenwerte zuvor hinterlegt wurden. - Eine Datengenerierungseinheit zur Generierung der Steuerdaten für die Produktionsvorrichtung derart, dass die optimierten Prozessgrößenwerte im additiven Aufbauprozess entsprechend einem vorgegebenen Bewertungskriterium ausreichend erreicht werden, wie dies oben im Zusammenhang mit dem Verfahren zur Generierung von Steuerdaten auch schon erläutert wurde. Die Steuerdatenerzeugungseinrichtung kann beispielsweise Teil einer Steuereinrichtung einer solchen Produktionsvorrichtung zur additiven Fertigung eines Fertigungsprodukts sein. Sie kann aber auch eigenständig auf einem anderen Rechner realisiert werden, um die Daten dann an die Steuereinrichtung zu übergeben. Dementsprechend weist eine erfindungsgemäße Steuereinrichtung für eine Produktionsvorrichtung zur additiven Fertigung eines Fertigungsprozesses eine erfindungsgemäße Steuerdatenerzeugungsvorrichtung auf und/oder eine Schnittstelle zu einer solchen Steuerdatenerzeugungsvorrichtung zur Übernahme der betreffenden Steuerdaten von der Steuerdatenerzeugungsvorrichtung. Eine solche Schnittstelle umfasst wiederum die Möglichkeit, auf einen Speicher, z. B. mit einer Datenbank, zuzugreifen, in dem die Steuerdaten z. B. von der Steuerdatenerzeugungsvorrichtung zuvor hinterlegt wurden. Die Steuereinrichtung ist ausgebildet, um die Produktionsvorrichtung unter Nutzung dieser Steuerdaten anzusteuern, z. B. zur Bestrahlung des Aufbaumaterials mit dem Energiestrahl. Eine erfindungsgemäße Produktionsvorrichtung zur additiven Fertigung von Fertigungsprodukten in einem additiven Aufbauprozess bzw. Fertigungsprozess weist neben den je nach Art des Fertigungsprozesses üblichen Komponenten, wie beispielsweise für ein (bevorzugtes) Strahlschmelzverfahren eine Zuführvorrichtung zum Einbringen von Aufbaumaterial – beispielsweise in Form einer Schicht von Aufbaumaterial – in einem Prozessraum und eine Bestrahlungsvorrichtung zum selektiven Verfestigen des Aufbaumaterials durch Bestrahlung mittels eines Energiestrahls, zumindest eine solche Steuereinrichtung auf. Es sei an dieser Stelle darauf hingewiesen, dass die Vorrichtung auch mehrere Bestrahlungsvorrichtungen aufweisen kann, die dann entsprechend koordiniert mit den Steuerdaten angesteuert werden, um die optimierten Prozessgrößenwerte entsprechend den gegebenen Bewertungskriterien ausreichend zu erreichen bzw. während des Fertigungsprozesses einzuhalten. Die erfindungsgemäße Vorrichtung zur Generierung bzw. Ermittlung von optimierten Prozessgrößenwerten und die erfindungsgemäße Steuerdatenerzeugungseinrichtung können jeweils weitgehend in Form einer Rechnereinheit, auch in Form einer gemeinsamen Rechnereinheit, mit geeigneter Software realisiert sein. Die Rechnereinheit kann z. B. hierzu einen oder mehrere zusammenarbeitende Mikroprozessoren oder dergleichen aufweisen. Insbesondere kann sie in Form von geeigneten Softwareprogrammteilen in der Rechnereinheit einer Steuereinrichtung einer erfindungsgemäßen Produktionsvorrichtung realisiert sein. Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher verwendete Rechnereinheiten, insbesondere Steuereinrichtungen von Produktionsvorrichtungen für die additive Fertigung, auf einfache Weise durch ein Software- bzw. Firmware-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein entsprechendes Computerprogrammprodukt mit einem Computerprogramm gelöst, welches direkt in eine Speichereinrichtung einer Rechnereinheit, insbesondere einer Vorrichtung zur Generierung bzw. Ermittlung von optimierten Prozessgrößenwerten, einer Steuerdatenerzeugungseinrichtung oder einer Steuereinrichtung, ladbar ist, mit Programmabschnitten, um alle Schritte des erfindungs- gemäßen Verfahrens auszuführen, wenn das Programm in der Rechnereinheit bzw. Steuereinrichtung ausgeführt wird. Grundsätzlich können die erforderlichen Software- komponenten bzw. Programmabschnitte auch auf mehrere untereinander vernetzte Rechnereinheiten verteilt sein, die in diesem Sinne auch als eine gemeinsame, nur eben verteilte Rechnereinheit angesehen werden können. Ein solches Computerprogrammprodukt kann neben dem Computerprogramm gegebenenfalls zusätzliche Bestandteile wie z. B. eine Dokumentation und/oder zusätzliche Komponenten, auch Hardware-Komponenten, wie z. B. Hardware-Schlüssel (Dongles etc.) zur Nutzung der Software, umfassen. Zum Transport zur Rechnereinheit bzw. Steuereinrichtung und/oder zur Speicherung an oder in der Rechnereinheit bzw. Steuereinrichtung kann ein computerlesbares Medium, beispielsweise ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest eingebauter Datenträger dienen, auf welchem die von einer Rechnereinheit, insbesondere der Steuereinrichtung, einlesbaren und ausführbaren Programmabschnitte des Computerprogramms gespeichert sind. Insbesondere kann auch das erfindungsgemäße Verfahren zum Erstellen einer KI- basierten Optimierungseinheit mit Hilfe eines Computerprogrammprodukts realisiert werden, welches auf einem beliebigen Rechner installiert sein kann. Die KI-basierte Optimierungseinheit (also zum Beispiel ein neuronales Netzwerk) kann selber wiederum ein Computerprogrammprodukt bilden, welches dann beispielsweise auf eine der oben genannten Einheiten transferiert werden kann, um sie innerhalb des erfindungsgemäßen Optimierungsverfahrens einzusetzen. Weitere, besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen sowie der nachfolgenden Beschreibung, wobei die unabhängigen Ansprüche einer Anspruchskategorie auch analog zu den abhängigen Ansprüchen und Ausführungsbeispielen einer anderen Anspruchskategorie weitergebildet sein können und insbesondere auch einzelne Merkmale verschiedener Ausführungsbeispiele bzw. Varianten zu neuen Ausführungsbeispielen bzw. Varianten kombiniert werden können. Wie oben erläutert, kann im Optimierungsverfahren (unter Berücksichtigung der Anforderungsdaten) als zumindest ein weiterer optimierter Prozessgrößenwert auch zumindest ein optimaler Parametersatz ermittelt werden. Ein solcher, optimaler Parametersatz kann bevorzugt aus einer Anzahl von „Kandidaten-Parametersätzen“ ausgewählt werden, wobei diese Auswahl vorzugsweise ebenfalls unter Nutzung einer KI- basierten Optimierungseinheit erfolgt. Dabei kann es sich um eine separate KI-basierte Optimierungseinheit handeln, welche nur dem Zweck dient, optimale Parametersätze zu finden (also zum Beispiel um ein neuronales Netzwerk, welches genau hierauf trainiert wurde). Es kann sich aber auch um eine KI-basierte Kombinations-Optimierungseinheit handeln, welche (zum Beispiel mit dem oben beschriebenen Verfahren) so aufgebaut wurde, dass sie gleichzeitig zum Auffinden mehrerer optimierte bzw. optimaler Prozess- größenwerte dienen kann, z. B. zum Auffinden eines optimierten Paares von Scanrichtungsverteilung und Parametersatz. Ein Parametersatz (der synonym auch als „Prozessparametersatz“ bezeichnet werden kann), und somit auch ein Kandidaten-Parametersatz, umfasst wie schon erwähnt jeweils ein definiertes Tupel von einzelnen Prozessparameterwerten, mit denen später die Maschine zum Aufbau zumindest einer Schicht des betreffenden Segments gesteuert wird bzw. optimal gesteuert werden soll. Bei den Prozessparameterwerten kann es sich insbesondere um vorab festgelegte, bevorzugt diskrete (d.h. nicht stetige) Optimierungsvariablen handeln. Vorzugsweise umfasst der Parametersatz dabei einen oder mehreren der folgenden Prozessparameter: - Leistung des Energiestrahls (z. b. die Laserleistung bei einem Laserschmelzverfahren) - Scangeschwindigkeit des Energiestrahls - Hatchabstand - Energiestrahldurchmesser (z. B. Fokusausdehnung und Form) - Intensitätsverteilung bzw. Intensitätsprofil des Energiestrahls - Bei Laser als Energiestrahl: Betriebsmodus kontinuierlich oder gepulst - Leistungskurven des Energiestrahls - Dicke der Schichten Für verschiedene Typen von Aufbaumaterial, beispielsweise verschiedene Pulverarten, vorzugsweise Metallpulverarten, können jeweils mehrere Kandidaten-Parametersätze zur Verfügung stehen. Verschiedene Pulverarten können sich dabei insbesondere unterscheiden nach a) Werkstoff, wobei auch ein Unterschied zwischen Reinmaterial oder Legierungen besteht, b) weiteren Pulverparametern, wie Partikelgrößenverteilung, Sphärizität der Partikel, chemische Eigenschaften u.s.w. Da verschiedene Pulver-Chargen desselben Werkstoffs schon unterschiedliche Kombinationen aus den vorgenannten Parametern aufweisen können, könnte auch jede Pulver-Charge für sich als eigene Pulverart gesehen werden, sofern dies gewünscht und zweckmäßig ist. Es kann aber jeweils ein Parametersatz bzw. ein Kandidaten-Parametersatz auch den Typ des zugehörigen Aufbaumaterials selber als einen weiteren „Prozessparameterwert“ umfassen, d. h. mit der Auswahl eines Kandidaten-Parametersatzes liegt dann durch diesen Prozessparameterwert die Materialart fest (diskreter Wert). Dies ist letztlich eine Frage des organisatorischen bzw. strukturellen Aufbaus einer Datenbank für die Kandidaten-Parametersätze. In der Praxis werden übrigens u. U. zunächst nur wenige Kandidaten-Parametersätze, z. B.4 bis 20 Kandidaten-Parametersätze, für ein bestimmtes Material zur Verfügung stehen. Grundsätzlich ist die Anzahl der Kandidaten-Parametersätze aber nur durch die technischen Möglichkeiten für die Größe der Datenbank beschränkt, d. h. wieviel Speicherplatz und wieviel Rechenzeit (vorab) zur Erstellung der Datenbank zur Verfügung steht. Bei der Festlegung der Anzahl der Kandidaten-Parametersätze können auch die erforderlichen Rechenzeiten berücksichtigt werden, da durch eine Begrenzung der Anzahl die Rechenzeit in einem Optimierungsverfahren reduziert werden kann. Die Nutzung von Kandidaten-Parametersätzen ist vor allem vorteilhaft, um Rechenleistung einzusparen. Wie schon erwähnt, wird bevorzugt (z. B. zum Start des Optimierungsverfahrens oder vorher) das Fertigungsprodukt unter Nutzung von Anforderungsdaten, insbesondere von geometrischen Daten, virtuell in mehrere Segmente aufgeteilt und das Optimierungsverfahren wird dann so durchgeführt, dass jeweils für die einzelnen Segmente optimierte Prozessgrößenwerte, vorzugsweise jeweils eine optimierte Segmentscanrichtungsverteilung und ein optimaler Parametersatz pro Segment, ermittelt werden. Die ermittelten optimalen Segmentscanrichtungsverteilungen können dann zusammen eine optimale Scanrichtungsverteilung im gesamten Bauteil ergeben. Bevorzugt erfolgt hierzu zunächst eine Definition eines sogenannten „Gebiets“ (welches auch als „Rechengebiet“ bzw. „Design-Space“ bezeichnet werden könnte), umfassend das Fertigungsprodukt, d. h. das Fertigungsprodukt ist komplett im Gebiet erfasst. Dann wird dieses gesamte Gebiet (virtuell) in sogenannte „Segmente“ unterteilt, wobei das Fertigungsprodukt zumindest ein solches „Segment“ umfasst. Allgemein gesagt handelt es sich bei einem Segment dann um einen Bereich im Gebiet, meist im Bauteil. Das Gebiet kann aber auch sogenannte „Pulversegmente“ umfassen, d. h. nicht verfestigte bzw. zu verfestigenden Segmente. Hierbei kann es sich zum einen um Bereiche im „Gebiet“, jedoch außerhalb der Konturen des Bauteils (aber innerhalb des Bauraums bzw. im Fertigungsvolumen der AM-Maschine, bzw. im Designraum) handeln, zum anderen aber um Kavitäten bzw. Höhlen im Fertigungsprodukt. Wie später noch erläutert wird, kann durch die Grenzen zwischen den zu verfestigenden Segmente und den Pulversegmenten erst die endgültige Kontur des Bauteils definiert werden. Wäre beispielsweise das Gebiet ein das Fertigungsprodukt einschließender Quader mit einem Abstand des Fertigungsprodukts von allen Quaderseitenflächen, wären im einfachsten Fall zwei Segmente im Gebiet ausreichend, nämlich ein verfestigtes bzw. zu verfestigendes Segment (welches das komplette Fertigungsprodukt umfasst) und ein Pulversegment (welches den gesamten Bereich außerhalb des Fertigungsprodukts umfasst). Grundsätzlich könnten aber die Gebietsgrenzen auch mit den Grenzen bzw. Konturen des Fertigungsprodukts völlig übereinstimmen, wobei es dann z. B. gar keine Pulversegmente geben muss, sofern es nicht innerhalb des Gebiets Aushöhlungen im Fertigungsprodukt gibt. Die Segmentierung des Bauteils bzw. des gesamten Gebiets kann automatisch erfolgen oder nach Vorgaben eines Benutzers mit Hilfe einer Benutzerschnittstelle, wobei auch halbautomatische Verfahren möglich sind, d.h. teilweise automatisch und teilweise nach Benutzervorgaben. Die Segmentierung erfolgt bevorzugt unter Nutzung der Anforderungs- daten, insbesondere der geometrischen Daten. Dabei kann beispielsweise auch eine Aufteilung des Bauteils nach bestimmten funktionswesentlichen Bauabschnitten erfolgen (also welche Funktion die Bauabschnitte vornehmlich haben), wie z. B. in Strebe, Andruckplatte, Flanschteil etc. In einer besonders bevorzugten Ausgestaltung des erfindungsgemäßen Verfahren wird eine definierte „Zielfunktion“ zur Durchführung eines Optimierungsverfahren genutzt, Geeignete und bevorzugte Zielfunktionen werden z. B. ebenfalls in der DE 102022117 935 detailliert beschrieben wird, weshalb noch einmal explizit hierzu auf diese Schrift verwiesen wird. Z. B. kann unter Nutzung der Zielfunktion und der Anforderungsdaten für zumindest ein Segment des Fertigungsprodukts im definierten Gebiet die Auswahl zumindest eines optimalen „Parametersatzes“ aus einer Anzahl von „Kandidaten- Parametersätzen“ und die Ermittlung einer (letztlich zum optimalen Parametersatzes passenden) optimierten bzw. optimalen Segmentscanrichtungsverteilung erfolgen. Dabei kann im Optimierungsverfahren jeweils eine dem betreffenden Segment zugeordnete Zielfunktion vorzugsweise so gewählt werden, dass – gegebenenfalls unter Einhaltung bestimmter Randbedingungen (z. B. maximale zulässige Mises-Vergleichsspannung bzw. minimaler Sicherheitsfaktor bei gegebener äußerer Last) – vorgegebene Ziel- Makroeigenschaften (beispielsweise Qualitätsanforderungsdaten, insbesondere Belas- tungsdaten über Belastungen, die das Bauteil aushalten muss, wie z. B. hohe Steifigkeit bei möglichst hoher Baurate unter Einhaltung eines bestimmten definierten Sicherheitsfaktors von z. B.1.65) im Segment möglichst gut erreicht werden, wenn die bei einer Minimierung der Zielfunktion (oder zumindest einer zu den Ziel-Makroeigenschaften passenden Teilfunktion) erhaltenen optimalen Prozessgrößenwerte später im additiven Aufbauprozess möglichst gut eingehalten bzw. möglichst gut approximiert werden. Die Qualitätsanforderungsdaten können, neben den geometrischen Daten, auch Teil der genannten Anforderungsdaten sein. Die Anforderungsdaten können im Übrigen zumindest zum Teil vorzugsweise auch in der definierten Zielfunktion (direkt oder indirekt) berücksichtigt sein. Ebenso können aber auch bereits in der Gebietsdefinition zum Teil Anforderungsdaten, insbesondere geometrische Daten, mitberücksichtigt werden. Z. B. können gewisse Bedingungen über die äußere Form des Gebiets festgelegt werden, z. B. indem das Fertigungsprodukt in das Gebiet passt und beispielsweise bis an bestimmte Außenflächen des Gebiets heranragt. Dann könnte eine Randbedingung in der Zielfunktion sein, dass in bestimmten Bereichen des Gebietes Material verfestigt sein muss. Besonders bevorzugt wird in dem Optimierungsverfahren für ein Segment, d. h. für alle Schichten im Segment, genau ein optimaler Parametersatz aus den Kandidaten- Parametersätzen ausgewählt, da dies erheblich weniger rechenaufwändig ist, als wenn mehrere optimale Parametersätze gesucht werden, die verschiedenen Schichten des Segments zugeordnet sind. Ebenso kann es bevorzugt pro Segment auch nur eine optimierte Segmentscanrichtungsverteilung geben. D. h., ganz besonders bevorzugt kann ein Segment gerade auch so definiert sein, dass innerhalb der Grenzen des Segments genau ein optimaler Parametersatz und eine optimierte Segmentscanrichtungsverteilung gilt. An den Grenzen des Segments zu einem anderen Segment ändert sich dann der optimale Parametersatz und/oder die optimierte Segmentscanrichtungsverteilung. Besonders bevorzugt können innerhalb des Optimierungsverfahrens auch optimierte Prozessgrößenwerte für mehrere Segmente des definierten Gebiets parallel (d. h. gekoppelt) unter Nutzung einer gemeinsamen Zielfunktion ermittelt werden. Ganz besonders bevorzugt erfolgt dabei eine Optimierung für alle Segmente des Bauteils oder sogar alle Segmente des Gebiets gekoppelt in einem Optimierungsverfahren. Die Lösung des Optimierungsverfahrens, d.h. die dabei erhaltenen optimalen Parametersätze mit den optimalen Segmentscanrichtungsverteilungen für die Segmente, kann dann auch ein Pareto-Optimum für das gesamte Fertigungsprodukt sein, wenn zwischen den Anforderungen für die jeweiligen Segmente oder für das gesamte Bauteil ein Zielkonflikt vorliegt. Insofern wird dann also auch übergeordnet für das gesamte Bauteil eine optimierte Scanrichtungsverteilung (bzw. Bauteil-Scanrichtungsverteilung) gesucht und gefunden. Dabei kann eine parallele, d. h. gleichzeitige, Ermittlung von optimierten Prozess- größenwerten für mehrere Segmente mittels einer „gemeinsamen Zielfunktion“ auch als Nutzung einer Anzahl untereinander mathematisch gekoppelter Segment-Zielfunktionen zu verstehen sein, wobei die einzelnen Segment-Zielfunktionen jeweils einem der Segmente zugeordnet sind. Über diese Kopplung kann man letztlich für das gesamte definierte Gebiet, d. h. alle darin definierten Segmente, jeweils einen optimalen Parametersatz und eine zugehörige optimierte Segmentscanrichtungsverteilung mit einer gemeinsamen Zielfunktion (welche durch die Segment-Zielfunktionen definiert ist) ermitteln. D. h., die gemeinsame Zielfunktion ist dann quasi die Summe der Segment-Zielfunktionen über alle in der gemeinsamen Optimierung beteiligten Segmente. Ganz besonders bevorzugt umfasst die Zielfunktion als weitere Anforderungsdaten eine Minimierung eines Parametersatz-Wechsels innerhalb des gesamten Fertigungsprodukts. Die Berücksichtigung dieses weiteren Ziels ist gleichbedeutend mit einer Reduzierung der Segmentgrenzen, soweit dies möglich ist, d.h. das Fertigungsprodukt wird in möglichst wenige (virtuelle) Segmente aufgeteilt. D.h. dies kann auch so realisiert sein, dass die Zielfunktion so formuliert ist, dass die Segmentgrenzflächen minimiert werden. Insbesondere hierzu können innerhalb des Optimierungsverfahrens vorzugsweise die Segmentgrenzen als eine weitere Optimierungsvariable berücksichtigt werden und können dann – am Ende des Optimierungsprozesses, d. h. nach erfolgter Optimierung – als weitere optimierte Prozessgrößenwerte bereitgestellt werden. Mit anderen Worten, die Grenzen der Segmente können im Rahmen der Optimierung auch verschoben werden. Eine Veränderung der Segmentgrenzen ist dabei im Extremfall bis hin zum vollständigen Verschwinden eines Segments möglich. Ebenso könnten durch die Verschiebung der Segmentgrenzen auch neue Segmente entstehen. Insofern ist also bei dieser bevorzugten Variante auch die Anzahl der Segmente im Gebiet nicht zwingend fix, sondern kann im Optimierungsverfahren mit optimiert werden. Insbesondere kann so die Anzahl der Gebiete auch minimiert werden, um das Ziel zu erreichen, in einem Bauteil den optimalen Parametersatz möglichst selten wechseln zu müssen. Die Verschiebung der Segmentgrenzen betrifft insbesondere auch die Außengrenzen des Fertigungsprodukts, soweit diese als Segmentgrenzen zwischen einem Bauteilsegment und einem Pulversegment im Gebiet definiert werden. Auf diese Weise kann im Optimierungsverfahren also auch die Topologie des Bauteils vorteilhaft verändert werden, d.h. das z. B. bestimmte Bereiche anders geformt werden, als dies einer Startvorgabe ursprünglich vorgegeben wurde, wenn beispielsweise mit der veränderten Topologie die Anforderungen an das Bauteil besser erreicht werden oder mit weniger Aufwand zumindest ausreichend gut erreicht werden. Insofern können also auch zunächst als Anforderungsdaten vorgegebene geometrische Daten des Fertigungsprodukts, insbesondere, wenn sie die Form des Fertigungsprodukts genauer definieren, geändert bzw. optimiert werden. Als ein Ergebnis dieser bevorzugten Weiterbildung des Optimierungsverfahrens erhält man dann also bevorzugt folgende optimierte Prozessgrößenwerte für ein Segment: 1. einen optimalen Parametersatz (als ersten optimierten Prozessgrößenwert), der wieder- um Tupel von einzelnen Prozessparameterwerten umfasst, 2. eine optimierte Segmentscanrichtungsverteilung (als zweiten optimierten Prozess- größenwert), 3. optimierte Segmentgrenzen (als dritten optimierten Prozessgrößenwert). Um eine Verschiebung der Segmentgrenzen im Optimierungsverfahren zu realisieren, kann vorzugsweise eine Phasenfeldmethode, insbesondere Multi-Phasenfeld-Methode, genutzt werden, wie sie in der DE 102022117935 und der DE 102022117936 beschrieben wird. Es wird daher insbesondere auch bezüglich der Phasenfeldmethode auf diese Schriften verwiesen. Eine Multi-Phasenfeld-Methode ist besonders gut geeignet, um mit variablen Segmentgrenzen umzugehen. Besonders bevorzugt können dabei zumindest an den Orten, die in einem „Grenzflächenbereich“ zwischen einer Anzahl von zueinander benachbarten Segmenten (mindestens zwei verschiedenen, gegebenenfalls aber auch mehr als zwei, benachbarten Segmenten) liegen, die den Segmenten jeweils zugeordnete Parametersätze anteilsmäßig zugeordnet werden. Vorzugsweise können hierzu auch allgemein im Optimierungsverfahren die an einem Ort vorliegenden Parametersätze jeweils durch ihre „Anteile“ repräsentiert werden. Der Wert des Anteils kann dabei jeweils bevorzugt zwischen 0 und 1 liegen, wobei bei einem Wert 1 eines Parametersatzes dieser Parametersatz an dem Ort vorliegt und bei einem Wert 0 eben nicht vorliegt. Orte in einem Grenzflächenbereich zwischen zwei Segmenten können in der Optimierung so einfach durch einen Anteil eines in einem ersten Segment geltenden ersten Parametersatz und einen Anteil eines in einem zweiten Segment geltenden zweiten Parametersatz charakterisiert sein. In einem Grenzflächenbereich, in dem mehr als zwei Segmente aufeinandertreffen, können an einem Ort auch Anteile von mehr als zwei Parametersätzen vorliegen. Vorzugsweise ist an jedem Ort die Summe der Anteile aller dort vorliegenden Parametersätze gleich 1. Bevorzugt ist im Optimierungsverfahren die Breite des „Grenzflächenbereichs“ (welche dann generell im Verfahren angenommen wird) von einem Anwender definierbar bzw. vorgebbar. Im Optimierungsverfahren umfasst einer der Prozessparameterwerte des (optimalen) Parametersatzes für eine einzelne Schicht des Segments zumindest eine Schichtscanrichtungsanordnung, d.h. die Scanrichtungen, die jeweils innerhalb der betreffenden Schicht im Aufbauprozess vorgegeben werden oder wurden. Insbesondere kann diese Schichtscanrichtungsanordnung die Hatchrichtungsanordnung (Hatchstrategie) in der Schicht umfassen. In jeder Schicht gibt es also wie erwähnt eine „Intraschichtscanrichtungsverteilung“, die durch die Schichtscanrichtungsanordnung bestimmt wird. Besonders bevorzugt wird im Optimierungsverfahren eine Schichtscanrichtungsanordnung gewählt, die für alle Schichten des Segments gelten kann, abgesehen von einer möglichen Verdrehung der gesamten Orientierung der Schichtscanrichtungsanordnung zwischen verschiedenen Schichten. Die Segmentscanrichtungsverteilung ergibt sich dann als Kombination aus den Verdrehungen der Schichtscanrichtungsanordnung zwischen den Schichten im Segment. Zur Optimierung der Segmentscanrichtungsverteilung können dann also vorzugsweise einfach die relativen Orientierungen der Schichtscanrichtungs- anordnungen verschiedener Schichten des Segments zueinander optimiert werden, wobei die Verdrehungen der Schichtscanrichtungsanordnung zwischen den Schichten im Segment durch geeignete Steuerbefehle definiert werden können, mit denen die Produktionsvorrichtung beim Aufbau des Bauteils gesteuert werden kann. Insbesondere für dieses Optimierungs(teil)problem bietet es sich an, eine KI-basierte Optimierungseinheit zu nutzen. Vorzugsweise umfasst zumindest ein Prozessparameterwert des Parametersatzes auch eine Spurbreite zwischen zwei Verfestigungsbahnen, d.h. beispielsweise welcher Hatchabstand gewählt wird. Diese Spurbreite kann unabhängig von der Schichtscan- richtungsanordnung im Parametersatz festgelegt sein. Vorzugsweise wird innerhalb des Optimierungsverfahrens, z. B. in der Zielfunktion, eine Ausrichtung des Fertigungsprodukts bezogen auf eine Hauptaufbaurichtung (d. h. eine relative Orientierung im Bauraum) als eine weitere Optimierungsvariable berücksichtigt. Als Hauptaufbaurichtung wird bei einem schichtweisen Aufbau in der Regel die Richtung senkrecht zu den Schichten angesehen, in die die Schichten nach und nach übereinander aufgebaut werden. Bei einem Strahlschmelzverfahren, insbesondere Laserschmelz- verfahren, wird in der Regel ein kartesisches Koordinatensystem x,y,z als Referenzsystem definiert, wobei die x-Richtung und die y-Richtung parallel zu den Schichtebenen verlaufen bzw. die Ebene des Baufelds aufspannen und die z-Richtung senkrecht vom Baufeld nach oben weist, also der Hauptaufbaurichtung entspricht. Am Ende des Optimierungsprozesses, d. h. nach erfolgter Optimierung, kann die dabei gefundene optimierte Orientierung als weiterer optimierter Prozessgrößenwert bereit- gestellt werden. Dies kann insoweit von Vorteil sein, da ja die Orientierung im Bauraum die Lage der Segmentgrenzen im Raum beeinflusst. Durch die Berücksichtigung der Orientierung ist es möglich, dass bei der Optimierung z. B. auch auf eine Reduzierung oder sogar Minimierung von Überhängen und/oder Supportstrukturen (Stützstrukturen) abgezielt wird. Im Optimierungsverfahren können, z. B. in der Zielfunktion oder auch auf andere Weise, verschiedene Anforderungsdaten berücksichtigt werden. Die Anforderungsdaten können vorzugsweise eine oder mehrere „Ziel-Produktionsdaten“ und/oder „Ziel- Eigenschaftsdaten“ und/oder „Nebenbedingungen“ umfassen. Besonders bevorzugt können hierbei eine oder mehrere der folgenden Ziel- Produktionsdaten berücksichtigt werden: - Baurate im additiven Aufbauprozess, - Materialart des Aufbaumaterials (Dadurch kann nicht nur das Material festgelegt sein, sondern auch die Konsistenz, z. B. ob es sich um ein Pulver handelt und wenn ja, mit welchen Parametern.), - Aufbautechnologie (d. h. die Art des Aufbauverfahrens wie Laserschmelzen, Elektronenstrahlschmelzen etc.), - Maschinentyp (d. h. der Typ der genutzten Produktionsvorrichtung.). Ebenso bevorzugt können hierbei eine oder mehrere der folgenden Ziel-Eigenschaftsdaten berücksichtigt werden: - Ziel-Belastungsdaten (Diese können z. B. Informationen über äußere Belastungen umfassen, die das Bauteil aushalten muss. Sie können aber auch bereits die sich aus diesen äußeren Lasten, zum Beispiel im Rahmen einer Simulation, ermittelten Spannungszustände, also die „innere Last“, im jeweiligen Bereich des Bauteils und/oder im Bauteil insgesamt umfassen.) - Steifigkeit (d. h. ein Widerstand gegen elastische Verformung des Fertigungsprodukts im Bereich des jeweiligen Segments.) - Festigkeit (d. h. ein Widerstand gegen plastische Verformung des Fertigungsprodukts im Bereich des jeweiligen Segments.). - Masse und/oder Massenverteilung des Fertigungsprodukts (In vielen Fällen wird hierbei darauf abgezielt, eine möglichst geringe Masse, d. h. eine Massenreduktion zu erreichen, damit das Fertigungsprodukt möglichst leicht wird und/oder zur Einsparung des Materialaufwands. Ebenso könnte aber, je nach Bauteil, auch bewusst, zumindest lokal eine möglichst große Masse verlangt werden, z. B. bei Schwungmassen oder dergleichen.) - Oberflächenzugänglichkeit (Beispielsweise kann durch bestimmte Anforderungsdaten betreffend die Oberflächenzugänglichkeit dafür gesorgt werden, dass eine Nachbearbeitung des Bauteils sichergestellt oder erleichtert wird. So erfordert z. B. eine gute Entfernbarkeit von Supportstrukturen meist eine gute Zugänglichkeit. Die Zugänglichkeit lässt sich im Optimierungsverfahren auch vorzugsweise mit einem geeigneten Verfahren, bspw. einem Raytracing-Verfahren oder wie in M. Inui, S. Nagano and N. Umezu, Fast computation of accessibility cones for assisting 3 + 2 axis milling; COMPUTER-AIDED DESIGN & APPLICATIONS, 2018, VOL. 15, NO. 5, 667–676 beschrieben, in einem separaten Verfahrensschritt bzw. Prozessschritt prüfen.) - Supporteigenschaften (Hierbei kann berücksichtigt werden, welche Eigenschaften eventuelle Supportstrukturen aufweisen sollten, z. B ob sie zur Unterstützung und/oder zur Wärmeableitung dienen sollen. Hierbei ist zu beachten, dass eine Supportstruktur für eine Wärmeableitung nicht zwingend an das Bauteil massiv angebunden sein muss, es könnte sich dann auch zwischen Supportstruktur und Bauteil eine Pulverschicht befinden, welche mindestens einer (realen) Schichtstärke entspricht. (Zudem können Überhänge eines Bauteils so gestaltet werden, dass man ohne „stützende Supports“ auskommt.) Auch bevorzugt können hierbei eine oder mehrere der folgenden Nebenbedingungen berücksichtigt werden: - chemische Eigenschaften (z. B. dass das Material für das Bauteil nicht rostend sein soll), - geometrische Daten (z. B. bestimmte exakt einzuhaltende Maße oder Maximal- maße/Mindestmaße des Bauteils, wie eingangs schon erläutert). Darüber hinaus können eine Vielzahl weiterer Anforderungsdaten berücksichtigt werden, je nach Art des Fertigungsprodukts (Bauteils). Einige Anforderungsdaten können im Übrigen auch sowohl als „Ziel-Produktionsdaten“ als auch als „Ziel-Eigenschaftsdaten“ oder als „Nebenbedingungen“ gesehen bzw. deklariert werden. Ebenso können einige der Daten, insbesondere die Ziel-Eigenschaftsdaten, die die Belastbarkeit des Bauteils betreffen, oder die chemischen Eigenschaften bzw. chemische Beständigkeit auch als Qualitätsanforderungsdaten angesehen werden, wie sie bereits oben genannt wurden. Besonders bevorzugt können die Anforderungsdaten im Optimierungsverfahren mit einer vordefinierbaren Gewichtung berücksichtigt werden, d.h. es kann eingestellt werden, welche Anforderungsdaten z. B. wichtiger sind und welche relativ dazu weniger wichtig. Vorzugsweise kann, wie in der DE 102022117935, die Zielfunktion eine Mehrzahl von Teilfunktionen umfassen, denen jeweils bestimmte Anforderungsdaten zugeordnet sind, d.h. jede der Teilfunktionen steht dann für eine bestimmte Anforderung. Eine Berücksichtigung der Anforderungsdaten im Optimierungsverfahren mit einer vordefinierbaren Gewichtung kann dann auch hier besonders bevorzugt einfach dadurch realisiert werden, indem die Zielfunktion eine Summe von gewichteten Teilfunktionen umfassen, wobei die Teilfunktionen ja spezifischen Anforderungsdaten zugeordnet sind. Vorzugsweise wird im Rahmen der Erfindung ein Optimierungsverfahren genutzt, welches mehrere Iterationsschritte umfasst. In einem iterativen Optimierungsverfahren können insbesondere einzelne Teilfunktionen in separaten Iterationsschleifen getrennt von anderen Teilfunktionen bzw. Optimierungsparametern optimiert werden. Je nach konkreter Ausgestaltung kann so der Rechenaufwand reduziert werden. Besonders bevorzugt wird in zumindest einem Iterationsschritt des iterativen Optimierungsverfahrens zumindest eine KI-basierte Optimierungseinheit genutzt. Das gesamte Optimierungsverfahren kann also bevorzugt auch als eine Art „Hybrid- Verfahren“ KI-basierte und „klassische“ (nicht KI-basierte) Optimierungsweisen mischen, wobei einzelne klassische Optimierungsschritte, die auch wiederum Iterationsschleifen enthalten können, durch eine KI-basierte Optimierungseinheit ersetzt werden können. Bevorzugt wird im Optimierungsverfahren zunächst zumindest ein Start- Prozessgrößenwert (z. B. ein Start-Parametersatz und/oder eine Start-Scanrichtungs- verteilung, insbesondere eine Start-Segmentscanrichtungsverteilung) festgelegt. Vorzugs- weise wird eine „Start-Konfiguration“ bestimmt, welche eine Kombination von mehreren Start-Prozessgrößenwerten umfasst. Beispielsweise können zur Bestimmung einer Start- Konfiguration zumindest Start-Segmente definiert bzw. festgelegt werden und für jedes Start-Segment kann ein Start-Parametersatz aus der Anzahl von Kandidaten-Parameter- sätzen ausgewählt und eine Start-Segmentscanrichtungsverteilung bestimmt werden. Die Start-Konfiguration kann z. B. in einem ersten Schritt des Optimierungsverfahrens gleich nach der Definition des Gebiets gewählt werden. Als Start-Parametersatz kann bei einer bevorzugten Variante für ein Segment jeweils derjenige Kandidaten-Parametersatz ausgewählt werden, der zu der höchsten Baurate in dem Segment führt. Ebenso können die Start-Parametersätze aber auch anders gewählt werden, z. B. einfach stochastisch. Besonders bevorzugt kann im Optimierungsverfahren zunächst zumindest ein Start- Prozessgrößenwert unter Nutzung einer KI-basierten Optimierungseinheit bestimmt werden. D.h. die KI-basierte Optimierungseinheit(en) wählt/wählen z. B. geeignete Startwerte oder „voroptimierte Werte“ aus, damit das nachfolgende weitere, z. B. überwiegend klassische, Optimierungsverfahren schneller „konvergiert“, d. h. schneller zum Ziel findet. Insbesondere kann zumindest eine KI-basierte Optimierungseinheit zur Bestimmung einer Start-Konfiguration eingesetzt werden (wobei wie erwähnt zumindest Start-Segmente definiert werden und für jedes Start-Segment ein Start-Parametersatz aus der Anzahl von Kandidaten-Parametersätzen ausgewählt und eine Start-Segmentscan- richtungsverteilung bestimmt wird). Es wird an dieser Stelle darauf hingewiesen, dass für die oben schon erwähnten „Pulversegmente“ (also nicht zu verfestigte Segmente im Gebiet) z. B. die Energiestrahl- bzw. Laserleistung im Start-Parametersatz einfach als 0 gesetzt werden kann, d. h. in diesen Segmenten wird entsprechend keine Energie eingebracht. Dieser Wert wird dann für dieses Pulversegment permanent beibehalten, d. h. er wird während des Optimierungsverfahrens bzw. der Iteration nicht verändert. Dagegen können sich aber durchaus die Grenzen des Pulversegments zu benachbarten Segmenten verschieben, wenn im Optimierungsverfahren auch die Bauteiltopologie optimiert werden soll. Für die Ermittlung einer optimierten Scanrichtungsverteilung und/oder Auswahl eines optimierten bzw. optimalen Parametersatzes aus den zur Verfügung stehenden Kandidaten-Parametersätzen kommen im Prinzip verschiedenen Kriterien und/oder Verfahren in Frage. Bei einer bevorzugten Vorgehensweise wird für zumindest einen Bereich des Fertigungsprodukts (z.B. für ein Segment; also segmentweise) für zumindest eine Anzahl von möglichen (Kandidaten-)Scanrichtungsverteilungen (bzw. Kandidaten-Segment- scanrichtungsverteilungen) und/oder zumindest einen Teil der Kandidaten-Parametersätze jeweils zumindest ein Parametersatz-Eignungswert ermittelt. Ein Parametersatz-Eignungswert kann ein skalarer Wert sein, vorzugsweise zwischen 0 und 1, der ein Maß für die Eignung angibt, dass der betreffenden Kandidaten- Parametersatz bestimmte Anforderungsdaten erfüllt. Er wird im Folgenden auch als „Parameter Set Score“ (oder kürzer auch als „PS-Score“) bezeichnet. Auch hierzu wird ganz besonders auf die DE 102022117935 verwiesen. An dem Wert des PS-Score eines Kandidaten-Parametersatzes im Vergleich zu den PS- Scores der anderen möglichen Kandidaten-Parametersätze kann dann zum Beispiel festgestellt werden, ob gerade dieser Kandidaten-Parametersatz (bei einer bestimmten Scanrichtungsverteilung) der geeignetste Kandidaten-Parametersatz ist, um bestimmte, definierte Anforderungsdaten zu erfüllen, bzw. der PS-Score kann als Maß angesehen werden, mit welcher Wahrscheinlichkeit der Kandidaten-Parametersatz (bei einer bestimmten Scanrichtungsverteilung) der Beste ist. So könnte beispielsweise ein Kandidaten-Parametersatz mit einem PS-Score von nahe 1 auch nahezu hundertprozentig geeignet sein, um die Anforderung zu erfüllen. Eine Ermittlung einer optimierten Scanrichtungsverteilung (bzw. Segment- scanrichtungsverteilung für ein Segment) und/oder eine Auswahl eines optimalen Parametersatzes aus den Kandidaten-Parametersätzen erfolgt dann unter Nutzung der Parametersatz-Eignungswerte. Dabei werden besonders bevorzugt jeweils Parametersatz-Eignungswerte für verschie- dene Paare von Segmentscanrichtungsverteilungen und Kandidaten-Parametersätzen ermittelt. D. h. für jedes Segment, für welches ein optimaler Parametersatz und eine optimierte Segmentscanrichtungsverteilung gesucht werden, werden Parametersatz- Eignungswerte berechnet, hinsichtlich derer die Optimierung erfolgt. Dabei kann z. B. letztlich für ein Segment das Paar von Parametersatz und Segmentscanrichtungsverteilung gewählt werden, für das der beste Parametersatz-Eignungswert ermittelt werden kann. Vorzugsweise werden für zumindest einen Teil der (Segment-)Scanrichtungsverteilungen und/oder Kandidaten-Parametersätze (insbesondere jedes Paar von Parametersatz und Segmentscanrichtungsverteilung) jeweils mehrere anforderungsspezifische Parametersatz-Eignungswerte (also anforderungsspezifische PS-Scores) für unterschiedliche Anforderungsdaten ermittelt. D. h. der anforderungsspezifische PS-Score kann als Vergleichsmaß herangezogen werden, um zu klären, welcher der zur Verfügung stehenden Kandidaten-Parametersätze (ggf. in Kombination mit einer bestimmten Scanrichtungsverteilung bzw. Segment- scanrichtungsverteilung) der Beste ist, um das jeweils genau definierte spezifische Anforderungsdatum, z. B. die geforderte Baurate und/oder Festigkeit, zu erfüllen. Beispiele zur Ermittlung von möglichen (anforderungsspezifischen) PS-Scores werden später noch gegeben. Besonders bevorzugt können die anforderungsspezifischen Parametersatz-Eignungswerte für eine Scanrichtungsverteilung und/oder einen Kandidaten-Parametersatz (insbesondere jedes Paar) jeweils zu einem Gesamt-Parametersatz-Eignungswert (für das jeweilige Segment) kombiniert werden. Da es nämlich im Optimierungsverfahren in der Regel erforderlich ist, auch bei mehreren unterschiedlichen, zum Teil sogar widerstreitenden, Anforderungen eine Auswahl eines optimalen Parametersatzes und/oder einer (Segment-)Scanrichtungsverteilung zu treffen, ist es sinnvoll, mit solchen Gesamt-Parametersatz-Eignungswerten zu arbeiten. Die Auswahl eines optimalen Parametersatzes aus den Kandidaten-Parametersätzen kann dann unter Nutzung der Gesamt-Parametersatz-Eignungswerte der Kandidaten- Parametersätze erfolgen. Beispiele zur geeigneten Kombination von möglichen (anforderungsspezifischen) PS- Scores werden ebenfalls später noch gegeben und auch in der DE 10 2022 117 935 beschrieben. Die Art der Kombination kann im Übrigen auch wiederum von den Anforderungen abhängen. Bevorzugt kann das Kombinationsverfahren eine Multiplikation der anforderungs- spezifischen Parametersatz-Eignungswerte umfassen. Insbesondere kann ein Gesamt- Parametersatz-Eignungswert durch einfache Multiplikation aller anforderungsspezifischen Parametersatz-Eignungswerte des betreffenden Kandidaten-Parametersatzes gewonnen werden. Ganz besonders bevorzugt können innerhalb des Optimierungsverfahrens optimierte Prozessgrößenwerte für das Fertigungsprodukt so ermittelt werden, dass jeweils für die einzelnen Segmente optimierte Prozessgrößenwerte (vorzugsweise jeweils ein optimaler Parametersatz und eine optimierte Segmentscanrichtungsverteilung) ermittelt werden, die zum einen hinsichtlich eines Gesamt-Parametersatz-Eignungswerts im jeweiligen Segment und zum anderen aber auch insgesamt hinsichtlich eines „Summen-Parametersatz- Eignungswerts“ im Fertigungsprodukt optimiert sind. Ein solcher Summen-Parametersatz- Eignungswert kann z. B. gebildet werden, indem die Gesamt-Parametersatz- Eignungswerte der einzelnen Segmente über alle Segmente des Fertigungsprodukts aufsummiert werden. Die Optimierung erfolgt also auch bei dieser bevorzugten Vorgehensweise für alle Segmente parallel unter Nutzung einer gemeinsamen Zielfunktion, wobei hier als zumindest ein wesentlicher Teil der Zielfunktion bevorzugt der Summen-Parametersatz-Eignungswert dient, der z. B. maximiert werden soll. Die Ermittlung der Segmentscanrichtungsverteilungen und/oder die Auswahl eines optimalen Parametersatzes aus den Kandidaten-Parametersätzen für ein Segment (insbesondere die Auswahl der Paare von Scanrichtungsverteilung und Kandidaten- Parametersatz) kann dabei im Rahmen der Erfindung bevorzugt unter Nutzung einer KI- basierten Optimierungseinheit erfolgen. Vorzugsweise wird dabei zumindest eine KI-basierte Optimierungseinheit genutzt, bei deren Generierung ein Training der KI-basierte Optimierungseinheit (insbesondere der neuronalen Netzwerke) unter Nutzung von Parametersatz-Eignungswerten, insbesondere unter Nutzung von Gesamt-Parametersatz-Eignungswerten, durchgeführt wurde. Wenn auf Segmentebene KI-basierte Optimierungseinheiten (z. B. neuronalen Netze) genutzt werden, die auf optimale Gesamt-Parametersatz-Eignungswerte trainiert sind, kann insbesondere die Auswahl der Paare von Scanrichtungsverteilung und Kandidaten- Parametersatz mit dem „besten“ (z. B. größten) Gesamt-Parametersatz-Eignungswert erheblich beschleunigt werden. D. h. durch das Training von KI-basierten Optimierungseinheiten mit Hilfe von Parameter- satz-Eignungswerten (insbesondere anforderungsspezifischen Parametersatz-Eignungs- werte) und/oder Gesamt-Parametersatz-Eignungswerten und/oder Summen-Parameter- satz-Eignungswerten sowie die spätere Nutzung mindestens einer so trainierten KI- basierten Optimierungseinheit erfolgt letztlich die Optimierung selbst (wenn auch quasi „indirekt“) ebenfalls unter Nutzung der betreffenden Eignungswerte, nur in der Regel dann schneller. Eine Ermittlung der hinsichtlich eines Summen-Parametersatz-Eignungswerts im Fertigungsprodukt insgesamt optimierten Prozessgrößenwerte erfolgt dabei bevorzugt unter Nutzung eines (iterativen) kombinatorischen Optimierungsverfahrens, besonders bevorzugt eines heuristischen Approximationsverfahren, weiter besonders bevorzugt eines Simulated-Annealing-Verfahrens und/oder eines Quantum-Annealing-Verfahrens. Simulated-Annealing-Verfahren bzw. Quantum-Annealing-Verfahren können insbesondere zum Auffinden einer Näherungslösung von Optimierungsproblemen eingesetzt werden, die durch ihre hohe Komplexität das vollständige Ausprobieren aller Möglichkeiten und mathematische Optimierungsverfahren ausschließen. Derartige Verfahren lassen sich deswegen im Rahmen vorliegenden Erfindung besonders gut anwenden, auch wenn sehr viele Möglichkeiten durchprobiert werden müssen, da die verschiedenen Varianten mittels der KI-basierten Optimierungseinheiten, wie neuronalen Netzen, relativ schnell und „rechnerisch günstig“ ermittelt werden können. Das Simulated- Annealing-Verfahren kann also in Kombination mit dem KI-basierten Optimierungs- verfahren z. B. hier besonders gut dazu beitragen, das kombinatorische Problem des Durchtauschens der Parameter zu lösen. Das Optimierungsverfahren kann, wie schon erwähnt, bevorzugt mehrere Iterationsschritte umfassen, also zumindest einen Verfahrensteil, der iterativ mehrfach durchlaufen werden kann. Dabei kann zum Beispiel in einem oder mehreren Schritten eine (Vor-) Ermittlung von (ggf. Start-)Scanrichtungsverteilungen und die Auswahl von optimalen (ggf. Start-) Parametersätzen, z. B. mithilfe der (Gesamt-)PS-Scores, erfolgen und in einem oder mehreren anderen Schritten können, z. B. unter Nutzung der Zielfunktion oder von Teilfunktionen, die optimierte Segmentscanrichtungsverteilung und die optimierten Segmentgrenzen und gegebenenfalls in wieder anderen Schritten noch weitere optimierte Prozessgrößenwerte (mithilfe oder ohne die Zielfunktion) ermittelt werden, wobei auch Änderungen der Scanrichtungsverteilungen und Parametersätzen möglich sind, wie später noch anhand von Beispielen erläutert wird. In all diesen Schritten können wie erwähnt auch KI-basierte Optimierungseinheiten nützlich sein, z. B. um gegebenenfalls Teilschritte innerhalb von „klassischen“ Optimierungsschritten zu erledigen oder es werden KI-basierte Optimierungseinheiten unter Nutzung der „klassischen“ Optimierungsschritte (bzw. durch Nutzung der Ergebnisse dieser Optimierungsschritte als Trainingsdaten) so trainiert, dass sie später diese Optimierungsschritte ersetzen können. Eine so aus mehreren Schritten aufgebaute Iterationsschleife kann dann mehrfach durchlaufen werden, bis ein vorbestimmtes Abbruchkriterium erfüllt ist. Dieses Abbruchkriterium kann vorzugsweise erfüllt sein, wenn die in der aktuellen Iterationsschleife gefundenen Prozessgrößenwerte optimal sind, also bei einem erneuten Durchlauf nicht wesentlich bessere Werte gefunden werden, und/oder wenn alle Anforderungen nach vordefinierten Bewertungskriterien ausreichend erfüllt sind und/oder wenn z. B. eine bestimmte Anzahl von Durchläufen erreicht ist. Andere Abbruchkriterien sind ebenfalls denkbar. Das Optimierungsverfahren umfasst vorzugsweise zumindest einen Zustandsermittlungs- schritt, in welchem für ein Fertigungsprodukt, welches mit den aktuellen Prozess- größenwerten aus dem gewünschten Aufbaumaterial gebaut würde, eine „Zustands- beschreibung“ ermittelt wird. Die „aktuellen Prozessgrößenwerte“ sind dabei in einem iterativen Verfahren die Prozessgrößenwerte, die im aktuellen Durchlauf der Iterations- schleife gelten. Im ersten Durchlauf sind die aktuellen Prozessgrößenwerte die Prozessgrößenwerte der o. g. Start-Konfiguration. Zur Ermittlung der Zustandsbeschreibung im Zustandsermittlungsschritt kann der Zustand des aktuellen Systems, d.h. des Bauteils mit den aktuellen Segmenten und den aktuell den Segmenten jeweils zugeordneten Parametersätzen, vorzugsweise simuliert werden (also wie sich das betreffende Segment des – noch virtuellen – Fertigungsprodukts, für das gerade die optimalen Prozessgrößenwerte gesucht werden, z. B. unter einer bestimmten Belastung verhalten würde, wenn es mit den aktuellen Prozessgrößenwerten produziert werden würde). Daher könnte der Zustandsermittlungsschritt auch als „Zustandssimulationsschritt“ bezeichnet werden. Besonders bevorzugte Simulationsverfahren umfassen z. B. eine Finite Elemente Methode oder Finite Volumen Simulation. Beispielsweise kann eine Lastsimulation oder eine Schwingungssimulation mit dem (virtuellen) Bauteil durchgeführt werden und das Ergebnis ist dann die mögliche Belastung oder die Eigenfrequenz des Systems bzw. Bauteils unter Voraussetzung der aktuellen Konfiguration der Prozessgrößenwerte. Insbesondere können hierbei die o.g. zu erwartenden Spannungszustände im Bauteil ermittelt werden, die z. B. in der KI-basierten Optimierungseinheit (insbesondere einem neuronalen Netzwerk) als Eingangsdaten genutzt werden können, um entsprechend für diese Belastungsanforderungen optimierte Scanrichtungsverteilungen bzw. optimale Parametersätze zu gewinnen. Bevorzugt wird die Zustandsbeschreibung mit vordefinierten Qualitätsanforderungen an das Fertigungsprodukt verglichen. Dabei kann überprüft werden, ob das Fertigungsprodukt die vordefinierten Qualitätsanforderungen erfüllt. Der Zustandssimulationsschritt kann hierzu als (Qualitäts-)Anforderungssimulation erfolgen, also unter Nutzung von Qualitätsanforderungsdaten, die vorgeben, wie sich das Bauteil unter bestimmten Belastungen bzw. Einwirkungen von bestimmten Kräften verhalten darf bzw. soll. Der Zustandssimulationsschritt kann insbesondere unter Nutzung zumindest eines Teils der Anforderungsdaten erfolgen, welche auch geeignete Qualitätsanforderungsdaten umfassen können. Die Anforderungsdaten können also bei der Auswahl des optimalen Parametersatzes und in der Zielfunktion genutzt werden. Sofern die Zustandsbeschreibung die vordefinierten Qualitätsanforderungen nicht erfüllt, kann bevorzugt eine (weitere) Veränderung der aktuellen Prozessgrößenwerte erfolgen. Eine solche weitere Veränderung kann sowohl in weiteren separaten Optimierungsprozess- schritten bzw. Verfahrensschritten erfolgen, wie sie später noch beschrieben werden, als auch in verschiedene Schritte im weiteren Verfahren integriert sein. Optional kann nach einer weiteren Veränderung der Prozessgrößenwerte erneut ein Zustandsermittlungsschritt sowie ein Vergleich der Zustandsbeschreibung mit den vordefinierten Anforderungen erfolgen. D. h. auch diese Kontrolle kann in einer Iterationsschleife erfolgen. Ein Abbruchkriterium dieser Iterationsschleife kann z. B. ein Erfolg sein (die Zustandsbeschreibung erfüllt die vordefinierten Anforderungen), aber auch das Erreichen einer Anzahl von maximalen Iterationen. Dann kann – sofern erforderlich – notfalls auch noch einmal ganz von neuem mit einer geänderten Start-Konfiguration begonnen werden (z. B. auch mit einem anderen Material). Das Optimierungsverfahren kann dann verschiedene weitere Optimierungsprozessschritte – z. B. auch in einzelnen iterativen Schleifen – umfassen, wie sie z. B. auch in der DE 10 2022117935 beschrieben werden. Alle dort genannten Schritte können grundsätzlich auch hier vorteilhaft genutzt werden (wobei sie gegebenenfalls durch die Nutzung von KI- basierten Optimierungseinheiten unterstützt oder ersetzt werden können, sofern dies vorteilhaft ist). Am Ende der Abfolge von Schritten des iterativen Verfahrens liegen dann vorzugsweise verbesserte Segmente mit verbesserten aktuellen Parametersätzen und verbesserten Segmentscanrichtungsverteilungen vor, d.h. es liegen dann eine verbesserte Konfiguration bzw. verbesserte aktuelle Prozessgrößenwerte vor. Bei einer besonders bevorzugten Weiterbildung des erfindungsgemäßen Verfahrens wird im Rahmen des Optimierungsverfahrens (z. B. in einem der zuvor genannten Schritte) zur Ermittlung bzw. zur Auswahl einer geänderten (aktualisierten) Segmentscanrichtungs- verteilung für ein Segment eine Eigenschaftsdatenbank eines Eigenschaftsdaten- banksystems genutzt. In einem solchen Eigenschaftsdatenbanksystem können Eigenschaften des zu bauenden Fertigungsprodukts bzw. genauer von einzelnen Schichten und/oder von daraus gebildeten Segmenten des Fertigungsprodukts in Abhängigkeit von dem jeweiligen Prozessparametersatz der betreffenden Schicht bzw. des betreffenden Segments und gegebenenfalls in Abhängigkeit von der Segmentscanrichtungsverteilung hinterlegt sein. Zur Realisierung eines solchen Eigenschaftsdatenbanksystems gibt es verschiedene Möglichkeiten. Insbesondere kann das Eigenschaftsdatenbanksystem auch mehrere Eigenschaftsdatenbanken umfassen, z. B. mit unterschiedlichen Eigenschaften und/oder Parameterzuordnungen. Vorzugsweise umfasst das Eigenschaftsdatenbanksystem eine sogenannte „Basiseigenschaftsdatenbank“. In dieser können „Basiseigenschaften“ von einzelnen Schichten in Abhängigkeit von zum Aufbau der Schichten zu verwendenden bzw. verwendeten Prozessparametersätzen (einschließlich der Schichtscanrichtungsanordnung bzw. Hatchrichtungsanordnung oder die Art des Aufbaumaterials, die ja auch ein Prozessparameter des jeweiligen Prozessparametersatzes sind) hinterlegt sein. Den einzelnen Parametersätzen ist also in einer solchen Datenbank jeweils zumindest ein Basiseigenschaftswert, bevorzugt jeweils eine Gruppe von Basiseigenschaftswerten, zugeordnet, den/die eine Schicht des Segments bzw. Bauteils aufweisen würde, wenn die jeweilige Schicht unter Verwendung des zugeordneten Parametersatzes gefertigt würde. Verfahren zum Aufbau und zur Nutzung einer solchen Basiseigenschaftsdatenbank werden in der DE 102022117935 und insbesondere auch der DE 102022117936 detailliert beschrieben, deren Inhalt hier auch diesbezüglich vollumfänglich inkorporiert wird. Wie dort erläutert, können in einem geeigneten Prüfverfahren unter Nutzung von zuvor gefertigten Prüfkörpern für diese Prüfkörper jeweils zumindest ein Basiseigenschaftswert und/oder eine Mikrostruktur ermittelt werden, die verknüpft mit dem Parametersatz, der zur Fertigung des Prüfkörpers genutzt wurde und welcher bevorzugt u. a. insbesondere die Aufbaumaterialart und eine Schichtscanrichtungsanordnung bzw. Hatchrichtungs- anordnung/Hatchstrategie umfassen kann, als Eintrag in der Basiseigenschaftsdatenbank hinterlegt bzw. gespeichert werden können. Insbesondere können aus diesen Basiseigenschaften der Schichten dann Makro- Eigenschaften bzw. „Makroeigenschaftswerte“ eines aus den Schichten gebildeten Segments oder sogar ganzen Bauteils ermittelt werden. Ein solcher „Makroeigenschaftswert“ beschreibt einen Eigenschaftswert auf makroskopischer Ebene bzw. aus makroskopischer Sicht, also welche Eigenschaft das komplette Segment aufweist, wie z. B. eine Wärmeleitfähigkeit, eine Bruchfestigkeit etc. Vorzugsweise werden im Rahmen des Verfahrens gleich mehrere Makroeigenschaftswerte des Segments bzw. mehrerer Segmente des Bauteils ermittelt. Ein Makroeigenschaftswert kann einen tensoriellen Wert umfassen, wie z. B einen Elastizitätstensor, aber ebenso einen kategorischen Wert, wie z. B. Korrosionsbeständigkeit oder nicht, Beschaffenheit einer Gitterstruktur, z. B. kubisch-flächenzentriert (kfz), kubisch-raumzentriert (krz) oder hexagonal dichtest-gepackt (hdp). Verschiedene Makroeigenschaftswerte werden nachfolgend noch erläutert. Sofern die Eigenschaften der einzelnen Segmente des Bauteils auf makroskopischer Ebene, also die „Makroeigenschaftswerte“ bekannt sind, können sich somit auch Hinweise auf die Bauteileigenschaften und die Qualität des Bauteils insgesamt ergeben, insbesondere ob es bestimmten Qualitätsanforderungen genügt. Die Makroeigen- schaftwerte der Segmente können also auch in dem o. g. Zustandsermittlungsschritt zur Ermittlung einer Zustandsbeschreibung des Fertigungsprodukts genutzt werden. Bevorzugt kann die Basiseigenschaftsdatenbank für eine Mehrzahl von verschiedenen Parametersätzen jeweils als einen Basiseigenschaftswert eine „Textur“ einer Schicht umfassen, welche unter Nutzung des jeweiligen Parametersatzes (also auch unter Nutzung eines bestimmten Aufbaumaterials) in einem additiven Aufbauprozess gefertigt wurde. Als Textur wird dabei die Gesamtheit der Orientierungen der Kristallite innerhalb eines Gefüges bezeichnet, d. h. es handelt sich hierbei um eine kristallographische Textur, welche nicht mit einer Oberflächentextur, wie z. B. der Rauigkeit einer Oberfläche, zu verwechseln ist. Besonders bevorzugt wird dabei die Textur in Form der sogenannten „Orientierungsdichteverteilungsfunktion“ (Orientation Distribution Function; ODF) beschrieben. Die Textur bzw. ODF kann beispielsweise in einer Messung unter dem Rasterelektronenmikroskop mit einem EBSD-Verfahren (EBSD = Electron Backscatter Diffraction; Elektronenrückstreubeugung) oder anderen Verfahren bestimmt werden. Alternativ oder besonders bevorzugt zusätzlich kann die Basiseigenschaftsdatenbank auch weitere Basiseigenschaftswerte umfassen, die z. B. auch jeweils auf Basis der Textur, insbesondere der Orientierungsdichteverteilungsfunktion, der Schicht für den Parametersatz ermittelt werden können. Dabei können die weiteren Basiseigenschaften aus der Textur bzw. ODF unter Nutzung der bekannten Eigenschaften der Einkristalle des Aufbaumaterials (z. B. durch Mittelung bzw. ein Homogenisierungsverfahren, wie sie auch in der DE 102022117936 detailliert erläutert werden) berechnet werden. Z. B. kann es sich bei solchen Basiseigenschaften um die Fließgrenze, eine Zugfestigkeit in beliebige Richtungen etc. handeln, um nur einige zu nennen. Umgekehrt könnte aber auch die Textur aus anderen Basiseigenschaftswerten oder Makroeigenschaftswerten, wie dem Elastizitätstensor, abgeleitet werden. Vorzugsweise kann die Basiseigenschaftsdatenbank jeweils Basiseigenschaftswerte für eine Referenzorientierung der jeweiligen Schichtscanrichtungsanordnung. insbesondere Hatchrichtungsanordnung, umfassen. Die Referenzorientierung bzw. Referenzausrichtung kann dabei willkürlich gewählt sein. Es kann dann für eine Schicht, deren Schichtscanrichtungsanordnung, und somit auch deren „Intraschichtscanrichtungsverteilung“, gegenüber der Referenzorientierung um zumindest einen Rotationswinkel (in eine beliebige Richtung um die Hauptaufbaurichtung, also um die senkrechte zu den Schichtebenen) verdreht ist, ein Basiseigenschaftswert jeweils unter Nutzung des Rotationswinkels aus dem für die Referenzorientierung hinterlegten, entsprechenden Basiseigenschaftswert ermittelt bzw. berechnet werden. Dies ist durch einfache Winkelumrechnungen möglich. Eine Verdrehung der Schichtscan- richtungsanordnung, insbesondere Hatchrichtungsanordnung, von Schicht zu Schicht ist z. B bei Strahlschmelzverfahren üblich. Typisch wäre hierbei z. B. ein 67°- Rotationswinkel von Schicht zu Schicht. Zur Ermittlung eines Makroeigenschaftswerts eines Segments gibt es verschiedene Möglichkeiten. Bei einer bevorzugten Vorgangweise wird wie erwähnt ein Makroeigenschaftswert eines Segments mit mehreren übereinanderliegenden Schichten jeweils aus den Basiseigenschaftswerten der einzelnen Schichten ermittelt bzw. kombiniert. Dies erfolgt vorzugsweise mittels eines mathematischen „Homogenisierungsverfahrens“. Ein ent- sprechendes Verfahren wird, wie gesagt, in der DE 102022117936 detailliert erläutert, so dass darauf verwiesen werden kann. Um weiter Rechenzeit einzusparen, z.B. bei immer wiederkehrenden Konfigurationen innerhalb von Segmenten, kann vorzugsweise wie erwähnt zumindest ein Makroeigen- schaftswert zumindest eines Segments unter Nutzung einer bereitgestellten Basiseigen- schaftsdatenbank ermittelt werden. Alternativ oder zusätzlich umfasst das Eigenschafts- datenbanksystem nämlich bevorzugt eine sogenannte „Makroeigenschaftsdatenbank“. In dieser kann für verschiedene Kombinationen von Segmentscanrichtungsverteilungen und Parametersätzen (auch in Abhängigkeit vom Aufbaumaterial) zumindest einen Makroeigenschaftswert, bevorzugt jeweils eine Gruppe von Makroeigenschaftswerten, von Segmenten (bestehend aus mehreren Schichten) hinterlegt sein, die mit der in der Datenbank zugeordneten Segmentscanrichtungsverteilung und dem zugeordneten Parametersatz erstellt würden oder wurden. Für die Ermittlung bzw. Auswahl einer geänderte Segmentscanrichtungsverteilung für ein Segment kann dann bevorzugt berücksichtigt werden, ob für eine bestimmte, im nächsten Schritte eventuell vorgesehene, Kombination (d.h. eine „Kandidaten-Kombination“) von möglicher Segmentscanrichtungsverteilung und (z. B. innerhalb des Optimierungs- verfahrens gerade) aktuellen Parametersatz (einschließlich dem Aufbaumaterial) bereits ein Makroeigenschaftswert in der Makroeigenschaftsdatenbank eingetragen ist. Ist dies der Fall, kann abgewägt werden, ob für das zu fertigende Segment diese bereits hinterlegte Segmentscanrichtungsverteilung (und somit insbesondere auch die Hatchrichtungsanordnung in den einzelnen Schichten bzw. „Standard“-Hatchstrategie) genutzt wird, was u. U. rechentechnisch und zeitlich viel günstiger aber zum Beispiel eventuell langsamer im Aufbau ist, oder ob man eine noch nicht hinterlegte Strategie mit individueller Hatchrichtungsanordnung herangezogen wird, die möglicherweise schneller ist und/oder andere Vorteile haben könnte, aber dafür eine aufwendigere Berechnung aus einzelnen Basiseigenschaftswerten in Kauf genommen werden muss. Ist dagegen keine „Standard“-Aufbaustrategie, insbesondere „Standard“-Hatchstrategie, nutzbar, muss ohnehin eine aufwendigere Berechnung aus Basiseigenschaftswerte erfolgen. Einerseits ist die Ermittlung von Makroeigenschaftswerten für komplette Segmente durch Abfrage in einer Makroeigenschaftsdatenbank sehr viel einfacher und schneller als eine Ermittlung der Makroeigenschaftswerte für das Segment aus den Basiseigenschaften der einzelnen Schichten. Andererseits kostete die Erstellung und Hinterlegung einer Vielzahl von Makroeigenschaftswerten erhebliche Rechenzeit und Speicherplatz. In der Makroeigenschaftsdatenbank befinden sich daher vorzugsweise zumindest Makroeigenschaftswerte, bevorzugt Gruppen von Makroeigenschaftswerten, für die am häufigsten genutzten Aufbaustrategien, insbesondere beim Strahlschmelzverfahren „Standard-Belichtungsstrategien“ bzw. sogenannte „Standard-Hatchstrategien“, die regelmäßig genutzt werden. Typische Standard-Hatchstrategien beim Strahlschmelz- verfahren sind das sogenannte 67°-Hatching oder das x-y-Hatching (=90°-Hatching). Bei diesen Verfahren wird von Schicht zu Schicht die Orientierung der Hatchstrategie um 67° bzw.90° gedreht, wobei die Hatchstrategie im Wesentlichen unverändert bleibt. Kommen bestimmte Abfragen mehrfach vor, werden sie sinnvollerweise in die Einträge der „Standard“-Hatchstrategien der Makroeigenschaftsdatenbank aufgenommen. Ein Datenbanksystem könnte daher bevorzugt so aufgebaut sein, dass registriert wird, welche Kombinationen von Segmentscanrichtungsverteilungen und Parametersätzen besonders häufig genutzt werden, und dann dementsprechend neue Einträge in der Makroeigenschaftsdatenbank aufgebaut werden, d. h. das Datenbanksystem „lernt“ quasi hinzu. Wie erwähnt gibt es neben der Textur bzw. ODF eine Vielzahl weiterer Eigenschaftswerte (insbesondere Basis- bzw. Makro-Eigenschaftswerte), die von Interesse sein können. Diese können meist aus der Textur bzw. ODF unter Nutzung der bekannten Eigenschaften der Einkristalle des Aufbaumaterials (z. B. durch Mittelung) berechnet werden. Besonders bevorzugt umfasst zumindest einer der Eigenschaftswerte, insbesondere der Basis- bzw. Makro-Eigenschaftswerte, zumindest einen Wert eines der folgenden Werkstoffparameter: - Elastizitätstensor - „Zugfestigkeitstensor“ (Dieser gibt an, bei welcher mechanischen Spannung an einem Ort im Werkstück ein bestimmtes Fließkriterium vorliegt; eine Definition der Einträge der Tensorvariablen für das jeweilige Fließkriterium findet sich z. B. in J. Betten, Kontinuumsmechanik, 1993, Springer-Verlag) - Fließgrenzenverteilung (beispielsweise in Form des Hill-Tensors, wie auch in dem Buch von J. Betten zu finden ist) - Verfestigungskoeffizient - Wärmeleitfähigkeit - Bruchfestigkeit. Vorzugsweise kann ein solcher Eigenschaftswert für zumindest einen Werkstoffparameter mehrere richtungsabhängige Teilwerte umfassen, d.h. die Eigenschaftswerte können auch anisotrop sein. Allgemein kann daher ein Eigenschaftswert als Tensor definiert sein, z. B. als ein Vektor (Tensor 1.-Stufe) oder eine Matrix (Tensor 2.-Stufe), um drei Dimensionen bzw. Richtungen zu berücksichtigen, oder auch als Tensor 4. Stufe, um Eigenschaften im Kristallsystem zu berücksichtigen. Ein Beispiel hierfür wäre der Elastizitätstensor 4. Stufe, wobei die Elastizitätstensoreinträge der verschiedenen Kristallraumrichtungen Werte für einen allgemeinen dreidimensionalen Spannungszustand beinhalten, aus welchen durch Umrechnung die E-Moduli beispielsweise in einer Schicht in x-Richtung und in y-Richtung errechnet werden können. Ein ähnliches anisotropes Verhalten kann beispielsweise auch bei der Fließgrenzenverteilung oder dem Zugfestigkeitstensor vorliegen. Ohne Beschränkung der Allgemeinheit können auch andere übliche Darstellungsformen genutzt werden, wie beispielsweise die Voigt-Notation. Vorzugsweise umfasst das Optimierungsverfahren zumindest einen „Kavitätenprüfschritt“. In diesem kann geprüft werden, ob im Fertigungsprodukt nach dem Aufbau vorhandene Kavitäten, die ggf. mit unverfestigtem Pulver gefüllt sind, mit einer Oberfläche des Fertigungsprodukts verbunden sind. Dies dient zur Überprüfung, ob das Pulver aus den Kavitäten des Bauteils später entfernbar ist, und wenn ja, wie gut. Daher kann dieser Kavitätenprüfschritt auch als „Entpulverungsprüfschritt“ bezeichnet werden. Für die genaue Vorgehensweise kann wieder auf die DE 102022117935 verwiesen werden. Wenn sich im Kavitätenprüfschritt herausstellt, dass nicht alle Kavitäten wunschgemäß entpulvert werden können, wird gegebenenfalls die Geometrie des Bauteils noch einmal geändert. Z. B kann das Optimierungsverfahren dann noch einmal von vorne, insbesondere mit einem anderen Start-Parametersatz, beginnen. Weiterhin kann das Optimierungsverfahren vorzugsweise zumindest einen Wärmeleitungsprüfschritt umfassen, in welchem geprüft wird, ob eine geplante Wärmebehandlung hinsichtlich vorgegebener Qualitätskriterien mit dem Fertigungsprodukt möglich wäre, d.h. es werden Wärmebehandlungsanforderungen an das Bauteil geprüft. Hierbei kann insbesondere geprüft werden, ob die Wärmebehandlung in angemessener Zeit mit ausreichender Endqualität erfolgen kann. Ist dies nicht der Fall, könnte ebenfalls das Optimierungsverfahren noch einmal von vorne beginnen, insbesondere mit einem anderen Start-Parametersatz. Bei einer besonders bevorzugten Variante der Erfindung können die Wärmebehandlungsanforderungen aber auch bereits bei der Ermittlung von optimierten Scanrichtungsverteilungen bzw. optimalen Parametersätzen in einer KI- basierten Optimierungseinheit (insbesondere einem neuronalen Netzwerk) berücksichtigt werden, indem mit den Eingangsdaten für die KI-basierten Optimierungseinheit dieser auch ein den Belastungsanforderungen entsprechendes Zeit-Temperatur-Profil mit übergeben wird, wie dies später anhand eines Beispiels noch erläutert wird. Wie oben erwähnt können basierend auf den optimierten Prozessgrößenwerten dann die Steuerdaten für die Produktionsvorrichtung zur additiven Fertigung eines bzw. des Fertigungsprodukts generiert werden, sodass die optimierten Prozessgrößenwerte im schichtweisen additiven Aufbauprozess entsprechend einem vorgegebenen Bewertungs- kriterium ausreichend erreicht werden, Dabei kann bevorzugt in einem Segment jeweils für einzelne Schichten eine optimale Orientierung der Schichtscanrichtungsanordnung, also insbesondere die Richtung der Hatchrichtungsanordnung bzw. Hatchstrategie der einzelnen Schichten, so gewählt werden, dass insgesamt über alle Schichten im Segment die optimale Segmentscanrichtungsverteilung möglichst gut erreicht bzw. approximiert wird. D. h. die zunächst kontinuierliche Optimierungsvariable „Scanrichtungsverteilung“ (insbesondere „Segmentscanrichtungsverteilung“) wird, bezogen auf die Steuerparameter, diskretisiert, um im schichtweisen Aufbau zu berücksichtigen, dass in einer Schicht jeweils nur eine vordefinierte Schichtscanrichtungsanordnung bzw. Hatchstrategie vorliegt, und zwar bevorzugt in jeder Schicht dieselbe Schichtscanrichtungsanordnung, nur gegeneinander gedreht. Das oben beschriebene Verfahren erlaubt wie gesagt eine allgemeine Optimierung des Eigenschaftsprofils additiv gefertigter Bauteile. Es berücksichtigt die Korrelation zwischen der gewählten Fertigungsstrategie, insbesondere den gewählten Fertigungsgrößen (z. B. die Prozessparameter im Parametersatz), sowie den resultierenden Bauteileigenschaften. Die wesentlichen auf die Mikrostruktur Einfluss nehmenden Prozessgrößenwerte, welche wiederum die Bauteileigenschaften auf Makroebene bzw. die Qualität des Bauteils im Wesentlichen mitbestimmen, beispielsweise die Maschinenkonfiguration, die Belichtungs- strategie und/oder Nachbearbeitung, können mit unterschiedlicher Gewichtung berücksichtigt werden. Wie erwähnt ist das Verfahren dabei nicht auf die Optimierung im Hinblick auf ein einzelnes Kriterium beschränkt, sondern stellt eine Möglichkeit zur Lösung von Randwertproblemen beliebiger thermophysikalischer sowie fertigungstechnologischer Natur dar. Dabei kann nicht nur die Einhaltung des notwendigen Anforderungsprofils (insbesondere der Qualitätsanforderungen) sichergestellt werden, sondern es kann auch der fertigungstechnisch kostengünstigste Weg gefunden werden, durch den die gestellten Anforderungen erreicht werden können. Des Weiteren unterscheidet sich das hier vorgestellte Verfahren von einem herkömmlichen Optimierungsverfahren, wie es beispielsweise bereits genutzte Topologie-Optimierungs- programme anbieten, dadurch, dass es mehrere Optionen besitzt, um die Forderung einer lokalen Eigenschaft zu erfüllen. Beispielsweise kann die Notwendigkeit einer lokal erhöhten Materialsteifigkeit durch das Hinzunehmen von Material, aber ebenso durch eine Adaption der Scanstrategie zum Erzeugen einer gewünschten Textur oder durch einen Materialwechsel erfüllt werden. Aus diesen Möglichkeiten wird bei dem hier vorgestellten Optimierungsverfahren stets eine Lösung auf der durch das Randwertproblem definierten Pareto-Front gefunden. Eine Vielzahl der oben getroffenen Aussagen bezieht sich auf Beobachtungen und Phänomene, die für metallische Werkstoffe gelten – wie beispielsweise das Ableiten von Eigenschaften aus der kristallographischen Textur. Daher ist das Verfahren besonders gut für metallische Werkstoffe einsetzbar und wird bevorzugt hierfür benutzt. Grundsätzlich kann jedoch in gleicher oder ähnlicher Weise auch für keramische oder polymere Werkstoffe, z. B. teilkristalline Polymere, eine Korrelation zwischen gewählten Fertigungsgrößen und resultierenden Bauteileigenschaften festgestellt werden und somit das Verfahren durch entsprechende Adaptionen auch auf diese Werkstoffklassen erweitert werden. Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Dabei sind in den verschiedenen Figuren gleiche Komponenten mit identischen Bezugsziffern versehen. Es zeigen: Figur 1 eine schematische, teilweise im Schnitt dargestellte Ansicht eines Ausführungsbeispiels einer Vorrichtung zur additiven Fertigung zur Realisierung der Erfindung mit einer Steuerdatenerzeugungseinrichtung und einer Vorrichtung zur Generierung optimierter Prozessgrößenwerte sowie mit einer Überprüfungsvorrichtung und einer Vorrichtung zur Ermittlung von Eigenschaftswerten, Figur 2 eine schematische Darstellung eines stabförmigen Muster-Bauteils mit zwei Segmenten und eine schematische Darstellung möglicher Schichtscanrichtungs- anordnungen und deren Orientierungen in verschiedenen Schichten, Figuren 3 bis 6 schematische Darstellungen zur Erläuterung, wie die Schichtscanrichtungs- anordnungen und deren Orientierungen der verschiedenen Schichten des Muster-Bauteils aus Figur 2 zu unterschiedlichen Segmentscanrichtungsverteilungen der beiden Segmente führen können, Figur 7 eine schematische Darstellung eines weiteren Beispiels für eine Segmentscanrichtungsverteilung, welches nahezu eine Gleichverteilung beschreibt, Figur 8 eine schematische Darstellung eines weiteren Beispiels für eine Segmentscanrichtungsverteilung, welches eine approximierte Gleichverteilung beschreibt, Figur 9 ein schematisches Schaubild eines Ausführungsbeispiels einer Vorrichtung zur Generierung optimierter Prozessgrößenwerte, Figur 10 ein Blockschema für die Aufstellung einer möglichen Zielfunktion für ein Optimierungsverfahren, z. B. nach Figur 12, Figur 11 ein Diagramm für den Verlauf einer Teilfunktion ^^{^}, um in einer möglichen Zielfunktion für ein Optimierungsverfahren, z. B. nach Figur 12, einen Sicherheitsfaktor zu berücksichtigen. Figur 12 ein Flussdiagramm eines möglichen Verfahrensablaufs eines Optimierungs- verfahrens eines Ausführungsbeispiels eines Verfahrens zur Generierung optimierter Prozessgrößenwerte, Figur 13 eine perspektivische Ansicht auf ein Beispiel eines zu fertigenden Bauteils mit schematischer Darstellung möglicher auf das Bauteil wirkender Kräfte, Figur 14 das Bauteil gemäß Figur 13 mit einer Graustufendarstellung der in den einzelnen Abschnitten wirkenden Belastungen durch die äußeren Kräfte auf das Bauteil, Figur 15 das Bauteil gemäß den Figuren 15 und 14 mit einer Darstellung einer möglichen (virtuellen) Segmentierung des Bauteils und einer möglichen Festlegung eines das Bauteil einfassenden Gebiets für das Optimierungsverfahren nach Figur 12, Figur 16 ein Flussdiagramm eines möglichen Verfahrensablaufs innerhalb des Verfahrensschritts 3 des Optimierungsverfahrens nach Figur 12, Figur 17 eine schematische Darstellung eines ersten Ausführungsbeispiels für ein neuronales Netzwerk, Figur 18 ein vereinfachtes Flussdiagramm eines möglichen Verfahrens zum Training eines neuronalen Netzwerks wie in Figur 17, Figur 19 eine schematische Darstellung eines zweiten Ausführungsbeispiels für ein neuronales Netzwerk, Figur 20 eine schematische Darstellung eines dritten Ausführungsbeispiels für ein neuronales Netzwerk, Figur 21 eine schematische Darstellung eines vierten Ausführungsbeispiels für ein neuronales Netzwerk, Figur 22 ein vereinfachtes Flussdiagramm eines möglichen Verfahrens zum Training eines neuronalen Netzwerks wie in Figur 21, Figur 23 ein vereinfachtes Flussdiagramm eines alternativen Verfahrens zum Training eines neuronalen Netzwerks wie in Figur 21, Figur 24 eine schematische Darstellung eines fünften Ausführungsbeispiels für ein neuronales Netzwerk, Figur 25 ein vereinfachtes Flussdiagramm eines möglichen Verfahrens zum Training eines neuronalen Netzwerks wie in Figur 25, Figur 26 ein Blockdiagramm eines Ausführungsbeispiels einer Vorrichtung zur Ermittlung von Eigenschaftswerten eines Segments. Die nachfolgenden Ausführungsbeispiele werden mit Bezug auf eine Produktionsvorrichtung 1 zur additiven Fertigung von Fertigungsprodukten in Form einer Lasersinter- oder Laserschmelzvorrichtung 1 beschrieben, wobei explizit noch einmal darauf hingewiesen wird, dass die Erfindung nicht auf Lasersinter- oder Laserschmelzvorrichtungen beschränkt ist. Die Produktionsvorrichtung 1 wird im Folgenden – ohne eine Beschränkung der Allgemeinheit – daher auch als „Laserschmelzvorrichtung“ 1 bezeichnet. Eine solche Laserschmelzvorrichtung 1 ist schematisch in Figur 1 gezeigt. Die Vorrichtung weist eine Prozesskammer 3 bzw. einen Prozessraum 3 mit einer Kammerwandung 4 auf, in der im Wesentlichen der Fertigungsprozess abläuft. In der Prozesskammer 3 befindet sich ein nach oben offener Behälter 5 mit einer Behälterwandung 6. Die obere Öffnung des Behälters 5 bildet die jeweils aktuelle Arbeitsebene 7. Der innerhalb der Öffnung des Behälters 5 liegende Bereich dieser Arbeitsebene 7 kann zum Aufbau des Objekts 2 verwendet werden und wird daher als Baufeld 8 bezeichnet. Der Behälter 5 weist eine in einer vertikalen Richtung V bewegliche Grundplatte 11 auf, die auf einem Träger 10 angeordnet ist. Diese Grundplatte 11 schließt den Behälter 5 nach unten ab und bildet damit dessen Boden. Die Grundplatte 11 kann integral mit dem Träger 10 gebildet sein, sie kann aber auch eine getrennt von dem Träger 10 gebildete Platte sein und an dem Träger 10 befestigt oder auf diesem einfach gelagert sein. Je nach Art des konkreten Aufbaumaterials, also beispielsweise des verwendeten Pulvers, und des Fertigungsprozesses kann auf der Grundplatte 11 eine Bauplattform 12 als Bauunterlage angebracht sein, auf der das Objekt 2 aufgebaut wird. Grundsätzlich kann das Objekt 2 aber auch auf der Grundplatte 11 selber aufgebaut werden, die dann die Bauunterlage bildet. Der grundsätzliche Aufbau des Objekts 2 erfolgt, indem eine Schicht Aufbaumaterial 13 zunächst auf die Bauplattform 12 aufgebracht wird, dann – wie später erläutert – mit einem Energiestrahl E an den Punkten, welche Teile des zu fertigenden Objekts 2 bilden sollen, das Aufbaumaterial 13 selektiv verfestigt wird, dann mit Hilfe des Trägers 10 die Grundplatte 11, somit die Bauplattform 12 abgesenkt wird und eine neue Schicht des Aufbaumaterials 13 aufgetragen und selektiv verfestigt wird usw. In Figur 1 ist das in dem Behälter auf der Bauplattform 12 aufgebaute Objekt 2 unterhalb der Arbeitsebene 7 in einem Zwischenzustand dargestellt. Es weist bereits mehrere verfestigte Schichten auf, umgeben von unverfestigt gebliebenem Aufbaumaterial 13. Als Aufbaumaterial 13 können verschiedene Materialien verwendet werden, vorzugsweise Pulver, insbesondere Metallpulver, Kunststoffpulver, Keramikpulver, Sand, gefüllte oder gemischte Pulver oder auch pastöse Materialien. Die Arbeitsebene 7 definiert hier übrigens die x-/y-Ebene eines kartesischen Referenz- koordinatensystems. Die z-Richtung weist senkrecht von dieser x-/y-Ebene nach oben und bildet die Hauptaufbaurichtung, da in dieser Richtung unter sukzessivem Absenken der Grundplatte 11 nach und nach die Schichten L (Layer) des Bauteils 2 aufeinander aufgebaut werden. Frisches Aufbaumaterial 15 befindet sich in einem Vorratsbehälter 14 der Laserschmelzvorrichtung 1. Mit Hilfe eines in einer horizontalen Richtung H bewegbaren Beschichters 16 kann das Aufbaumaterial in der Arbeitsebene 7 bzw. innerhalb des Baufelds 8 in Form einer dünnen Schicht aufgebracht werden. Optional befindet sich in der Prozesskammer 3 eine zusätzliche Strahlungsheizung 17. Diese kann zum Beheizen des aufgebrachten Aufbaumaterials 13 dienen, so dass die für die selektive Verfestigung genutzte Bestrahlungseinrichtung nicht zu viel Energie einbringen muss. Das heißt, es kann beispielsweise mit Hilfe der Strahlungsheizung 17 schon eine Menge an Grundenergie in das Aufbaumaterial 13 eingebracht werden, welche natürlich noch unterhalb der notwendigen Energie ist, bei der das Aufbaumaterial 13 verschmilzt oder sintert. Als Strahlungsheizung 17 kann beispielsweise ein Infrarotstrahler genutzt werden. Zum selektiven Verfestigen weist die Laserschmelzvorrichtung 1 eine Bestrahlungsvorrichtung 20 bzw. konkret Belichtungsvorrichtung 20 mit einem Laser 21 auf. Dieser Laser 21 erzeugt einen Laserstrahl E (als Energiestrahl E zum Schmelzen des Aufbaumaterials in dem Baufeld 8). Über eine nachfolgende Umlenkvorrichtung 23 (Scanner 23) wird der Energiestrahl E dann umgelenkt, um so die gemäß der Belichtungsstrategie vorgesehenen Belichtungspfade oder Spuren in der jeweils selektiv zu verfestigenden Schicht abzufahren und selektiv die Energie einzubringen. D. h., mittels des Scanners 23 wird die Auftrefffläche 22 des Energiestrahls E auf dem Baufeld 8 bewegt, wobei sich der aktuelle Bewegungsvektor bzw. die Bewegungsrichtung S (oder Scanrichtung S) der Auftrefffläche 22 auf dem Baufeld 8 häufig und schnell ändern kann. Dabei wird dieser Laserstrahl E durch eine Fokussiereinrichtung 24 auf die Arbeitsebene 7 in geeigneter Weise fokussiert. Die Bestrahlungsvorrichtung 20 befindet sich hier vorzugsweise außerhalb der Prozesskammer 3, und der Laserstrahl E wird über ein an der Oberseite der Prozesskammer 3 in der Kammerwandung 4 angebrachtes Einkoppelfenster 25 in die Prozesskammer 3 geleitet. Die Bestrahlungsvorrichtung 20 kann beispielsweise nicht nur einen, sondern mehrere Laser umfassen. Vorzugsweise kann es sich hierbei um Gas- oder Festkörperlaser oder jede andere Art von Laser wie z. B. Laserdioden handeln, insbesondere VCSEL (Vertical Cavity Surface Emitting Laser) oder VECSEL (Vertical External Cavity Surface Emitting Laser) oder eine Zeile dieser Laser. Die Laserschmelzvorrichtung 1 kann weiterhin (nicht dargestellte, dem Fachmann bekannte) Vorrichtungen etc. umfassen, um Verfahren wie ein Meltpool-Monitoring o. Ä. anzuwenden, um eventuell im Fertigungsprozess entstehende Störungen auszuregeln, um möglichst nahe an der durch die erfindungsgemäß erstellten Steuerdaten vorgegebenen Soll-Prozessführung zu bleiben. Die Steuereinrichtung 50 weist hier eine Steuereinheit 51 auf, welche über eine Bestrahlungssteuerschnittstelle 53 die Komponenten der Bestrahlungsvorrichtung 20 ansteuert, nämlich hier an den Laser 21 Lasersteuerdaten LS übersendet, an die Umlenkvorrichtung 23 Scansteuerdaten SD und an die Fokussiervorrichtung 24 Fokussteuerdaten FS. Die Steuereinheit 51 steuert auch mittels geeigneter Heizungssteuerdaten HS die Strahlungsheizung 17 an, mittels Beschichtungssteuerdaten ST den Beschichter 16 und mittels Trägersteuerdaten TSD die Bewegung des Trägers 10 und steuert somit die Schichtdicke. Die Steuereinrichtung 50 ist, hier z. B. über einen Bus 55 oder eine andere Datenverbindung, mit einem Terminal 56 mit einem Display oder dergleichen gekoppelt. Über dieses Terminal 56 kann ein Bediener die Steuereinrichtung 50 und somit die gesamte Laserschmelzvorrichtung 1 steuern, z. B. durch Übermittlung von Prozesssteuerdaten PSD. Um den Produktionsprozess zu optimieren, werden mittels einer Steuerdatenerzeugungsvorrichtung 54, 54‘ in der erfindungsgemäßen Weise die Prozesssteuerdaten PSD, insbesondere die Belichtungssteuerdaten BSD der Prozesssteuerdaten PSD, (beide synonym auch einfach als „Steuerdaten“ abgekürzt) derart generiert bzw. modifiziert, dass die Ansteuerung der Produktionsvorrichtung 1 so erfolgt, dass während des additiven Aufbauprozesses bestimmte optimierte Prozessgrößenwerte PGO entsprechend einem vorgegebenen Bewertungskriterium ausreichend erreicht und entsprechend aufrechterhalten werden, wie dies oben schon erwähnt wurde. Hierzu kann die Steuerdatenerzeugungsvorrichtung 54 auch eine geeignete Vorrichtung 60 zur Generierung der optimierten Prozessgrößenwerte PGO – insbesondere in Form von geeigneter Software oder dergleichen – aufweisen. Diese kann als Untereinheiten (z. B. Softwaremodule, Routinen, Objekte etc.) wiederum eine Überprüfungsvorrichtung 80 zur Überprüfung der (voraussichtlichen) Einhaltung von Eigenschaftsanforderungen durch ein Bauteil, welches unter Anwendung bestimmter Prozessgrößenwerte gebaut wurde, und eine Vorrichtung 70 zur Ermittlung von Eigenschaftswerten von Segmenten eines solchen Bauteils aufweisen. Bevorzugte Vorgehensweisen, um optimierten Prozessgrößenwerte PGO zu ermitteln, und bevorzugte Ausführungsbeispiele geeigneter Vorrichtungen werden später anhand der Figuren 2 ff. noch erläutert. Die Steuerdatenerzeugungsvorrichtung 54 kann beispielsweise Teil der Steuereinrichtung 50 sein und dort beispielsweise in Form von Softwarekomponenten realisiert sein. Eine solche in die Steuereinrichtung 50 integrierte Steuerdatenerzeugungsvorrichtung 54 kann beispielsweise Anforderungsdaten AD (einschließlich geometrischer Daten GD) für das zu fertigende Bauteil übernehmen und auf dieser Grundlage die optimierten Prozessgrößenwerte PGO und darauf basierend die passenden Steuerdaten PSD generieren und an die Steuereinheit 51 übermitteln. Die Steuerdaten PSD umfassen dabei insbesondere Belichtungssteuerdaten BSD, aber ggf. auch noch andere Steuerdaten, wie beispielsweise Beschichtungssteuerdaten ST oder Trägersteuerdaten TSD, um eine passende Schichtdicke zu wählen. Ebenso wäre es aber auch möglich, dass die Steuerdatenerzeugungsvorrichtung 54‘ auf einer externen Rechnereinheit, beispielsweise hier dem Terminal 56, realisiert ist und vorab bereits basierend auf Anforderungsdaten AD (einschließlich der geometrischen Daten GD) für das zu fertigende Bauteil optimierte Prozessgrößenwerte PGO und die passenden Prozesssteuerdaten PSD (insbesondere Belichtungssteuerdaten BSD) hierzu erstellt, die dann an die Steuereinrichtung 50 übergeben werden. In diesem Fall könnte auf die in der Steuereinrichtung 50 hier vorhandene interne Steuerdatenerzeugungsvorrichtung 54 auch verzichtet werden. Ebenso möglich ist eine Variante, bei der basierend auf den Anforderungsdaten AD (einschließlich der geometrischen Daten GD) für das zu fertigende Bauteil in einer separaten Vorrichtung 60 (z. B. auf einer eigenen mit dem Bus 55 verbundenen Rechnereinheit) die optimierten Prozessgrößenwerte PGO ermittelt werden, die dann z. B. der jeweiligen Steuerdatenerzeugungsvorrichtung 54, 54‘ zur Verfügung gestellt werden, so dass diese nur noch die passenden Steuerdaten PSD, BSD hierzu ermittelt. Die Steuerdatenerzeugungsvorrichtung 54, 54‘ benötigt dann keine Vorrichtung 60 zur Generierung der optimierten Prozessgrößenwerte PGO mehr (oder eine Überprüfungsvorrichtung 80 bzw. eine Vorrichtung 70 zur Ermittlung von Eigenschaftswerten von Segmenten eines Bauteils). Mehrere der o.g. Möglichkeiten, die verschiedenen Vorrichtungen 54, 54‘, 60, 70, 80 in einer geeigneten Topologie von Recheneinheiten und der Steuereinrichtung 50 anzuordnen, sind als Alternativen in Figur 1 dargestellt. Darüber hinaus sind auch noch weitere Varianten realisierbar, um z. B. die Aufgaben zur Durchführung der Erfindung auf verschiedene Rechnereinheiten oder dergleichen zu verteilen Dabei können die durch die Steuerdatenerzeugungsvorrichtung 54, 54‘ erzeugten Prozesssteuerdaten PSD, insbesondere Belichtungssteuerdaten BSD, auch als Sollwerte angesehen werden, die dann in der Steuereinheit 51 für einen Regelprozess verwendet werden. Es wird an dieser Stelle auch noch einmal darauf hingewiesen, dass die vorliegende Erfindung nicht auf eine solche Laserschmelzvorrichtung 1 beschränkt ist. Sie kann auf beliebige andere Verfahren zum generativen bzw. additiven Herstellen eines dreidimensionalen Objekts durch, insbesondere schichtweises, Aufbringen und selektives Verfestigen eines Aufbaumaterials angewendet werden. Dementsprechend kann auch die Bestrahlungsvorrichtung nicht nur, wie hier beschrieben, einen Laser umfassen, sondern es könnte jede Einrichtung verwendet werden, mit der Energie als Wellen- oder Teilchenstrahlung selektiv auf bzw. in das Aufbaumaterial gebracht werden kann. Beispielsweise könnte anstelle eines Lasers eine andere Lichtquelle, ein Elektronenstrahl etc. verwendet werden. Auch wenn in Figur 1 nur ein einzelnes Objekt 2 dargestellt wird, ist es möglich und in der Regel auch üblich, mehrere Objekte in der Prozesskammer 3 bzw. im Behälter 5 parallel herzustellen. Für additive Fertigungstechniken liegt wie eingangs erwähnt ein Zusammenhang zwischen bestimmten Prozessgrößen, wie insbesondere bei einem Laserschmelzverfahren der Scangeschwindigkeit, der Laserleistung sowie den Scanstrategien und der dann resultierenden Mikrostruktur innerhalb des Bauteils vor. In kristallinen oder teilkristallinen Festkörpern wie beispielsweise metallischen Bauteilen, die in einem Laserschmelzverfahren additiv hergestellt wurden, hat beispielsweise u. a. die kristallographische Textur einen erheblichen Einfluss auf die Bauteileigenschaften. Dabei ist die Textur als Gesamtheit der Kristallorientierungen definiert. Sie kann beispielsweise durch die „Orientierungsdichtefunktion“ (kurz ODF) beschrieben werden. In der DE 102022 117935 und der DE 102022117936 werden solche Mikrostrukturen wie die Textur und die Beeinflussung der Textur durch die Prozessgrößen bei der Bauteilerstellung (Fertigungsgrößen) detaillierter beschrieben, so dass diesbezüglich auch hierauf verwiesen wird. Aber auch bei polymeren oder keramischen Werkstoffen ist eine Korrelation zwischen gewählten Fertigungsgrößen und resultierenden Eigenschaften des Bauteils feststellbar, so dass die Erfindung grundsätzlich auch bei anderen Werkstoffen bzw. beliebigen Aufbaumaterialien eingesetzt werden kann. Ein wichtiger Punkt für die Ausprägung einer Textur innerhalb eines Bauteils sind die Abkühlbedingungen während der Erstarrung. Kritische Einflussgrößen sind dabei der auftretende Temperaturgradient sowie die Vorschubgeschwindigkeit der Erstarrungsfront. Bei einer laserbasierten additiven Fertigung, bei der ja lokal immer ein dreidimensionales Schmelzbad vorliegt, das sich in Scanrichtung nach und nach weiterbewegt, haben somit u. a. sowohl die Scangeschwindigkeit als auch die Laserleistungsdichte Einfluss auf die Textur, da sie auch Haupteinflussfaktoren auf Form und Größe des sich ausbildenden Schmelzbades sind. So bildet sich beispielsweise bei sehr geringen Scangeschwindigkeiten ein näherungsweise kugelförmiges Schmelzbad aus, und es resultiert eine um ca. 45° zur Aufbaurichtung geneigte Wärmeabfuhr. Wird die Scangeschwindigkeit bei gleichbleibender Leistung gesteigert, so nimmt die Länge des Schmelzbades zu, während die Breite und die Tiefe (in z-Richtung) abnimmt, weswegen sich die Wärmeabfuhr in guter Näherung längs der Aufbaurichtung (also in z-Richtung) ausrichtet (siehe z. B. die Figur 3 in der DE 10 2022 117 935 mit der zugehörigen Beschreibung). Dabei hängt die Textur in einem Bauteil nicht nur von der Belichtungsstrategie innerhalb der jeweiligen Schichten, also von der oben bereits erwähnten Schichtscanrichtungsanord- nung, ab. Durch die Schichtscanrichtungsanordnung wird ja zunächst nur eine „Intraschicht- scanrichtungsverteilung“ in einer einzelnen Schicht wesentlich (mit-)bestimmt. Da aber ein Segment des Bauteils bzw. das gesamte Bauteil aus mehreren Schichten aufgebaut ist, spielt für die sich insgesamt ergebende Textur des Segments bzw. in einem Bauteil die relative Lage der Intraschichtscanrichtungsverteilungen der einzelnen Schichten zueinander auch eine erhebliche Rolle, da eine andere Orientierung der Schichtscan- richtungsanordnungen bzw. Intraschichtscanrichtungsverteilung auch zu einer anderen Segmentscanrichtungsverteilung führen würde, welche ja eine Häufigkeit des Auftretens der jeweiligen Scanrichtungen in dem Segment oder Bauteil insgesamt definiert. Anhand der Figuren 2 bis 6 wird hierzu exemplarisch verdeutlicht, wie sich für zwei verschiedene Segmente SG2, SG3 eines sehr einfachen, aus mehreren Schichten L erstellten Bauteils 2‘‘ unterschiedliche Segmentscanrichtungsverteilungen SSV2, SSV3 ergeben, wobei in jedem der Segmente SG2, SG3 eine andere Schichtscanrichtungsanordnung HS2, HS3 (Hatchstrategie) verwendet wurde. Dabei bleiben die Schichtscanrichtungsanordnungen HS2, HS3 jeweils über alle Schichten des jeweiligen Segments SG2, SG3 hinweg gleich und werden jeweils nur um einen definierten Winkel (der in den Segmenten SG2, SG3 hier verschieden ist) von Schicht zu Schicht verdreht. Bei dem Bauteil 2‘‘ handelt es sich um einen einfachen Vierkantstab 2‘‘ und die Baurichtung z läuft in Längsrichtung des Vierkantstabs 2‘‘, d. h. die einzelnen Schichten L sind jeweils in der x/y-Ebene orientiert. Im mittleren Bereich im Inneren dieses Vierkantstabs 2‘‘ befindet sich ein längliches rundstabförmiges Segment SG2. Der gesamte Außenbereich des Vierkantstabs 2‘‘ außer diesem rundstabförmigen Segment SG2 im Inneren (welches einer Art Kern des Vierkantstabs 2‘‘ bildet) ist ein zweites Segment SG3. Dies ist in Figur 2 auf der linken Seite dargestellt. Auf der rechten Seite in Figur 2 sind die Hatchrichtungen in vier willkürlich ausgewählten Schichten L1, L2, L3, L4 (auch Layer genannt) dieses Bauteils 2‘‘ gezeigt, um darzulegen, dass in den jeweiligen Segmenten SG1, SG2 unterschiedliche Schichtscanrichtungsanordnungen HS2, HS3 verwendet werden. In dem vorliegenden Fall entsprechen die Schichtscanrichtungsanordnungen HS2, HS3 jeweils sehr simplen Hatchstrategien HS2, HS3, die verwendet werden, um die komplette Fläche des jeweiligen Segments SG2, SG3 abzufahren bzw. zu füllen. Normalerweise sind Bauteile in verschiedene Bereiche unterteilt, wobei z. B. der Kernbereich entlang von breiten Spuren abgefahren wird, die jeweils quer zur Spurrichtung ein bestimmtes Hatchmuster aufweisen, d. h. die Hatchstrategien sind erheblich komplizierter. Zudem wird in Bereichen an den Rändern des Bauteils, egal ob es sich um Außenränder oder um Kavitäten im Bauteil handelt, meist ein Konturmodus benutzt, in dem kontinuierlich ein Energiestrahl entlang der Kontur verfahren wird, so dass an der Oberfläche des fertigen Bauteils kein Hatchmuster zu sehen ist. Die vereinfachten Hatchstrategien HS2, HS3 in Figur 2 sind aber zur Verdeutlichung des gesamten Prinzips besser. Wie hier anhand des untersten Layer L1 (der seitlich separat gezeichneten Layer) gezeigt ist, weist das innere Segment SG2 eine Hatchstrategie HS2 auf, in der immer zwei Spuren parallel in eine Richtung gefahren werden und anschließend benachbart zwei Spuren parallel in der Gegenrichtung usw. Im Gegensatz dazu ist die Hatchstrategie HS3 im äußeren Segment SG3 so gewählt, dass immer abwechselnd eine Spur in Hinrichtung und eine zweite Spur in Rückrichtung erfolgt usw. Das heißt, hier verlaufen die Spuren mäanderförmig. Hinzu kommt wie erwähnt, dass für die beiden Segmente SG2, SG3 unterschiedliche Strategien der Umorientierung bzw. Drehung um die z-Achse (Hauptaufbaurichtung) der Hatchstrategie HS2, HS3 von Schicht zu Schicht verfolgt werden. So wird bei dem inneren Segment SG2 von Schicht zu Schicht die Orientierung der Schichtscanrichtungsanordnung HS2, HS3 immer um 45° verdreht. Im äußeren Segment SG3 erfolgt dagegen jeweils immer eine Verdrehung um 90°. Wird ein Segment SG2, SG3 dann aus mehreren solcher übereinanderliegenden Schichten aufgebaut, ergibt sich für das Segment SG2, SG3 insgesamt eine unterschiedliche Segmentscanrichtungsverteilung SSV2, SSV3, wie dies anhand der Figuren 3 bis 6 dargestellt ist. In diesen Figuren ist jeweils oben ein Diagramm der Segmentscanrichtungsverteilung SSV3 für das äußere Segment SG3 und unten der Segmentscanrichtungsverteilung SSV2 für das innere Segment SG2 dargestellt. In diesen und allen weiteren Diagrammen für die Segmentscanrichtungsverteilungen SSV1, SSV2, SSV3, SSV4 ist jeweils über einem Winkel 0 bis 360° eine Häufigkeit des Auftretens der Scanrichtung in dem betreffenden Winkel aufgetragen. Der Referenzwinkel (also wo z. B. der Winkel 0° in der Schichtebene liegt) kann willkürlich gewählt sein, da es hier ja nur um eine Verteilung geht. Z.B. könnte immer die Orientierung der Hatchrichtungen, die in x-Richtung verlaufen, als Referenzorientierung RO für das Segment ausgewählt werden. Wenn das Bauteil – wie dies meist der Fall ist – mehrere Segmente umfasst, sollte für alle Segmente des Bauteils dieselbe Referenzorientierung gewählt werden, d.h. es wird eine Referenzorientierung für das Bauteil definiert. Im Übrigen kann die Häufigkeit des Auftretens der Scanrichtung in willkürlichen Einheiten aufgetragen sein. Da hier jeweils die einzelnen Scanbahnen gemäß den definierten Schicht- scanrichtungsanordnungen HS2, HS3 relativ exakt eingehalten werden, ergeben sich hier auch jeweils relativ schmale gaußförmige Linien in den Segmentscanrichtungsverteilungen SSV2, SSV3 bei den entsprechenden Gradzahlen der Orientierung der Schichtscanrichtungsanordnung HS2, HS3. Zwischen der oberen Segmentscanrichtungsverteilung SSV3 für das äußere Segment SG3 und der unteren Segmentscanrichtungsverteilung SSV2 für das innere Segment SG2 ist jeweils in den Figuren 3 bis 6 noch einmal die jeweilige Schicht (in Figur 3 die unterste Schicht L1) dargestellt und es ist durch Pfeile markiert, wie die einzelnen Scanrichtungen der Hatchstrategie HS3 im äußeren Segment SG3 der untersten Schicht L1 zu den Peaks in der oberen Segmentscanrichtungsverteilung SSV3 beitragen und wie die einzelnen Scanrichtungen der Hatchstrategie HS2 im inneren Segment SG2 der untersten Schicht L1 zu den Peaks in der unteren Segmentscanrichtungsverteilungen SSV2 beitragen. So führt die erste Schicht L1 für das äußere Segment SG2 zu einem Peak bei 90° und einem weiteren Peak bei 270°. Die Hatchstrategie HS2 für das innere Segment SG2 in der ersten Schicht L1 führt dagegen zu einem Peak bei 0° und einem weiteren bei 180°. Die weiteren Figuren 4, 5 und 6 zeigen dann, wie die darüber liegenden Schichten L2, L3 und L4 zu weiteren Peaks in den Segmentscanrichtungsverteilungen SSV2, SSV3 für das äußere Segment (siehe jeweils die obere Kurve) und das innere Segment (siehe jeweils die untere Kurve) beitragen. Es zeigt sich hier deutlich, dass nicht nur die Hatchstrategien HS2, HS3 für die Segmentscanrichtungsverteilung SSV verantwortlich sind, sondern insbesondere auch die Strategie bei der Orientierung der jeweiligen Hatchstrategien von Schicht zu Schicht. So weist die Segmentscanrichtungsverteilung SSV3 für das äußere Segment SG3 nur Peaks bei 0°, 90°, 180°, 270° und 360° auf, wogegen die Segmentscanrichtungsverteilung SSV2 für das innere Segment SG2 erheblich mehr Winkel umfasst. Grundsätzlich wäre es aber auch möglich und in der Realität auch bevorzugt, erheblich kompliziertere oder glattere Segmentscanrichtungsverteilungen zu nutzen, in denen die Scanrichtungen nicht innerhalb von so engen definierten Winkeln verlaufen, wie dies in dem vorher dargestellten einfachen Ausführungsbeispiel der Fall ist. Figur 7 zeigt ein Beispiel für eine nahezu gleichverteilte Segmentscanrichtungsverteilung SSV3, wobei hier die Verteilungsfunktion durch die Wahrscheinlichkeiten approximiert wird, die in jeder einzelnen Gradrichtung erreicht werden. Da die meisten Maschinen in der Regel 1° genau auflösen können, könnte die Verteilungsfunktion durch 360 einzelne Schritte approximiert werden. Eine solche Gleichverteilung lässt sich beim Aufbau des Produkts erreichen, wenn ein Segment aus vielen Schichten besteht und jeweils in den Schichten des Segments wieder dieselbe Schichtscanrichtungsanordnung (Hatchstrategie) verwendet wird, aber von Schicht zu Schicht die Orientierung der Schichtscanrichtungsanordnung immer um einen Winkel (z. B. der häufig genutzte Winkel von 67°) verdreht wird, der kein Teiler von 360° ist. Dann kommen quasi alle Winkel in der Segmentscanrichtungsverteilung vor. Figur 8 zeigt ebenfalls eine Segmentscanrichtungsverteilung SSV4 mit nahezu gleich- verteiltem Winkel. Eine solche Segmentscanrichtungsverteilung SSV4 lässt sich wie dargestellt auch aus Basisfunktionen, z. B. radialen Basisfunktionen, approximieren. Dies hat den Vorteil, dass die gesamte Segmentscanrichtungsverteilung parametrisierbar ist, d.h. durch eine relativ begrenzte Zahl von freien Winkelverteilungsparametern beschrieben werden kann, was den rechnerischen Aufwand beim Auffinden der optimalen Segmentscanrichtungsverteilung reduzieren kann. Eine Veränderung der Segmentscanrichtungsverteilung ist also immer möglich, indem beispielsweise andere Schichtscanrichtungsanordnungen (also ein entsprechend veränderter Parametersatz, da die Schichtscanrichtungsanordnung – anders als die Segmentscanrichtungsverteilung – ja als Teil des Parametersatzes mit vorgegeben wird) ausgewählt werden, insbesondere andere Hatchstrategien, und/oder indem die Orientierung bzw. die Verdrehung der Schichtscanrichtungsanordnungen in aufeinanderfolgenden übereinanderliegenden Schichten modifiziert wird, beispielsweise jeweils um 45° anstelle von 90° verdreht wird etc. Dies hat ebenso wie die Wahl von weiteren Prozessparametern bei der Fertigung Einfluss auf die Textur und somit auch auf andere Eigenschaften eines Bauteils. Die Erfindung kann sich all diese oben genannten Zusammenhänge insofern zunutze machen, indem auf Basis eines bekannten Parametersatzes, der zum Aufbau einer Schicht eines Segments eines Bauteils genutzt wurde oder genutzt werden soll, sowie einer Segmentscanrichtungsverteilung, welche sich über das gesamte, aus mehreren Schichten zusammengesetzte Segment ergibt, zumindest ein Makroeigenschaftswert des betreffenden Segments ermittelt bzw. approximiert werden kann. Zudem können aufgrund der Zusammenhänge zwischen den Prozessparameterwerten und der Segment- scanrichtungsverteilung auf der einen Seite sowie den gewünschten Eigenschaften des erstellten Fertigungsprodukts auf der anderen Seite, für die einzelnen Segmente des Fertigungsprodukts jeweils optimierte Prozessgrößenwerte, insbesondere eine optimierte Segmentscanrichtungsverteilung und ein optimaler Parametersatz in dem jeweiligen Segment (und somit auch eine optimale Scanrichtungsverteilung für das Bauteil insgesamt), so ermittelt werden, dass das Bauteil letztlich bestimmte (Qualitäts- )Anforderungsdaten auch besonders gut erfüllt. Ein vereinfachtes Schaubild einer hierfür geeigneten Vorrichtung zur Generierung von optimierten Prozessgrößen ist in Figur 9 gezeigt. Kernpunkt dieser Vorrichtung 60 ist eine Optimierungseinheit 65 (kurz „Optimierer“), beispielsweise in Form von Software. Unter anderem enthält der Optimierer 65 hier als Untereinheit, z.B. in Form eines Softwaremoduls, zumindest eine KI-basierte Optimierungseinheit NN, hier konkret ein neuronales Netzwerk NN. Es können aber auch mehrere KI-basierte Optimierungseinheiten NN im Optimierer 65 genutzt werden. Beispiele für KI-basierte Optimierungseinheiten in Form von (trainierten) neuronalen Netzwerken und Trainingsverfahren werden später noch genauer erläutert. Diesem Optimierer 65 können über eine Anforderungs-Schnittstelleneinheit 61, beispielsweise von einem Nutzer, Anforderungsdaten AD des gewünschten Fertigungs- produkts übermittelt werden. Die Anforderungsdaten AD umfassen zumindest geometrische Daten GD des Fertigungsprodukts, wobei diese geometrischen Daten GD z. B. im allgemeinsten Fall auch nur erlaubte Maximalmaße für das Bauteil umfassen können, oder nur maximale oder minimale Abmessungen in bestimmten Richtungen, aber andererseits auch ganz konkrete Maße über bestimmte exakte Längen oder sogar die CAD- Daten, die kompletten Konturen des Bauteils definieren. Dem Optimierer 65 werden außerdem über eine Schnittstelle 62 Daten über die Hardwareeigenschaften der verwendeten Maschine (d. h. der Produktionsvorrichtung 1) zugeführt, insbesondere über die möglichen Prozessparameter, mit denen die Produktionsvorrichtung 1 überhaupt gesteuert werden kann. Über eine Schnittstelle 63 kann der Optimierer 65 auf ein Eigenschaftsdatenbanksystem DBS (im Folgenden auch kurz „Datenbanksystem“ genannt) zugreifen, welches später noch weiter erläutert wird: In dem Datenbanksystem DBS sind bestimmten Parametersätzen, mit denen die Produktionsvorrichtung 1 während des Aufbauprozesses einer Schicht gesteuert werden kann (insbesondere die Scangeschwindigkeiten, die Laserleistungsdichte etc.), in Abhängigkeit von verschiedenen Informationen über die Scanrichtungen, beispielsweise die Schichtscanrichtungsanordnungen innerhalb einer Schicht und/oder die Segmentscanrichtungsverteilung innerhalb eines aus mehreren Schichten bestehenden Segments, jeweils Eigenschaftswerte der betreffenden Schicht bzw. des Segments zugeordnet. Hierzu können u. a. die oben erwähnten Basiseigenschaftswerte BEW der einzelnen Schichten gehören, wie z. B. die Textur als mathematische Beschreibung mittels ODF in der jeweiligen Schicht oder deren Elastizitätstensor, aber auch Makroeigenschaftswerte MWA, welche z. B. die Textur bzw. ODF aus makroskopischer Sicht im gesamten Segment beschreiben, und/oder daraus abgeleitete Makroeigenschaftswerte MWA, wie die Steifigkeit oder die Festigkeit, um nur einige Beispiele zu nennen. Aus all diesen Daten kann dann der Optimierer 65, z. B. in der nachfolgend noch anhand von Figur 12 erläuterten Vorgehensweise, optimierte Prozessgrößenwerte PGO bestimmen und über eine Schnittstelle 64 für weitere Zwecke bereitstellen. Die gesamte Vorrichtung 60, d. h. nicht nur der Optimierer 65, sondern auch sämtliche Schnittstellen 61, 62, 63, 64 können in Form von Software auf einer geeigneten Rechnereinheit realisiert werden. Auch das Datenbanksystem DBS kann Teil der Vorrichtung 60 sein und ebenfalls auf der betreffenden Rechnereinrichtung realisiert sein. Grundsätzlich können die Schnittstellen (also die Anforderungs-Schnittstelle 61, die weiteren Schnittstellen 62, 63 und die Prozessgrößenwerte-Schnittstelleneinheit 64) auch als gemeinsame Schnittstelleneinheit ausgebildet sein, um Daten zu übernehmen, im Optimierer 65 zu verarbeiten und wieder auszugeben. Die Bereitstellung der optimierten Prozessgrößenwerte PGO kann beispielsweise durch Hinterlegung in einem geeigneten Speicher erfolgen oder auch durch Übersendung an eine weitere Einheit, die darauf basierend dann die optimierten Steuerdaten für die Produktionsvorrichtung generiert, beispielsweise in einer der Steuerdaten- erzeugungsvorrichtungen 54, 54‘, wie sie in Figur 1 schematisch dargestellt sind. Für das Optimierungsverfahren erhält der Optimierer 65 außerdem noch Informationen über eine gewünschte Zielfunktion ZF, wobei diese Zielfunktion ZF sich zumindest zum Teil auch aus den Anforderungsdaten ergeben kann und/oder aus einem anderen Programm übernommen werden kann und/oder mittels einer Benutzerschnittstelle vorgegeben bzw. konfiguriert werden kann. Eine solche Zielfunktion ZF kann eine Vielzahl von Teilfunktionen TF1, …, TFi, …, TFn (auch „Unterfunktionen“ oder „Unterfunktionale“ genannt) aufweisen, die jeweils dazu dienen, unterschiedliche Anforderungen zu berücksichtigen. Dies ist graphisch in Figur 10 dargestellt. Es wird im Übrigen auch bezüglich der Aufstellung und Nutzung der Zielfunktion ZF und ihrer möglichen Teilfunktionen insbesondere auf die DE 102022117935 verwiesen. Die dortigen Funktionalitäten sind auch im Rahmen der vorliegenden Erfindung nutzbar und werden nur durch die Erfindung ergänzt. Vorzugsweise kann eine Teilfunktion TF1 beispielsweise grundsätzlich die Maximierung der Baurate umfassen und vorzugsweise gibt es auch eine Teilfunktion TFn, welche auf eine Minimierung der Wechsel des Parametersatzes innerhalb des Gesamtaufbaus des Bauteils abzielt. D. h., dass das Bauteil möglichst wenig unterschiedliche Segmente enthalten sollte, da ja die einzelnen Segmente so definiert sind, dass innerhalb des Segments derselbe Parametersatz zum Aufbau der Schichten des betreffenden Segments verwendet wird. Dies kann z. B. durch eine Teilfunktion zur Minimierung der Anzahl der Segmentgrenzen realisiert werden. Daneben gibt es eine Vielzahl von weiteren optionalen Teilfunktionen TFi, die die verschiedensten Kriterien berücksichtigen können, wie beispielsweise eine Minimierung des Materialeinsatzes, eine Optimierung eines Sicherheitsindikatorfaktors (siehe Gleichung (8)), eine Minimierung der Entropie der Segmentscanrichtungsverteilung, d. h. dass die Eigenlast des Bauteils bzw. die Masse möglichst reduziert wird, eine Entpulverbarkeit etc. des Bauteils und/oder andere beliebige Kriterien. In Figur 10 ist die Zielfunktion ZF als Kette mit einem (vorzugsweise obligatorischen) ersten Kettenglied, das die Teilfunktion TF1 für die Maximierung der Baurate repräsentiert, und mit einem (bei dem später noch erläuterten bevorzugten Optimierungsverfahren mit beweglichen Segmentgrenzen vorzugsweise obligatorischen) letzten Kettenglied, das die Teilfunktion TFn für die Minimierung der Anzahl der Segmente und somit der Wechsel des Parametersatzes (sofern – wie bevorzugt – für jedes Segment genau ein optimaler Parametersatz gewählt wird) repräsentiert, dargestellt. Dazwischen sind einige optionale Teilfunktionen TFi dargestellt. Dies dient aber nur der Veranschaulichung der verschiedenen Möglichkeiten. Tatsächlich können die Teilfunktionen TF1, …, TFi, …, TFn in jeder geeigneten Reihenfolge und Weise in einer Zielfunktion verkettet sein. Um die einzelnen Kriterien zu priorisieren, können die verschiedenen Teilfunktionen TF1, …, TFi, …, TFn auch jeweils mit einem Gewichtungsfaktor in der Zielfunktion ZF berücksichtigt werden. Hierbei ist die Wahl der optionalen Teilfunktionen vom Anwender und dessen Optimierungsfragestellung abhängig und kann beliebig erweitert werden. Durch eine sequenzielle Kopplung mit den Randwertproblemen bzw. mechanischen Belastungen oder Eigenschaftsanforderungen wird die Gestalt des Bauteils in einem vom Anwender gewählten Gebiet auf vorgegebene Anwendungsfälle hin optimiert. Eine im Rahmen des Optimierungsverfahrens verwendbare Zielfunktion ^ (welche auch als „Gütefunktional“ oder kurz „Funktional“ bezeichnet werden kann), mit der gleichzeitig jeweils die optimalen Parametersätze und optimierten Schichtscanrichtungsanordnungen der Segmente eines zuvor definierten Gebiets ^ ermittelt werden können, kann mathematisch beispielsweise wie folgt definiert werden: ^ = _∫ ^_^^^ ^^ (1) ^_^^^ sind dabei die Segment-Zielfunktionen der einzelnen Segmente im Gebiet ^. Die Integration entspricht dabei einer Aufsummierung der Segment-Zielfunktionen im Gebiet ^. Diese Segment-Zielfunktionen können jeweils wie folgt definiert werden: ^ = ∑ ^ ^_{^^ ^} ^_^^_^ (2) Die Segment-Zielfunktionen ^_^^^ lassen sich so ohne Beschränkung der Allgemeinheit als gewichtete Summe von Teilfunktionalen ^^ ^ (den Teilfunktionen) beschreiben, von denen jedes mit einem Gewichtungsfaktor ^_^ multipliziert ist. i ist dabei ein Laufindex zur Nummerierung der Teilfunktionen und das U in ^^{^} ist nur ein Platzhalter für einen konkreten Namen der Teilfunktion, beispielsweise U = ^^^^^ für die Teilfunktion (das Unterfunktional) ^^{^^^^^} zur Minimierung der Bauzeit bzw. Maximierung der Baurate. Grundsätzlich sind dabei alle Teilfunktionale ^^{^} (und somit auch die Segment- Zielfunktionen ^_^^^ und letztlich die Zielfunktion ^) in irgendeiner Weise von einem gewählten Parametersatz ^_^ (^) abhängig ^ repräsentiert dabei die räumlichen Koordinaten im Gebiet ^, in welchem optimiert wird (also im Bauteil und in den Pulversegmenten). D.h. jedem Ort im Gebiet ^ wird ein konkreter Parametersatz ^_^ (^) zugeordnet, wobei dieser dem jeweiligen für das Segment, in dem sich der Punkt befindet, aktuell geltenden Parametersatz zum Aufbau der Schichten des betreffenden Segments entspricht. Im Rahmen der Optimierung wird nämlich für die Punkte bzw. die Segmente (neben der Suche nach der optimalen Segmentscanrichtungs- verteilung) jeweils ein geeigneterer Parametersatz aus einer Mehrzahl von Kandidaten- Parametersätzen ausgewählt, wie dies oben schon erwähnt wurde. ^ ist hier – und im Folgenden - eine Indexvariable, welche die verschiedenen Parametersätze ^_^ (^) der Kandidaten-Parametersätze bezeichnet. Z. B. kann die Teilfunktion ^^{^^^^^} zur Minimierung der Bauzeit z. B. wie folgt definiert werden: Diese Teilfunktion ^^{^^^^^} der Zielfunktion kann genutzt werden, um den Beitrag der einzelnen Parametersätze ^_^ (^) auf die Baugeschwindigkeit zu berücksichtigen. Das Teilfunktional ^^{^^^^^} soll dabei sicherstellen, dass unter allen möglichen Konfigurationen von Parametersätzen ^_^ (^) in Abhängigkeit vom Ort ^ gerade diejenigen mit der höchsten Volumenaufbaurate berücksichtigt werden. ^_^ bezeichnet darin dementsprechend die Volumenaufbaurate, welche am jeweiligen Ort ^ durch den Prozessparametersatz ^_^ (^) erreicht werden kann. Andere Definitionen der Teilfunktion ^^{^^^^^} zur Minimierung der Bauzeit sind auch möglich, wie später noch gezeigt wird. Zusätzlich sind viele Teilfunktionale ^^{^} noch von der Segmentscanrichtungsverteilung ^ (^) abhängig: ^^{^} (^_^ ⁽^⁾ , ^(^)) (5) Die Segmentscanrichtungsverteilung ^ (^) ist insoweit abhängig vom Ort ^, da sie davon abhängt, in welchem Segment sich der aktuelle betrachtete Ort befindet. Ein konkretes Beispiel für eine von der Segmentscanrichtungsverteilung ^ (^) abhängige Teilfunktion ist eine Teilfunktion, die dazu dient, die ortsabhängige Steifigkeit möglichst gut an die Steifigkeitsanforderungen anzupassen. Ein Beispiel hierfür findet sich in der DE 10 2022117935. Wie in Gleichung (2) gezeigt, kann ein Nutzer durch einen höheren Gewichtungsfaktor ^_^ gewisse Anforderungen innerhalb seines multiphysikalischen Anforderungsprofils hervorheben und somit sicherstellen, dass dieser Aspekt beim Auffinden eines Pareto- Optimums stärker berücksichtigt wird. Die Gewichtungsfaktoren können prinzipiell beliebige Zahlen größer 0 sein. Eine sinnvolle Möglichkeit wäre es, immer Zahlen zwischen 0 und 1 zu wählen, wobei die Summe der Gewichtungsfaktoren auch auf 1 normiert sein kann. Sollen dann zum Beispiel in der Zielfunktion drei Teilfunktionen berücksichtigt werden, nämlich eine für den Sicherheitsfaktor, eine für die Baurate und eine für die Anzahl der Segmentgrenzen, wobei der Sicherheitsfaktor eine höhere Wichtigkeit haben soll, könnte die Teilfunktion für den Sicherheitsfaktor mit 0,5 gewichtet werden und die beiden anderen Teilfunktionen jeweils mit 0,25. Die im Rahmen des Optimierungsverfahrens schließlich zu minimierende Zielfunktion kann also durch Kombination der Gleichungen (1) und (2) wie folgt definiert werden: Das Funktional ^ hat hier integrale Form und nimmt immer einen skalaren Wert für das gesamte Gebiet ^ an. Ein höherer Wert des Gütefunktionals ^ beschreibt folglich einen in Bezug auf das gestellte Anforderungsprofil weniger wünschenswerten Zustand und ein niedriger Wert einen wünschenswerteren. Durch Minimierung dieser Funktion (6) kann also das Optimum gefunden werden, d.h. es wird der optimale Parametersatz ^ ^^^ ^ (^) aus den zur Verfügung stehenden (Kandidaten-)Parametersätzen ^_^(^) für die jeweilige optimale Segmentscanrichtungsverteilung ^ (^) ermittelt. Hierzu können verschiedene Optimierungs-Verfahren verwendet werden, wobei sich grundsätzlich zwei Fälle unterscheiden lassen: a) Optimierung mit fixen Segmentgrenzen. b) Optimierung mit beweglichen Segmentgrenzen, d.h. die Form der Segmente (und somit auch des Bauteils) kann variiert werden. Die Optimierung kann in beiden Fällen jeweils bevorzugt in einem iterativen, sequentiellen Verfahren erfolgen, wobei alle Verfahrensschritte auch in (insbesondere in einander verschachtelten) Iterationsschleifen mehrfach durchlaufen werden können, um den Einfluss der Optimierungen in den jeweiligen Schritten auf die jeweils anderen Schritte zu berücksichtigen. Dabei ist es grundsätzlich auch möglich, in einzelnen Schritten eine Optimierung mit fixen Segmentgrenzen durchzuführen und diese Schritte dann iterativ mehrfach zu durchlaufen, wobei zwischen den Durchläufen in anderen Schritten der Schleife unter anderem auch Segmentgrenzen geändert werden können. D.h. dass bei jedem Durchlauf durch diesen Optimierungsschritt mit fixen Segmentgrenzen jeweils eine Optimierung mit ggf. geänderten Segmentgrenzen durchgeführt wird. Ein genaueres Beispiel für diese konkrete bevorzugte Vorgehensweise wird später noch anhand von Figur 12 erläutert. Zunächst wird im Folgenden jedoch noch ein Überblick über grundsätzlich nutzbare Optimierungs-Verfahren mit fixen Segmentgrenzen oder mit beweglichen Segmentgrenzen gegeben: a) Optimierung mit fixen Segmentgrenzen: Hierzu können zum einen eine Vielzahl von klassischen, insbesondere numerischen, Verfahren zur linearen und nichtlinearen lokalen oder globalen Optimierung mit und ohne Nebenbedingung genutzt werden, wobei hier je nach Form der Zielfunktion ^ insbesondere Verfahren in Frage kommen, die ableitungsfrei sind (bspw. Intervallhalbierungsverfahren, Downhill-Simplex-Verfahren, usw.), die die erste Ableitung benötigen (wie Sekantenverfahren, Gradientenverfahren und Konjugierte-Gradienten-Verfahren, Quasi- Newton-Verfahren, usw.) oder die zweite Ableitung benötigen (wie Newton-Verfahren bzw. Newton-Raphson-Verfahren). Je nach gewählter Methode sind dann die Unterfunktionale so zu formulieren, dass diese bzgl. der zu optimierenden Größen (also der Prozessparametersätze ^_^ (^) und/oder der Segmentscanrichtungsverteilungen ^ (^)) stetig, einmal stetig differenzierbar oder sogar zweimal differenzierbar sind. Vorzugsweise werden Verfahren mit hoher Konvergenz genutzt, also solche, die eine möglichst hohe Ableitung benötigen, da solche Verfahren schneller sind. Beispiele für die technische Umsetzung von geeigneten Optimierungsverfahren können Grundlagenwerken wie C. Richter, Optimierung in C++: Grundlagen und Algorithmen, 2016, Wiley-VCH, Berlin entnommen werden, wobei bei dem vorgeschlagenen Werk das Gütefunktional mit ^(^) statt ^ bezeichnet wird und die zu optimierenden Größen mit ^ bezeichnet werden. Insbesondere bei solchen Optimierungsschritten mit fixen Segmentgrenzen bietet sich zum anderen aber auch die Verwendung zumindest einer KI-basierten Optimierungseinheit (wie später noch gezeigt wird) an, wobei aber KI-basierte Optimierungseinheiten prinzipiell auch für eine Optimierung mit beweglichen Segmentgrenzen genutzt werden können. Die zuvor genannten herkömmlichen Verfahren können z. B. dann genutzt werden, um die KI- basierten Optimierungseinheiten bzw. neuronalen Netzwerke zu trainieren. b) Optimierung mit variablen Segmentgrenzen: Auch für den Fall der Optimierung mit beweglichen Segmentgrenzen gibt es verschiedene Methoden, diese zu verwirklichen. Dabei ist es wie erwähnt möglich, gleichzeitig die Gestalt, also die Geometrie, der Segmente (und damit des Bauteils) und die Segmentscanrichtungsverteilungen zu optimieren, wobei die an den einzelnen Orten geltenden Parametersätze durch die Verschiebung der Grenzen der Segmente zwangsläufig noch mit variiert werden können, da der betreffende Ort möglicherweise durch die Grenzverschiebung einem anderen Segment zugeordnet wird, in welchem ein anderer Parametersatz gilt. Ohne Beschränkung der Allgemeinheit lassen sich im Prinzip zur Minimierung der Zielfunktion ^ alle Verfahren nutzbar machen, welche zur Topologie- Optimierung verwendet werden. Zu diesen Verfahren zählen u.a.: - diskrete Topologie Optimierung, Michell A. G. M. The limits of economy of material in frame structures. Philosophical Magazine 8(47):589–597, 1904 - Shape derivatives Topologie Optimierung, P. Gangl, Sensitivity-based topology and shape optimization with application to electrical machines, Universität Linz, Dissertation 2016 - Level set, S. Kambampati, C. Jauregui, K. Museth & H. A. Kim, Large-scale level set topology optimization for elasticity and heat conduction, Structural and Multidisciplinary Optimization volume 61:9–38, 2020 - Evolutionary structural optimization, P. Tanskane, The evolutionary structural optimization method: theoretical aspects, Computer Methods in Applied Mechanics and Engineering, 191(47–48): 5485-5498, 2002 - Phase field, J. Kato, S. Ogawa, T. Ichibangase & T. Takaki, Multi-phase field topology optimization of polycrystalline microstructure for maximizing heat conductivity, Structural and Multidisciplinary Optimization volume 57: 1937–1954, 2018 Hierzu muss jeweils im Wesentlichen aus der Zielfunktion ^ eine sogenannte „Grenzflächendynamik“ hergeleitet werden, wobei eine numerisch lösbare Differentialgleichung aufgestellt wird, in welcher die Zielfunktion ^ nach den zu optimierenden Parametern abgeleitet wird. Diese Vorgehensweisen sind dem Fachmann grundsätzlich bekannt. Im Zusammenhang mit der Erfindung kann besonders bevorzugt eine sogenannte „Multi- Phasenfeld-Methode“ genutzt werden, wie sie in der DE 102022117935 (mit den dortigen Nachweisen für das prinzipielle Vorgehen) erläutert wird. Die Erfindung soll aber nicht auf diese bevorzugte Methode zwingend fixiert sein. Die Multi-Phasenfeld-Methode ist (als eine Phasenfeldmethode) eigentlich ein Verfahren zur numerischen Simulation von Vorgängen, bei denen zwei oder mehr Phasen und die Grenzflächen zwischen ihnen, die Phasengrenzen, beschrieben werden sollen. Die Phasenfeldmethode kann zur Ermittlung eingesetzt werden, wie sich Strukturen und der Verlauf der Grenzflächen mit der Zeit ändern. Im Rahmen der Erfindung kann (wie in der DE 10 2022 117 935 erläutert) dieses Prinzip vorteilhaft genutzt werden, um die Verschiebung der Grenzflächen zwischen benachbarten Segmenten zu beschreiben, in denen jeweils andere Prozessparametersätze ^_^ (^) und/oder Segmentscanrichtungs- verteilungen ^ (^) gelten sollen. Die unterschiedlichen Prozessparametersätze ^_^ (^) und/oder Segmentscanrichtungsverteilungen ^ (^) entsprechen also im vorliegenden Fall den unterschiedlichen „Phasen“. Ansonsten kann die Vorgehensweise prinzipiell weitgehend übernommen werden. Um eine Optimierung mit beweglichen Segmentgrenzen mittels einer solchen Multi- Phasenfeld-Methode durchzuführen, werden also (wie in der DE 102022117935 genauer beschrieben) aus der Zielfunktion ^, in der Regel nichtlineare, partielle Differential- gleichungen hergeleitet, die jeweils die Bewegung der Segmentgrenzflächenpositionen (also der Positionen der einzelnen Punkte bzw. Orte ^ der Segmentgrenzen) beschreiben. Da an einer Grenze zwischen zwei benachbarten Segmenten einerseits von einem Parametersatz ^_^ ⁽^⁾ auf einen anderen Parametersatz ^_^ ⁽^⁾ gewechselt wird ( ^ ist hier einfach eine weitere Indexvariable ungleich ^), anderseits aber bei der Nutzung der benötigten Differentialgleichungen keine scharfen Übergange (sharp interfaces) bzw. Sprünge erlaubt sind, werden hierzu in der technischen Umsetzung des Optimierungsalgorithmus die Parametersätze ^_^(^) am Ort ^ jeweils durch ihre „Anteile“ ^^{^} _^(^) dargestellt. Der Wert des Anteils kann zwischen 0 und 1 liegen, wobei ^^_^(^) = 1 bedeutet, dass der Parametersatz ^_^(^) an einen Ort ^ vorliegt und ein Anteil von ^_^ ⁽^⁾ = 0, dass er nicht vorliegt. Somit können Orte ^ in einem Grenzbereich (im Folgenden auch als „Grenzflächenbereich“ bezeichnet, dessen Breite von einem Anwender definierbar ist) zwischen zwei Segmenten in der Optimierung einfach einen Anteil ^^{^} _^(^) eines ersten Parametersatzes ^_^(^), der im ersten Segment gilt, und einen Anteil ^^_^(^) eines zweiten Parametersatzes ^_^(^), der im benachbarten zweiten Segment gilt, aufweisen. Treffen in einem Grenzflächenbereich mehr als zwei Segmente aufeinander, können an einem Ort ^ auch Anteile von mehr als zwei Parametersätzen vorliegen. In jedem Fall muss an jedem Ort die Summe der Anteile aller dort vorliegenden Parametersätze gleich 1 ergeben. Um über das gesamte Gebiet ^ mit Anteilen ^^{^} _^(^) von Parametersätzen ^_^(^) arbeiten zu können, wird für alle Orte ^ in einem mittleren Bereich eines Segments, also außerhalb eines Grenzbereichs zu einem anderen Segment, in der Optimierung einfach der Anteil ^^{^} _^(^) des im Segment geltenden Parametersatz ^_^(^) auf 1 gesetzt. Die Zielfunktion ^ bzw. die einzelnen Teilfunktionale ^^{^} müssen dann für die Phasen- feldmethode dementsprechend angepasst werden, so dass diese die Anteile ^^{^} _^(^) der Parametersätze ^_^(^) mathematisch berücksichtigen. Dies erfolgt individuell für die verschiedenen Teilfunktionale und ist für verschiedene Teilfunktionale in der DE 102022 117935 beschrieben, so dass hierauf verwiesen werden kann. Ebenso wird auf dieses Dokument hinsichtlich der Definitionen und Erklärungen der o. g. Differentialgleichungen verwiesen. Im Rahmen der Multi-Phasenfeldmethode können, wie in der DE 102022117935 genauer erläutert, auch die Segmentscanrichtungsverteilungen ^(^) optimiert werden, indem eine Optimierung nach den freien Winkelverteilungsparameter ^^{^} _^(^) erfolgt, mit denen jeweils die Segmentscanrichtungsverteilungen ^(^) definiert werden können. Z. B. können die freien Winkelverteilungsparameter ^^{^} _^(^) bei einer nichtparametrischen Beschreibung der Segmentscanrichtungsverteilung ^(^) die Anteile der einzelnen diskreten Scanrichtungswinkel an der jeweiligen Segmentscanrichtungsverteilung ^(^) sein. So kann die Segmentscanrichtungsverteilung ^(^) z. B. in 360 diskrete Scan- richtungswinkel zu je einem Grad zerlegt werden. Ein freier Winkelverteilungsparameter ^^{^} _^(^) ist dann der Anteil genau des ^-ten Scanrichtungswinkels in der Segmentscan- richtungsverteilung ^(^). Der Wert der Segmentscanrichtungswinkelanteile ^^{^} _^(^) liegt hier jeweils zwischen 0 und 1, wobei ein Wert zwischen 0 und 1 dann nicht auf eine Segmentgrenze hindeutet, sondern nur einen Anteil des Scanrichtungswinkels in den Segmentscanrichtungsverteilungen ^(^) beschreibt. Es gilt dabei, dass an jedem Ort ^ die Summe aller Segmentscanrichtungswinkelanteile ^^{^} _^(^) gleich 1 sein muss. Wenn die Segmentscanrichtungsverteilung ^⁽^⁾ dagegen parametrisch definiert werden kann, z. B. als Gaußverteilung, können die freien Winkelverteilungsparameter ^^{^} _^(^) alternativ auch die einzelnen Parameter der Segmentscanrichtungsverteilung ^(^) sein, nach denen optimiert werden soll, wobei ^ und ^ für die einzelnen Parameter stehen (z. B. ^ für den Mittelwert und ^ für die Standardabweichung). In der Praxis können für die Optimierung unter Nutzung dieser Phasenfeldmethode einfach ein bereits vorhandenes Programm oder Programmteile zum numerischen Lösen solcher Aufgaben herangezogen werden. Beispielsweise gibt es solche Programme in den Softwarepaketen OpenPhase, OpenFoam oder deal.II usw. Da bei einer Optimierung mit variablen Segmentgrenzen die Segmentgrenzen durch diffuse Grenzflächenbereiche definiert sind, wird nach erfolgter Optimierung festgelegt, in welchen Voxeln im Grenzflächenbereich letztlich welcher Prozessparametersatz und welche Segmentscanrichtungsverteilung anzuwenden ist. Dies kann unter anderem auch davon abhängen, wozu die im Optimierungsverfahren erhaltenen Daten konkret dienen sollen. Sollen sie unmittelbar zur Ansteuerung der Produktionsvorrichtung dienen, kann auch in den Grenzflächenbereichen ausgenutzt werden, dass für die dortigen Voxel jeweils die Parametersatzanteile ^^{^} _^(^) verschiedener Parametersätze ^_^(^) bekannt sind, die jeweils den verschiedenen benachbarten Segmenten zugeordnet sind. In diesem Fall können der Steuereinrichtung der Produktionsvorrichtung beispielsweise die Daten für die Prozessparametersätze mitsamt ihren Anteilen auch voxelweise übergeben werden und während des Produktionsverfahrens werden die Prozessparametersätze in einem Überlappbereich zwischen zwei Segmenten entsprechend ihren Anteilen mehrfach angewendet. In einem Laser Powderbed Fusion Verfahren kann beispielsweise im Überlappbereich der Laser mehrfach in diesem Bereich belichten, jeweils mit unterschiedlichen Prozessparametersätzen. Um dagegen wieder scharfe Segmentgrenzen zu rekonstruieren, um das Bauteil als CAD- Model darzustellen, kann dies z. B. über ein geeignetes Verfahren bspw. in Form von Isoflächen erfolgen. Isoflächen sind Flächen, die im Raum benachbarte Voxel gleicher Merkmale oder Werte einer bestimmten Größe, wie zum Beispiel Parametersatzanteile oder freie Winkelverteilungsparameter, miteinander verbinden. Da ein Segment, wie schon erwähnt, bevorzugt auch dadurch definiert ist, dass im Segment (neben derselben Segmentscanrichtungsverteilung) derselbe Prozessparametersatz ^_^ gilt (und es in diesem Sinne auch als „Prozessparametergebiet“ bezeichnet werden könnte), sind die dabei ermittelten Isoflächen den Segmentgrenzen gleichzusetzen. In den Voxeln, in denen verschiedene Parametersätze ^_^(^) mit ihren jeweiligen Parametersatzanteilen ^^_^(^) vorliegen, muss dabei eine Entscheidung gefällt werden, welcher Parametersatz dort gelten soll. Vorzugsweise kann dies zum Beispiel der Parametersatz mit dem größten Anteil sein. Ein Verfahren zur Erzeugung von Isoflächen ist z. B. das Marching Cubes-Verfahren, wie es in C. D. Hansen, C. R. Johnson Visualization Handbook, Elsevier Science, 2005, u. a. beschrieben ist. Auch andere Verfahren aus diesem Lehrbuch könnten verwendet werden. Eine entsprechende Zuordnung der Voxel im Grenzflächenbereich zu einer Segmentscanrichtungsverteilung ist insofern nicht zwingend erforderlich, da man einfach mit der Zuordnung zu einem Segment nicht nur den Prozessparametersatz festlegen kann, sondern dem jeweiligen Segment, in dem der Prozessparametersatz angewendet werden soll, auch die zugeordnete Schichtscanrichtungsanordnung zuweisen kann. Daraus ergibt sich dann automatisch die Segmentscanrichtungsverteilung des Segments, die ja für das gesamte Segment einheitlich sein soll. Im Folgenden werden nun einige weitere Teilfunktionen (= Unterfunktionale) beispielhaft genannt, um die Zielfunktion gemäß den Gleichungen (1) und (2) aufzustellen: a) Unterfunktional zur Minimierung von Segmentgrenzflächen. b) Unterfunktional zur Sicherstellung der Entpulverbarkeit des Bauteils (nur bei beweglichen Segmentgrenzen). c) Unterfunktional zur Sicherstellung der korrekten Wärmebehandlung. e) Unterfunktional zur Reduktion des Materialeinsatzes. f) Unterfunktional zur optimalen Gewährleistung eines Sicherheitsfaktors. g) Unterfunktional zur Maximierung der Variation der Scanrichtungswinkel. h) Unterfunktional zur Vermeidung einer Divergenz von Segmentscanrichtungs- verteilungen ^(^) innerhalb eines Segments. Da in der DE 102022117935 die o. g. Unterfunktionale genauer erläutert werden, kann hier wieder der Einfachheit halber auf die dortigen Erklärungen zu diesen Teilfunktionen verwiesen werden. Die Teilfunktionen können prinzipiell auch im Rahmen der vorliegenden Erfindung so genutzt werden. Im Folgenden wird jedoch auch zu den Verbesserungen der Optimierungsstrategien im Rahmen der vorliegenden Erfindung u. a. auf das bevorzugte Beispiel einer optimalen Gewährleistung eines Sicherheitsfaktors zurückgegriffen. Daher werden zum Unterfunktional zur optimalen Gewährleistung des Sicherheitsfaktors noch weitere Erläuterungen gegeben (die sich aber weitgehend mit den Erläuterungen in der DE 102022 117935 decken). In der Praxis werden Strukturen unter Berücksichtigung eines „Sicherheitsfaktors“ hinsichtlich ihrer Belastung ausgelegt. Ein Sicherheitsfaktor wird mittels eines Zahlenwerts dargelegt und gibt an, um welchen Faktor die Versagensgrenze eines Materialzustandes oder eines gesamten Bauteils höher ausgelegt ist, als sie aufgrund theoretischer Ermittlung sein müsste. Der Sicherheitsfaktor wird in der Regel einerseits aus dem Zustand des Materials des Bauteils und den daraus resultierenden theoretischen Zustandsgrößen, bspw. Festigkeit, sowie andererseits den Zuständen der im Bauteil wirkenden Feldgrößen, bspw. der mechanischen Spannungen, ermittelt. Um diesen Sachverhalt in einer Weiterbildung des erfindungsgemäßen Verfahrens abzubilden, wird vorzugsweise ein Sicherheitsindikatorfaktor eingeführt, welcher den Unterschied zwischen dem festgelegten Sicherheitsfaktor und dem aktuellen Zustand des Bauteils bzw. seiner Segmente aus der Simulation beschreibt. Hierbei wird der Unterschied bevorzugt durch eine Zahl abgebildet. Diese Abbildung kann beliebig sein, sollte vorzugsweise jedoch mindestens drei Zustände darstellen: i) der angestrebte Sicherheitsfaktor wird unterschritten, ii) der angestrebte Sicherheitsfaktor ist exakt erfüllt, iii) der angestrebte Sicherheitsfaktor wird überschritten. Hierzu kann bevorzugt eine Definition so erfolgen, dass der Wert 0 des Sicherheitsindikatorfaktors ausdrückt, dass der angestrebte Sicherheitsfaktor ^ exakt erfüllt ist, dass ein Wert kleiner 0 ausdrückt, dass dieser Sicherheitsfaktor unterschritten wird, und dass ein Wert größer 0 ausdrückt, dass dieser Sicherheitsfaktor überschritten ist. Der Wert des Sicherheitsfaktors ^ ist in der Regel immer größer oder gleich 1, ansonsten würde das Bauteil bei der geplanten Belastung mit hoher Wahrscheinlichkeit versagen. Er hängt in der Regel vom Anwendungsbereich und gegebenenfalls auch dessen Normen ab. Typische Werte für den Sicherheitsfaktor ^ sind z. B.1,5 oder 2 im Bereich des Automobilbaus und 1,5 bis 6 in der Luftfahrtindustrie, je nach Sicherheitsrelevanz des Bauteils. Ein Sicherheitsindikatorfaktor ^^_^^^_^ ⁽^⁾^ für einen Parametersatz ^_^(^) am Ort ^ kann z. B. wie folgt definiert werden: hierin eine materialspezifische Fließfunktion, die so zu skalieren = 1 gilt, wenn die mechanische Spannung die Fließgrenze des Materials erreicht, d.h. das Bauteil plastisch zu deformieren beginnt. Ist der Wert von ^ ^^_^^, ^_^(^)^ kleiner 1 so wird das Bauteil rein elastisch verformt. Der Sicherheits- indikatorfaktor ^^_^^^_^(^)^ ist also nur dann im „erlaubten“ Bereich größer oder gleich 0, wenn bei der Optimierung ein Parametersatz ^_^(^) ausgewählt wird, so dass der daraus resultierende Wert der materialspezifischen Fließfunktion ^_^ ⁽^⁾) unter dem Kehrwert des Sicherheitsfaktors ^ liegt. Zur Definition geeigneter materialspezifischer Fließfunktionen gibt es verschiedene Möglichkeiten, die dem Fachmann bekannt sind. Einige Varianten werden z. B. in J. Betten, Kontinuumsmechanik, 1993, Springer-Verlag, vorgestellt. Grundsätzlich kann eine geeignete materialspezifische Fließfunktion bzw. deren Parameter auch, insbesondere im isotropen Fall, mit Hilfe von Experimenten an geeigneter Proben, bspw. über Zugversuche oder dergleichen, definiert werden. Ein geeignetes Teilfunktional ^^{^} unter Nutzung dieses „Sicherheitsindikatorfaktors“ ^^_^^^_^(^)^ gemäß Gleichung (7) kann so ausgebildet sein, dass für einen optimalen Parametersatz ^_^(^) am Ort ^ besonders bevorzugt der Wert für den Sicherheits- indikatorfaktor ^^_^^^_^ ⁽^⁾^ gleich 0 angestrebt wird. Ganz besonders bevorzugt wird dabei dafür gesorgt, dass eine Überschreitung des Sicherheitsfaktors stärker bestraft wird als eine Unterschreitung, d. h. dass der Sicherheitsfaktor ^ zwar sicher erfüllt ist, aber der Aufwand hierfür dennoch minimiert wird. Eine Ausführung einer solchen Teilfunktion ^^{^} kann für eine Optimierung mit fixen Segmentgrenzen wie folgt aussehen: Die hier beschriebene Teilfunktion wurde in Form des Leonard-Jones-(exp, 6)-Potential gewählt. Diese Funktion soll ein Minimum ausweisen, wenn der Sicherheitsindikatorfaktor gleich oder nahe 0 ist. Für einen Wert kleiner Null soll die Teilfunktion schnell einen großen Wert annehmen. Mit dem Wert der Variable ^ in Gleichung (8) lässt sich der Wert für den Sicherheits- indikatorfaktor _^^^^_^^(_^)^ auf der Abszisse verschieben, bei dem die Teilfunktion _^^ ihren minimalen Wert aufweist. Die Teilfunktion ^^{^} in der Gleichung (8) ist so aufgebaut, dass für den Wert ^ = ^ dieser minimale Wert der Teilfunktion ^^{^} im Rahmen der Rechengenauigkeit bei ^^_^^^_^ ⁽^⁾^ = 0.025 liegt. Eine Realisierung der Teilfunktion ^^ mittels Gleichung (8) und ^ = ^ ist oft die bevorzugte Variante, da in der Praxis ein Wert für den Sicherheitsindikatorfaktor ^^_^^^_^ ⁽^⁾^ von 0 ohnehin fast nie erreicht werden kann, aber so sichergestellt werden kann, dass der Wert dem Wert 0 von der sicheren Seite, also größer 0, sehr nahe kommt. In ähnlicher Weise ist dies aber auch mit anderen Potentialfunktionen anstelle Gleichung (8) realisierbar. Bei einer Anforderung, welche z. B. in einem bestimmten Bereich auch ein Unterschreiten des Sicherheitsfaktors zulässt, aber dafür beispielsweise ein möglichst geringes Bauteilvolumen fordert, kann es dennoch sinnvoll sein, einen Sicherheitsindikatorfaktor von 0 möglichst gut zu erreichen, auch wenn dieser leicht unterschritten wird. Würde z. B. mit der Teilfunktion ^^{^} gemäß Gleichung (8) bei einem Wert ^ = ^ ein Sicherheitsfaktor ^ von 2 angestrebt, könnte man diesen jedoch nicht erreichen, sondern der Wert für den Sicherheitsfaktor wäre bei mindestens 2,1. Durch einen Wert ^ < ^ kann dieser Sachverhalt aber berücksichtigt werden, was andererseits dazu führt, dass der Sicherheitsfaktor in der Optimierung auch etwas unterschritten werden kann. Ebenso könnte man für solche Fälle aber auch vorher eine Korrektur des Sicherheitsfaktors z. B. gemäß ^ ^_^^^^ = ^^^.^^^ ^ (9) durchführen, wobei einfach der geänderte Sicherheitsfaktor ^_^^^^ anstelle des Sicherheitsfaktors ^ in Gleichung (7) eingesetzt wird. Im Rahmen einer numerischen Umsetzung der Optimierung kann es übrigens vorkommen, dass ein negativer Wert für die Teilfunktion ^^{^} auftritt, weil der Term ^^_^^^_^(^)^ + ^ in Gleichung (8) negativ wird. In diesem Fall kann z. B. bei der Umsetzung der Optimierung mit Gleichung (8) der Wert der Teilfunktion ^^{^} einfach zu 10⁹ gesetzt werden, so dass das Optimierungsverfahren gezwungen wird, die Werte anders zu wählen und damit den ungültigen Zustand zu „korrigieren“. Ein Beispiel für eine geeignete Teilfunktion ^^{^}, konkret hier die Funktion gemäß Gleichung (8), ist in Figur 11 graphisch dargestellt. Hier ist der Wert der Teilfunktion ^^{^} (in willkürlichen Einheiten; a. u. = arbitrary units) über dem Sicherheitsindikatorfaktor ^^_^ (in willkürlichen Einheiten) aufgetragen. Es ist deutlich zu sehen, dass der Wert der Teilfunktion beginnend beim Minimum der Teilfunktion ^^{^} mit steigendem Sicherheitsindikatorfaktor ^^_^ (nach rechts), d.h. bei einer Überdimensionierung, langsam steigt. Jedoch steigen beim Minimum der Teilfunktion ^^{^} mit fallendem Sicherheitsindikatorfaktor ^^_^ (nach links) die Werte der Teilfunktion ^^{^} stark an. Wie gesagt, wird zum Aufbau der Zielfunktion vorzugsweise zumindest eine minimale Konfiguration benötigt, welche sich (wie in der DE 102022117935 erläutert) besonders bevorzugt aus einem Unterfunktional zur Minimierung der Bauzeit bzw. Maximierung der Baugeschwindigkeit und – sofern eine Optimierung mit beweglichen Segmentgrenzen durchgeführt wird – einem Unterfunktional zur Minimierung von Segmentgrenzen (Prozessparametergrenzflächen), also zur Minimierung der Segmente im Bauteil, zusammensetzt. Daneben kann die Zielfunktion wie gesagt eine Reihe weiterer optionaler Unterfunktionale enthalten, wie z. B. die anderen o. g. Unterfunktionale. In den obigen Beispielen ist jeweils die einfachste Form der Unterfunktionale dargestellt, die zum Einbeziehen weiterer Nebenbedingungen modifiziert werden können, sofern die betreffende Bedingung nicht in Form eines eigenen Unterfunktionals zum Optimierungs- problem hinzugefügt werden soll. Ob eine Koppelung eines Optimierungskriteriums an ein anderes Unterfunktional, insbesondere eines der obligatorischen Unterfunktionale, erfolgt oder eigene Unterfunktionale definiert werden, ist in Abhängigkeit von der Komplexität des Optimierungsproblems zu entscheiden. Ein Beispiel für die Kopplung eines Optimierungskriteriums an ein obligatorisches Unterfunktional wird im Folgenden an der Kopplung des Sicherheitsfaktors an das Unterfunktional zur Minimierung der Bauzeit bzw. Maximierung der Volumenaufbaurate dargestellt. Dieses Unterfunktional zur Minimierung der Bauzeit wurde oben schon anhand von Gleichung (4) (ohne Verschiebung der Segmentgrenzen) vorgestellt. In beiden Fällen kann das Unterfunktional nun um einen Sicherheitsfaktor erweitert werden, um ein Unterfunktional ^^{^^^^^^^} mit Bauraten-Sicherheitsfaktor-Kopplung zu definieren: ^^{^^^^^^^} = −^_^(^_^ ⁽^⁾)^^^^⁽^^_^ ⁾ (4’) ^^_^ bezeichnet hier wieder den Sicherheitsfaktorindikator, wie er z. B. oben anhand von Gleichung (7) definiert werden kann. ^^^^ ist die Signum-Funktion, welche nur das Vorzeichen berücksichtigt und dabei dem Wert 0 ein positives Vorzeichen zuordnet. Wenn also ein Parametersatz ⁽^⁾^ dazu führen würde, dass der Sicherheitsfaktor unter- schritten wird (also der Sicherheitsfaktorindikator ^^_^ negativ wäre), so würde automatisch die Volumenaufbaurate nicht mehr von der Zielfunktion abgezogen, sondern hinzuaddiert, weil sich das Vorzeichen im Unterfunktional ^^{^^^^^^^} ändert. Somit wird zwangsläufig das Unterschreiten des Sicherheitsfaktors bestraft. Wird ein Unterfunktional verwendet, in welchem der Sicherheitsfaktor bereits integriert ist, ist es nicht erforderlich, noch zusätzlich ein separates Unterfunktional zur Einhaltung des Sicherheitsfaktors zu nutzen. Eine in der oben beschriebenen Weise definierte Zielfunktion ZF kann nun (beispielsweise von dem Optimierer 65 gemäß Figur 9) in einem Optimierungsverfahren genutzt werden. Ein Beispiel für ein mögliches Optimierungsverfahren wird nachfolgend anhand von Figur 12 erläutert. Hierbei handelt es sich um ein iteratives Verfahren. Dabei kann in einigen der Verfahrensschritte die Zielfunktion wiederholt genutzt werden, wobei gegebenenfalls in verschiedenen Schritten auch (nur) gewisse Teilfunktionen der Zielfunktion genutzt werden, um die den Teilfunktionen zugrundeliegenden Optimierungsziele zunächst separat voneinander abzuhandeln bzw. zu optimieren. Z. B. könnten bestimmt Teilfunktionen in einem Schritt in ihrer Wirkung reduziert oder sogar deaktiviert werden, indem bestimmte Parameter in dieser Teilfunktion entsprechend gesetzt werden, oder es werden in bestimmten Schritten bestimmte Optimierungsparameter zunächst als konstant angesehen. In dem Beispiel in Figur 12 wird exemplarisch eine Zielfunktion verwendet, welche die Teilfunktionen zur Minimierung der Bauzeit, zur Minimierung der Segmentgrenzflächen, zur Berücksichtigung eines Sicherheitsfaktors, für eine mögliche Entpulverung des Bauteils, zur Ermöglichung einer Wärmebehandlung, zur Maximierung der Variation der Scanwinkel und zur Vermeidung einer Divergenz der Segmentscanrichtungsverteilungen enthält. Es wird an dieser Stelle aber noch einmal ausdrücklich darauf hingewiesen, dass die Zielfunktion auch in anderer Weise aufgebaut sein kann, wie dies oben erläutert wurde. Die optimale Zielfunktion hängt vom Anforderungsspektrum, von der zur Verfügung stehenden Rechenleistung und der zur Verfügung stehenden Zeit ab. Im Schritt S0 wird zunächst ein Gebiet G (das Rechengebiet bzw. der Design-Space) definiert, welches das zu produzierende Bauteil umfasst. Sofern sich die Außenmaße des zu fertigenden Bauteils nicht ändern sollen, also die Form unverändert bleiben soll, könnte beispielsweise die Außenkontur des Bauteils selbst das Gebiet bilden. Im Übrigen wäre es aber auch möglich, in irgendeiner Weise eine beliebige Box um das Bauteil zu ziehen, d. h. dass auch die unverfestigten Bereiche um das Bauteil herum oder an bestimmten Seiten des Bauteils mit zum Gebiet zählen. Dieses Gebiet wird dann nachfolgend (in den weiteren Schritten, s. u.) in mehrere Segmente unterteilt, wobei einige der Segmente zum Bauteil gehören können, aber es auch Segmente (z. B. Pulversegmente) geben kann, die außerhalb des Bauteils liegen, sofern das Gebiet, wie gesagt, größer ist als das Bauteil. Im Schritt S1 werden dann für die nachfolgende Optimierung, welche hier iterativ abläuft, Startwerte gesetzt, nämlich konkret Start-Segmente SG‘, sowie jeweils zu den Start- Segmenten SG‘ zugehörige Start-Parametersätze PS‘ und Start-Segment- scanrichtungsverteilungen SSV‘. Anhand der Figuren 13, 14 und 15 kann verdeutlicht werden, wie für ein konkretes Bauteil 2‘, hier ein Prellbock 2‘, ein Gebiet G definiert werden kann und Segmente SG0, SG1, z. B. als Start-Segmente, im Gebiet G festgelegt werden können. In Figur 13 ist hierzu das Bauteil als Dreiecksnetz dargestellt, um zu visualisieren, dass die Daten virtuell bereitstehen, um für den Prellbock 2’ auch eine Finite-Elemente-Simulation für einen Lastfall durchzuführen, in dem äußere Kräfte, die in der Figur 13 jeweils als Pfeile dargestellt sind, auf den Prellbock 2‘ wirken. Auf Basis der Simulation lässt sich eine 3D- Belastungskarte erstellen, die am Prellbock 2‘ in Figur 14 in Graustufen (oder normalerweise farbig) visuell dargestellt ist. Es zeigt sich in dieser Darstellung, dass beispielsweise nur ein geringer Teil des Volumens, nämlich weniger als 3 % -Vol. des gesamten Prellbocks 2‘ einem Belastungsniveau oberhalb von 200 MPa ausgesetzt ist, wobei sich diese höher belasteten Bereiche hier vornehmlich im Bereich der Querstreben des Prellbocks 2‘ befinden. In Kenntnis der genauen Belastungsinformationen (welche auch Anforderungsdaten sein können, insbesondere Qualitätsanforderungsdaten), wie z. B. Informationen über die stärker und schwächer belasteten Bereiche, kann dann entsprechend das Bauteil virtuell vorteilhaft in einzelne Segmente aufgeteilt werden. Hier kann der Prellbock 2‘ basierend auf den Belastungsinformationen in einzelne Segmente so aufgeteilt werden, dass die besonders belasteten Bereiche in den Querstreben als separate Segmente SG1 angesehen werden und der restliche Bereich des Prellbocks 2‘ kann ein weiteres Segment bilden. Dies ist in Figur 15 ist dargestellt. Diese Segmente können dann z. B. zunächst als Start-Segmente SG‘ im Optimierungsverfahren genutzt werden. In Figur 15 ist auch gezeigt, wie das gesamte Bauteil 2‘ z. B. von einem größeren Gebiet G eingeschlossen sein kann und der gesamte Außenbereich um das Bauteil 2‘ herum ein weiteres Segment SG0 bildet, wobei es sich hier um ein „Pulversegment“ bzw. „Leersegment“ handelt, in dem das Pulver nicht im Aufbauprozess verfestigt wird. Für solche Pulversegmente SG0 kann einfach der Start-Parametersatz in dem Optimierungsverfahren so gesetzt werden, dass die Laserleistung hier gleich 0 ist. Dieser Start-Parametersatz braucht dann im Weiteren für das Pulversegmente SG0 auch nicht mehr verändert zu werden. Für alle anderen Start-Segmente SG‘ können dann ein geeigneter Start-Parametersatz PS‘ (zum Aufbau der Schichten des betreffenden Start-Segments SG‘) und eine Start- Segmentscanrichtungsverteilung SSV‘ im Schritt S1 beispielsweise aus einem Datenspeicher DS ausgewählt werden, in dem u. a. verschiedene Kandidaten- Parametersätze KPS hinterlegt sein können, welche für einen Aufbau mit der zu verwendenden Produktionsvorrichtung 1 zur Verfügung stehen. In der Regel handelt es sich hier um eine relativ begrenzte Zahl von Kandidaten-Parametersätzen KPS, wobei aber die Anzahl natürlich nur durch den zur Verfügung stehenden Speicherplatz und durch die Rechenzeit begrenzt ist, die für die Prüfung verschiedener Kandidaten-Parametersätze KPS hinsichtlich ihrer Einwirkung auf die Eigenschaftswerte des gefertigten Bauteils zur Verfügung stehen. Da in sehr vielen Fällen eine hohe Effizienz der Bauteilfertigung auch ein wichtiges Kriterium ist, bietet es sich an, jeweils den Start-Parametersatz PS‘ und die Start- Segmentscanrichtungsverteilung SSV‘ zu wählen, mit denen die höchste Baurate erreich- bar ist. Grundsätzlich kann aber auch ein anderes Auswahlkriterium herangezogen werden. Insbesondere könnte auch ein Start-Parametersatz bereits unter Nutzung einer geeigneten KI-basierten Optimierungseinheit NN gewählt werden. Z. B. kann hierzu ein passend trainiertes neuronales Netzwerk NN (ggf. nach entsprechender Auswahl aus einer Datenbank) aus dem Datenspeicher DS geladen werden, wie dies später noch anhand von Schritt S3 bzw. genauer den Teilschritten S33 und S34 beschrieben wird. Es sei an dieser Stelle darauf hingewiesen, dass es auch möglich wäre, die virtuelle Aufteilung des Gebiets G bzw. des Bauteils 2‘ in die Start-Segmente SG‘ danach zu wählen, wie die höchste Baurate erreichbar ist, und an dieser Stelle noch nicht, wie anhand der Figuren 13 bis 15 dargestellt, eine Belastungssimulation zu nutzen. Dies gilt insbesondere dann, wenn das Bauteil überhaupt keinen hohen Belastungen ausgesetzt sein soll bzw. die Belastung eher im Hintergrund steht. Im nachfolgenden Schritt S2 wird dann zunächst eine Anforderungssimulation für das zu fertigende (noch virtuelle) Bauteil unter der Annahme durchgeführt, dass bei der Herstellung die im Schritt S1 definierte Start-Konfiguration, also die Start-Segmente SG‘, die Start- Parametersätze PS‘ und Start-Segmentscanrichtungsverteilung SSV‘, genutzt wurden. Wie erwähnt können für eine bekannte Konfiguration bzw. Kombinationen von Segmenten SG und zugehörigen Parametersätzen PS und Segmentscanrichtungsverteilungen SSV ja jeweils Makroeigenschaftswerte der einzelnen Segmente, wie die Textur (insbesondere in Form der Orientierungsdichtefunktion ODF) und/oder andere Makroeigenschaftswerte, wie ein Elastizitätssensor, eine Fließgrenzenverteilung, ein Verfestigungskoeffizient, eine Wärmeleitfähigkeit, eine Bruchfestigkeit etc. ermittelt werden. Im Rahmen einer solchen Anforderungssimulation kann dann beispielsweise unter Verwendung der Makroeigenschaftswerte (der Segmente bzw. des daraus gebildeten Bauteils) eine Lastsimulation erfolgen, ähnlich wie sie zuvor schon anhand von Figur 14 für den Prellbock 2‘ visualisiert wurde, oder eine Schwingungssimulation oder dergleichen. Derartige Simulationen sind mit üblichen numerischen Simulationsverfahren wie z. B. Finite-Elemente-Methoden oder Finite-Volumen-Methoden möglich. Das Ergebnis dieser Anforderungssimulation ist dann eine Zustandsbeschreibung mit verschiedenen Zustandswerten des aktuellen Systems bzw. Bauteils mit den einzelnen Segmenten, insbesondere welche Belastung diese Segmente aushalten, die Frequenz des gesamten Systems (Bauteils), und zwar jeweils für die aktuelle Konfiguration, in der die Berechnung im Schritt S2 erfolgt. Wie später noch erläutert wird, wird dieser Schritt S2 im Rahmen des iterativen Verfahrens mehrfach zur Kontrolle der jeweils aktuellen Konfiguration aufgerufen. Beim ersten Aufruf, also zu Beginn des Optimierungsverfahrens, gelten diese Zustandswerte bzw. die Zustandsbeschreibung für die Start-Konfiguration aus Schritt S1. Im nachfolgenden Schritt S3 kann dann ein Vergleich der Zustandsbeschreibung bzw. der Zustandswerte etc. mit externen Vorgaben, insbesondere auch den Anforderungsdaten für das Bauteil, erfolgen. Zu diesen externen Vorgaben könnten beispielsweise auch Lastaufnahmen zählen, die für das Bauteil vorab als (Qualitäts-)Anforderungsdaten zur Verfügung gestellt worden sind, wie beispielsweise die Lastaufnahmen aus Figur 14 für das Beispiel mit dem Prellbock 2‘. Sollten ausnahmsweise alle geforderten Größen optimal erfüllt sein, so wäre grundsätzlich ein Aufbau des Bauteils mit der Start-Konfiguration möglich, insbesondere wenn diese Start-Konfiguration ohnehin schon so gewählt wurde, dass damit eine möglichst hohe Baurate erreicht werden kann. Die Start-Konfiguration wäre dann also gleich die optimale Konfiguration und die optimierten Prozessgrößenwerte wären bereits jetzt gefunden. Der Fall ist jedoch sehr unwahrscheinlich. Im Normalfall, wenn nicht alle Anforderungen erfüllt sind, werden im weiteren Verfahren die Prozessgrößenwerte, nämlich die Segmente bzw. deren genaue Segmentgrenzen, sowie die Parametersätze und die Segmentscanrichtungsverteilungen für die einzelnen Segmente weiter optimiert. Ziel ist es, jedem Segment die Prozessparameter, d.h. den kompletten Prozess- parametersatz ^_^ und die Segmentscanrichtungsverteilung zuzuordnen, die das höchste Optimierungspotenzial bieten, wenn z. B. die Geometrie weiter optimiert, d.h. beispielsweise die Masse weiter reduziert, und/oder die Baurate maximiert werden soll, Hierzu können im Schritt S3 für die aktuellen Segmente SG‘, soweit erforderlich, jeweils neue aktuelle Parametersätze aus den Kandidaten-Parametersätzen KPS ausgewählt und ggf. auch neue aktuelle Segmentscanrichtungsverteilungen ermittelt werden. Diese Auswahl kann wie erwähnt besonders bevorzugt unter Berücksichtigung von sogenannten „Parametersatz-Eignungswerten“ PSS (kurz als PS-Score PSS bezeichnet) erfolgen. Dabei können den Kandidaten-Parametersätzen KPS und/oder Segmentscanrichtungs- verteilungen (bzw. Paaren von Kandidaten-Parametersätzen KPS und/oder Segmentscan- richtungsverteilungen) hinsichtlich bestimmter Anforderungen, d.h. für jedes Kriterium der Optimierung, beispielsweise hinsichtlich der Festigkeit, der Steifigkeit, der Baurate etc., unterschiedliche „anforderungsspezifische PS-Scores“ zugeordnet sein und Diese Parametersatz-Eignungswerte PSS hängen immer vom Prozessparametersatz ^_^ ab. Exemplarisch seien hier die Parametersatz-Eignungswerte für die Baurate und für die Einhaltung des Sicherheitsfaktors gezeigt. Für die Baurate kann der Parametersatz-Eignungswert PSS wie folgt definiert werden. Hierbei ist nur wichtig, dass für die hier vorgeschlagene Ausführung der Wert des Parametersatz-Eignungswerts maximal 1 (= maximale Baurate) beträgt und für alle geeigneten Varianten der Parametersatz-Eignungswerte der Wert größer 0 ist. Hierbei wird die Baurate eines Prozessparametersatzes ^_^(^_^) durch die maximale Baurate aller für die Optimierung zur Verfügung stehenden Prozessparameter normiert Andere Parametersatz-Eignungswerte PSS können nicht nur vom Prozessparametersatz ^_^, sondern auch von der Segmentscanrichtungsverteilung ^ und auch von einem aktuellen Zustand des Systems im jeweiligen Segment abhängig sein, wie beispielweise der oben erläuterten homogenisierten mechanischen Spannung im Segment. Ein Beispiel hierfür ist der Parametersatz-Eignungswert für die Gewährleistung eines Sicherheitsfaktors. Der Parametersatz-Eignungswert für die Gewährleistung eines Sicherheitsfaktors kann wie folgt aussehen: ^^^^{^^^^^^^^^^}(^ , ^, ^^ , … ) = ^ − ^^^(−^ ^ ^_{^ ^^} ^_^(^_^, ^, ^_^^ , … ) ) + ^ (12) … ) bezeichnet den bereits oben beschriebenen Sicherheitsindikatorfaktor, nur dass hier die Abhängigkeit von der Segmentscanrichtungsverteilung ^ und der homo- genisierten mechanischen Spannung im Segment mit angezeigt wird. ^ bezeichnet die kleinste vom Rechner darstellbare Zahl. Der Sicherheitsindikatorfaktor ist wie gesagt 0, wenn der Parameter die aktuelle Sicherheitsbedingung exakt erfüllt, eine negative Zahl, wenn der angestrebte Sicherheitsfaktor unterschritten wird, und eine positive Zahl, wenn der angestrebte Sicherheitsfaktor überschritten wird. Die Exponentialfunktion in Gleichung (12) limitiert den maximalen Wert laut der Anforderung auf 1. Die anforderungsspezifischen PS-Scores PSS können zum Teil im Datenspeicher DS mit hinterlegt sein oder können jeweils für die aktuelle Konfiguration neu berechnet werden. Dies hängt davon ab, auf welche konkrete Anforderung sich der anforderungsspezifische PS-Score jeweils bezieht. Für Anforderungen, die beispielsweise nur vom gewählten Parametersatz abhängen, wie die Baurate, können diese anforderungsspezifischen PS- Scores gemeinsam mit dem Parametersatz hinterlegt werden. Für Anforderungen, die auch von externen Feldgrößen, insbesondere von mechanischen Kräften, abhängen, werden die PS-Scores dagegen vorzugsweise jedes Mal beim Durchlaufen der Schleife im Schritt S3 neu berechnet. Ein leicht verständliches Beispiel hierfür wäre die mechanische Spannung in einem Bauteil unter einer vorgegebenen Belastung. Diese Spannungen sind beispielsweise abhängig von der Geometrie des Bauteils und somit auch von der aktuellen Konfiguration der Segmente. Werden im Laufe des Optimierungsverfahrens die Grenzen der Segmente geändert, ändern sich zwangsläufig auch die Spannungen im Bauteil. Folglich ist es besser, die PS-Scores bezüglich solcher Belastungen jeweils an die aktuelle Konfiguration anzupassen. Zunächst werden hierzu im Schritt S3 selbst jeweils ein neuer Parametersatz und eine neue Segmentscanrichtungsverteilung für die verschiedenen Segmente gesucht. Eine bevorzugte mögliche Vorgehensweise des hierzu im Schritt S3 durchgeführten Verfahrensablaufs wird nachfolgend anhand des Flussdiagramms in Figur 16 näher erläutert. In den Anforderungssimulationen (welche auch als „Zustandssimulationen“ bezeichnet werden können) im Schritt 2 wurden mit Hilfe des numerischen Verfahrens, wenn es sich beispielsweise um eine Finite-Volumen- oder Finite-Elemente-Methode handelt, die Zustände für die einzelnen (Volumen-)Elementen (z. B. Voxel) ermittelt. Üblicherweise umfasst ein Segment eine gewisse Anzahl an derartigen Elementen. Im ersten Teilschritt S31 des Optimierungsvorgangs in Schritt S3 kann daher besonders bevorzugt für jedes Segment ein homogenisierter Zustand der im Segment auftretenden Feldgrößen der einzelnen Elemente des Segments berechnet werden. Der „homogenisierte Zustand“ wird im diskreten Fall über eine Mittelung der Feldgrößen jeweils aller Elemente in jedem Segment berechnet. Allgemein kann diese Operation durch ein Integral ausgedrückt und in das konkrete numerische Verfahren durch die entsprechende Diskretisierung umgesetzt werden. Eine bevorzugt genutzte homogenisierte Feldgröße für ein Segment ist beispielsweise die oben erläuterte homogenisierte mechanischen Spannung (unter den zu erreichenden konkreten Anforderungen an das Bauteil bzw. „Zielbedingungen“, beispielsweise einem Druck von 5Mpa von der Seite auf den Prellbock). Zur Ermittlung einer homogenisierten mechanischen Spannung kann z. B. folgendes Integral genutzt werden: Das heißt bspw. für die homogenisierten mechanische Spannung ^^ ^_^ , dass eine mechanische Spannungsverteilung in einem Segment auf einen Wert (Skalar, Vektor, Matrix oder Tensor) komprimiert wird. Dank der Homogenisierung muss die Optimierung also nicht für n Finite Volumen oder Finite Elemente durchgeführt werden, sondern nur über k Segmente, wobei sinnvollerweise k <= n und im besten Fall k << n gilt. Dadurch kann der Rechenaufwand deutlich reduziert werden. Die homogenisierte mechanische Spannung kann dabei wie gezeigt durch einen Spannungstensor repräsentiert werden, wobei es zur Repräsentation (z. B. als Eingangsgröße für ein neuronales Netzwerk) ausreicht, einen sechsdimensionalen Spannungszustand-Vektor zu nutzen (der in vektorieller Form die den Spannungstensor charakterisierenden Matrixelemente enthält, nämlich die Diagonalelemente ^_^^, ^_^^, ^_^^ für die Kompression in die drei Raumrichtungen x, y, z sowie die Elemente ^_^^, ^_^^, ^_^^, für den Schub in diese Richtungen). Eine andere bevorzugte Eingangsgröße (bzw. Eingangsparameter) ist z.B. eine Funktion ^̇ für das Temperatur-Zeit-Verhalten bzw. Temperaturverlaufs-Funktion (also beispielsweise eine zu erwartende spätere Abkühlgeschwindigkeit des gefertigten Bauteils und/oder eine spezielle Wärmebehandlung), wobei die Funktion ein einfacher Skalar sein kann, wie z. B. eine Abkühlrate von 300K/s, oder auch wieder durch einen Vektor repräsentiert werden könnte, der für verschiedene Zeitpunkte jeweils die Temperaturwerte enthält. In einem nachfolgenden Schritt S32 erfolgt dann zunächst eine Datenbankabfrage nach besonders geeigneten Parametersätzen für „fixe“ Kriterien bzw. Anforderungsparameter, also für solche Anforderungsparameter, deren Erfüllung nicht von der Segmentscanrichtungsverteilung abhängt. Ein solcher Anforderungsparameter ist z. B. die Baurate. So könnte z. B. für diesen Anforderungsparameter ein anforderungsspezifischer PS-Score berechnet werden und anhand dieser PS-Score erfolgt dann eine Vorauswahl oder ein Ranking der besten Kandidatenparametersätze für die nachfolgende Auswahl im Rahmen der weiteren Optimierung. Dies kann das Auffinden des insgesamt optimalen Parametersatzes beschleunigen. Es ist auch möglich, diese Schritte z. B. im Rahmen des Trainings der verwendeten KI-basierten Optimierungseinheit bzw. des neuronalen Netz- werks mit zu nutzen. Dann kann gegebenenfalls bei der späteren Optimierung, also hier im Schritt S32, darauf verzichtet werden, da die KI-basierte Optimierungseinheit diesen Punkt indirekt berücksichtigt. Anschließend werden im Schritt S33 in einer Datenbank (z. B. im Datenspeicher DS) geeignete einsatzfähige, also bereits trainierte neuronale Netzwerke NN (als KI-basierte Optimierungseinheiten) für die entsprechenden Feldgrößen gesucht, d. h. es wird nach neuronalen Netzwerken NN gesucht, welche so ausgebildet sind, dass die besagten Feldgrößen als Eingangsgrößen für das neuronale Netzwerk NN übernommen werden können. Dabei wird bevorzugt nach solchen neuronalen Netzen gesucht, welche in der Lage sind, eine Kombination verschiedener Typen von Anforderungsdaten als Eingangsgrößen zu nutzen und/oder eine Kombination von unterschiedlichen Typen von Prozessgrößen als Ausgangsdaten zu erzeugen. Ein Beispiel für ein derartiges, kombiniertes neuronales Netzwerk ist ein neuronales Netzwerk, welches auf Basis eines eingegebenen Spannungszustands jeweils ein Paar einer optimalen Segmentscanrichtungsverteilung und einen zugehörigen optimalen Parametersatz für das jeweilige Segment liefert. Auf der Eingangsseite könnte eine Kombination so aussehen, dass als Eingangsgröße in das neuronale Netzwerk ein Vektor eingegeben werden kann, der zum einen den Spannungszustand und zum anderen auch den Temperatur-Zeit-Verlauf (eventuell als Skalar in einem einzelnen Vektorelement) umfasst. Der prinzipielle Aufbau von neuronalen Netzen und Trainingsverfahren sind dem Fachmann hinreichend bekannt, sodass im Folgenden nur sehr grob ein schematischer, exempla- rischer Kurzüberblick über ein mögliches Grundprinzip von im Rahmen der Erfindung nutzbaren neuronalen Netzen und möglichen Trainingsverfahren hierzu gegeben wird. Die neuronalen Netzwerke NN können prinzipiell in Form von allen bisher bekannten Varianten von künstlichen neuronalen Netzen aufgebaut sein. Eine einfache, typische schematische Darstellung eines ersten neuronalen Netzwerks NPS ist in Figur 17 gezeigt. Dieses neuronale Netzwerk NPS ist insofern besonders einfach, als dass nur ein Eingangswert, nämlich hier der oben genannte sechsdimensionale Vektor mit dem homogenisierten Spannungszustand zu nur einem Ausgangswert, hier einem optimalen Parametersatz PS (welcher durch einen Skalar ^_^ repräsentiert wird, der aber als Bezeichnung für ein festgelegtes Tupel von einzelnen Parameterwerten steht), führt. Der Eingangsvektor wird in das neuronale Netzwerk NPS (dieses Netzwerk NPS steht in den folgenden Erläuterungen stellvertretend auch für andere neuronale Netzwerke) üblicherweise an einem sogenannten „Input-Layer“ LI eingegeben, welcher über eine beliebige Anzahl von sogenannten „Hidden-Layer“ LH, mit einem „Output-Layer“ LH verknüpft ist, an dem letztlich der Ausgabewert ausgegeben wird. Jeder dieser Layer enthält eine Anzahl von Knoten bzw. Neuronen und in der Regel ist jedes Neuron eines vorhergehenden Layer mit allen Neuronen eines nachfolgenden Layer verknüpft, wobei die Verknüpfungen mit unterschiedlichen Gewichtungen verbunden sind. Um eine Nichtlinearität in ein neuronales Netzwerk einzubringen (da sich nicht alle Aufgaben neuronaler Netze mit linearen Funktionen abbilden lassen), können die einzelnen Neuronen bzw. Knoten ihr Ergebnis in Abhängigkeit von einer dem jeweiligen Neuron zugeordneten, in der Regel sigmodalen, „Aktivierungsfunktion“ weiterleiten. In einem trainierten Netzwerk liegen die besagten Gewichte und die Parameter für die Aktivierungsfunktion („Aktivierungsfunktionsparameter“) fest. Die Anzahl der Knoten im Input-Layer LI richtet sich nach der Eingangsgröße, beispielsweise wie viele Stellen ein einzugebender Vektor hat. Ebenso richtet sich die Anzahl der Knoten im Output-Layer LO nach der Ausgangsgröße. Die Anzahl der Knoten in den dazwischenliegenden Hidden- Layer LH liegt, ebenso wie die Anzahl der Hidden-Layer, im Ermessen des Fachmanns, der das Netzwerk für den jeweiligen Zweck vor dem Training definiert. Beim Trainieren des Netzwerks werden zum Ermitteln der besten Werte im neuronalen Netzwerk, wie der Gewichte für die Verknüpfungen der Knoten und der Aktivierungsfunktionsparameter, z. B. Trainingsdaten verwendet, von denen man bereits die korrekten oder optimalen Ausgangsgrößen kennt. Diese „korrekten“ Ausgangsgrößen zu den Eingangsgrößen können vorab ermittelt worden und diesen zugeordnet sein, d.h. es werden sogenannte „gelabelte“ Trainingsdaten genutzt. Alternativ oder zusätzlich können die „korrekten“ Ausgangsgrößen zu den Eingangsgrößen aber auch durch ein parallel laufendes Ermittlungsverfahren ermittelt werden, z. B. in einem „klassischen“ Optimierungsverfahren. Hierfür werden Beispiele anhand der Figuren 18, 22, 23 und 24 gegeben. Im Training kann dann für jede der Ausgangsgrößen ein Fehler bestimmt und mit Hilfe von Fehlerrückführung und einem Optimierungsverfahren können dann die die Gewichte schichtweise angepasst werden und jeweils die Aktivierungsfunktionsparameter angepasst werden, um wiederum das Netzwerk zu optimieren. Ein sehr vereinfachtes Flowchart für ein typisches Beispiel für ein solches Training des neuronalen Netzes in Figur 17 ist in Figur 18 dargestellt. Dementsprechend wird für einen Eingangswert, hier also wieder der sechsdimensionale Vektor für den homogenisierten Spannungszustand ^^ ^_^ , zum einen in einem klassischen Optimierungsvorgang NO ein optimaler Parametersatz PSOR als Vergleichswert bzw. Referenz-Ausgangsgröße (im Folgenden auch kurz „Referenzwert“) gesucht. Im klassischen Optimierungsvorgang NO können hierfür z. B. wiederum eine geeignete Zielfunktion ZF (wie sie z. B. oben erläutert wurde) und/oder PS-Scores PSS genutzt werden. Damit die Optimierung hierbei nicht nur hinsichtlich einer Anforderung erfolgt, sondern alle Anforderungen berücksichtigt werden können, können vorzugsweise mehrere bzw. alle anforderungsspezifische PS-Scores PSS im Verfahren berücksichtigt werden. Insbesondere hierzu lassen sich die einzelnen PS- Scores PSS auch zu einem gesamten Parametersatz-Eignungswert PSSG (Gesamt-PS- Score) kombinieren. Die Übernahme der anforderungsspezifischen PS-Scores PSS und Ermittlung eines Gesamt-PS-Score PSSG durch den Optimierer NO ist in Figur 18 schematisch dargestellt. Eine mögliche Kombination der einzelnen PS-Scores PSS zu einem Gesamt-PS-Score PSSG in den einzelnen Segmenten und gegebenenfalls die Bildung eines Summen-Parametersatz-Eignungswert über alle Segmente des Bauteils (der auch hier sinnvoll genutzt werden kann) werden aber später noch im Zusammenhang mit Figur 22 näher erläutert. Zum anderen wird mit dem zu trainierenden neuronalen Netzwerk NPS ein optimaler Parametersatz als „Vorhersagewert“ PSON gesucht. Diese beiden, auf unterschiedlichen Wegen gefundenen optimalen Parametersätze PSOR, PSON werden in einem Schritt VG verglichen, um einen geeigneten Fehlerwert ERR zu ermitteln. Als Fehlerwert ERR könnte z. B. ein Mean Square Error bestimmt werden (beispielsweise gebildet auf Basis einer Distanz der beiden die Parametersätze PSOR, PSON repräsentierenden Vektoren in einem Raum, der durch die Anzahl der Elemente der Vektoren dimensioniert ist). In einem nachfolgenden Schritt ES wird dann entschieden, ob dieser Fehlerwert ERR klein genug ist. Ist dies nicht der Fall, erfolgt mit einer sogenannten „Backpropagation“ eine Korrektur der Gewichte und Aktivierungsfunktionsparameter im zu trainierenden neuronalen Netzwerk NPS, was in Figur 18 durch den Schritt KB symbolisiert ist. Ist der Fehlerwert ERR ausreichend klein genug, ist das Verfahren im Schritt TE beendet, und das neuronale Netzwerk NPS gilt als ausreichend trainiert. Im Prinzip kann aber auch jedes andere geeignete Trainingsverfahren angewendet werden. In gleicher Weise könnte ein neuronales Netzwerk NSV aufgebaut und trainiert werden, welches auf Basis eines Eingangswert, wie z.B. des sechsdimensionale Vektors mit dem Spannungszustand, eine optimale Segmentscanrichtungsverteilung SSV findet. Eine schematische Darstellung hierfür ist in Figur 19 gezeigt. In dem dort dargestellten Beispiel wird als Ausgangswert ein 360-dimensionaler Vektor mit den Werten ^_^ ,…, ^_^^^ ausgegeben, welcher die Segmentscanrichtungsverteilung SSV durch die Angabe der Wahrscheinlichkeiten des Auftretens der jeweiligen Winkel in 360° Schritten in einer Ebene repräsentiert, wie dies oben schon unter Hinweis auf Figur 7 erläutert wurde. Als eine zusätzliche Eingangsgröße könnte hier auch bereits ein vorab gewählter Parametersatzes PS genutzt werden, wobei der Eingangsvektor einfach um ein weiteres Vektorelement in Form eines Skalar ^_^ ergänzt werden kann. Ein derart trainiertes Netzwerk NSV könnte wiederum in einem Training für ein kombiniertes neuronales Netzwerk KNSP, KNWS genutzt werden (siehe z. B. die späteren Erläuterungen zu den Figuren 23 und 25). Ebenso könnte auf diese Weise ein neuronales Netzwerk NNW aufgebaut und trainiert werden, welches auf Basis eines anderen Eingangswerts, wie z. B. der Funktion ^̇ für das Temperatur-Zeit-Verhalten, einen optimalen Parametersatz PS (oder eine optimale Segmentscanrichtungsverteilung SSV) sucht. Eine schematische Darstellung für ein neuro- nales Netzwerk zur Suche eines optimalen Parametersatzes PS (repräsentiert durch den Skalar ^_^ ) ist in Figur 20 gezeigt. Figur 21 zeigt ein erstes Beispiel für ein kombiniertes neuronales Netzwerk KNSP. Hier wird ausgehend von einer Eingangsgröße eine optimale Kombination von verschiedenen Ausgangsparametern gesucht. In dem Beispiel in Figur 21 ist die Eingangsgröße wieder der sechsdimensionale Vektor mit dem Spannungszustand. Das neuronale Netzwerk KNSP ist so aufgebaut und trainiert, dass es darauf basierend für das jeweilige Segment eine optimale Kombination PSV (d. h. ein optimales Paar) aus Segmentscan- richtungsverteilung SSV (wieder repräsentiert durch den 360-dimensionale Vektor mit den Werten ^_^ ,…, ^_^^^ ,wobei auch andere Schrittgrößen und eine andere Winkelanzahl möglich sind, d.h. der Vektor kann einen beliebige Länge haben) und einem zugehörigen Parametersatzes PS (wieder repräsentiert durch einen Skalar ^_^ ) findet. Auch ein solches kombiniertes neuronales Netzwerk KNSP kann mit einem Verfahren, ähnlich wie es in Figur 18 skizziert ist, aufgebaut und trainiert werden. Ein entsprechendes Flussdiagram hierzu ist in Figur 22 gezeigt. Hierzu ist es lediglich erforderlich, den klassischen Optimierungsvorgang NO‘ (bzw. den „Optimierer“) so zu wählen bzw. aufzubauen, dass ausgehend von der Eingangsgröße ein optimales Paar aus Segmentscanrichtungsverteilung SSV und Parametersatz PS als Referenz-Ausgangs- größe bzw. Referenzwert PSVOR ausgegeben wird, um diese mit einer entsprechenden Ausgangsgröße bzw. einem Vorhersagewert PSVON des zu trainierenden neuronalen Netzwerks KNSP in der oben beschriebenen Weise im Vergleicher VG zu vergleichen, dabei einen Fehler ERR zu bestimmen und dann entsprechend das Netzwerk bei Bedarf weiter zu modifizieren. Hierzu können im klassischen Optimierungsverfahren NO‘ insbesondere auch wieder eine geeignete Zielfunktion ZF (wie sie z. B. oben erläutert wurde) und/oder die oben beschriebenen, vorzugsweise anforderungsspezifischen, Parametersatz-Eignungswerte bzw. PS-Scores PSS genutzt werden, um dafür zu sorgen, dass Segmentscanrichtungs- verteilungen und Parametersätze gewählt werden, mit denen am besten die gewünschten Anforderungen erfüllt werden. Wie in Figur 18 schon schematisch gezeigt, können auch hier vorzugsweise mehrere bzw. alle anforderungsspezifische PS-Scores PSS im Verfahren berücksichtigt werden, insbesondere auch, indem die einzelnen anforderungsspezifischen PS-Scores PSS zu einem gesamten Parametersatz-Eignungswert PSSG (Gesamt-PS-Score) kombiniert werden (die Übernahme der PS-Score PSS und Ermittlung der Gesamt-PS-Score PSSG durch den Optimierer NO‘ ist in Figur 22 wieder schematisch dargestellt). Wenn beispielsweise die einzelnen anforderungsspezifischen PS-Score-Werte zwischen 0 und 1 liegen, also eine Art Wahrscheinlichkeit angeben, wie gut mit dem jeweiligen Kandidaten-Parametersatz die spezifische Anforderung erfüllt wird, so könnten diese anforderungsspezifischen PS-Scores einfach miteinander multipliziert werden, um einen Gesamt-PS-Score zu ermitteln. Würde beispielsweise ein erster Kandidaten-Parametersatz für eine erste Anforderung einen PS-Score von 0,8 aufweisen und für eine zweite Anforderung einen PS-Score von 0,2, wogegen ein anderer Kandidaten-Parametersatz für die erste und für die zweite Anforderung jeweils einen PS-Score von 0,6 aufweist, so würde vorzugsweise der zweite Kandidaten-Parametersatz gewählt, weil dieser einen Gesamt- PS-Score von 0,36 hat, wogegen der erste Kandidaten-Parametersatz nur einen PS-Score von 0,16 hat. Dies setzt jedoch voraus, dass die beiden Anforderungen gleich gewichtet werden sollten. Grundsätzlich könnte es auch vorkommen, dass auf eine bestimmte Anforderung besonders Gewicht zu legen ist. Dies könnte durch einen Gewichtungsfaktor bei der Ermittlung des Gesamt-PS-Scores berücksichtigt werden. In einem Fall, indem nur der oben genannte PS-Score ^^^^{^} _^ ^{^^^^^^^^^}(^_^, … ) für die Gewährleistung eines Sicherheitsfaktors und der PS-Score ^^^^{^} _^ ^{^^^^}(^_^) für die Baurate berücksichtigt werden sollen, ergibt sich z. B. folgendes Produkt: Durch Maximierung des Gesamt-PS-Score ^^^^ ^ ^ (^_^ , ^, ^_^^ , … ) kann versucht werden, für jeden möglichen Parametersatz eine Segmentscanrichtungsverteilung im jeweiligen Segment zu ermitteln, die als Paar zur maximalen Übererfüllung aller Kriterien führen: D.h. es wird bei fest gewähltem (Kandidaten-)Parametersatz eine Maximierung des Gesamt-PS-Score ^^^^_^ … ) durch Variation der Segmentscanrichtungs- verteilung durchgeführt und dies für alle für das Segment möglichen (Kandidaten- )Parametersätze. Dann kann aus allen (Kandidaten-)Parametersätzen mit jeweiliger optimaler Segmentscanrichtungsverteilung, der für das jeweilige Segment optimale Parametersatz ^^{^^^} gewählt werden: Somit ergibt sich für die Optimierung folgende Formel für geschachtelte Optimierung: ^^^^^^ ^ _∈^^ Der zuvor beschriebene Ansatz bis jetzt ist auf ein Segment beschränkt. Um eine optimale Ausgangsgröße für das gesamte Bauteil zu finden (also geeignete Paare von Parametersätzen und Segmentscanrichtungsverteilungen für die einzelnen Segmente, die zu einem optimalen Bauteil insgesamt führen), kann beispielsweise die Summe aus allen Gesamt-PS-Scores ^^^^ ^ ^ (^_^, ^, ^_^^ , … ) über alle Segmente (also ein „Summen- Parametersatz-Eignungswert“) gebildet werden. Hierfür ist beispielsweise eine gewichtete Summe geeignet, die maximiert werden muss: ^^^ = ^∑ _^ ^^ ^^^^^ ^ ^^ ∈ _^ ^ ^{^} bezeichnet dabei das Volumen des jeweiligen Segments. Als Verfahren für diese Optimierung kann bevorzugt ein heuristisches Approximationsverfahren, besonders bevorzugt ein Simulated-Annealing-Verfahren (SA- Verfahren) oder ein Quantum-Annealing-Verfahren (QA-Verfahren), gewählt werden. Hierbei kann die Optimierung mittels des heuristischen Approximationsverfahrens, insbesondere SA-Verfahren oder QA-Verfahren, auch der Einfachheit halber in jedem Segment einzeln erfolgen, da für die Summe das Kommutativgesetz gilt und die Summe der Teilmaxima das Maximum ergeben muss. Diese Verfahren bieten sich auch innerhalb der klassischen Optimierungsverfahren NO, NO‘ (z. B. gemäß den Figuren 18 und 22) zum Training von neuronalen Netzwerken an. Mit dem SA- oder QA-Verfahren wird ein kombinatorisches Problem gelöst. Es wird zum Auffinden einer Näherungslösung von Optimierungsproblemen eingesetzt, die durch ihre hohe Komplexität das vollständige Ausprobieren aller Möglichkeiten und mathematische Optimierungsverfahren ausschließen. Ziel ist es, ein Optimum zu finden, von dem aus das größte Optimierungspotenzial für eine gekoppelte Geometrie, Scan-Strategie-Optimierung durchgeführt werden kann. Der Name dieser Verfahren rührt von einer mathematischen Nachbildung eines Abkühlungsprozesses, etwa beim Glühen in der Metallurgie. Nach einem Erhitzen eines Metalls haben die Atome bei einer langsamen Abkühlung ausreichend Zeit, sich zu ordnen und stabile Kristalle zu bilden. Dadurch wird ein möglichst energiearmer Zustand (nahe am Optimum) erreicht. Übertragen auf das SA- oder QA-Verfahren entspricht die Temperatur einer Wahrscheinlichkeit, mit der sich ein Zwischenergebnis der Optimierung auch verschlechtern darf. Im Gegensatz zu einem Lokale-Suche-Algorithmus kann das Verfahren ein lokales Optimum wieder verlassen. Es werden ungünstigere Zwischenlösungen akzeptiert, weil dies die Chance bietet, ein besseres lokales Optimum nämlich im vorliegenden Fall ein Ergebnis mit noch besseren Gesamt-PS-Score zu finden. Beide Verfahren sind aber vom Grundsatz her bekannt (siehe zum Beispiel typische Lösungen für das sogenannte „Traveling-Salesman“-Problem) und müssen daher nicht mehr hier im Detail beschrieben werden. Geeignete Verfahren werden z. B. in „An Effective Simulated Annealing Algorithm for Solving the Traveling Salesman Problem“ von Wang, Zicheng et al. in Journal of Computational and Theoretical Nanoscience, Volume 6, Number 7, July 2009, pp.1680-1686(7), für die klassische Variante und in “Quantum annealing of the traveling-salesman problem” von Roman Martoňák et al. in Phys. Rev. E 70, 057701 – 10 November 2004, für die QA-Methode beschrieben. Um das Verfahren noch weiter zu beschleunigen, kann zunächst auch wieder für eine Art Vorauswahl geeigneter Kandidaten-Parametersätze ein KI-basiertes Verfahren genutzt werden. Damit wird der Raum der auswählbaren Parametersätze reduziert, für die jeweils eine optimierte Segmentscanrichtungsverteilung ermittelt werden muss. So werden die Feldgrößen in der Praxis nämlich ohnehin beschränkt sein. So wird ein Bauteil nie existieren, wenn bspw. die zulässige mechanische Spannung überschritten wird. Dieser zulässige Wertebereich kann bei rein elastischer Belastung durch den Fließkörper beschrieben werden. In einem vorausgehenden Training kann nun dieser zulässige Raum an diskreten Punkten ausgewertet werden und die Optimierung für diese Punkte durchgeführt werden. Wird diese Vorgehensweise innerhalb des ansonsten klassischen Optimierungsverfahrens N0, NO‘ verwendet, wird also hier eigentlich ein Hybridverfahren zur Erstellung von Referenzwerten genutzt um wiederum ein komplexeres neuronales Netzwerk zu trainieren. Am Ende steht für jedes Segment des Bauteils ein Paar, bestehend aus optimalem Parametersatz und optimaler Segmentscanrichtungsverteilung, als Referenzwert PSVOR zum Vergleich mit dem Vorhersagewert PSVON zur Verfügung, der durch das zu trainierende neuronale Netzwerk KNPS gefunden wird bzw. wurde. Alternativ kann dieses Optimierungsverfahren auch vorab geführt werden und es wird für jedes Segment jeweils für alle möglichen (Kandidaten-)Parametersätze die optimale Verteilung der Scanwinkel (optimale Segmentscanrichtungsverteilungen) berechnet und in einer Look-Up-Tabelle hinterlegt. Die Werte in dieser Tabelle können dann als gelabelte Trainingsdaten zum Training des neuronalen Netzwerkes herangezogen werden. Bei den (insbesondere im Zusammenhang mit den Figuren 18 und 22) zuvor beschriebenen Trainingsverfahren, bei denen zur Bildung der Trainings- bzw. Referenzwerte ein eher klassisches und daher aufwändigeres Verfahren genutzt wird, ist zu berücksichtigen, dass das Training auch so erfolgen kann, dass die jeweiligen zu trainierenden neuronalen Netzwerke erst unter Nutzung von klassischen Verfahren mit geringerem Aufwand „vortrainiert“ werden (z. B. Verfahren, die zunächst nur segmentweise arbeiten, also z. B. keinen Summen-Parametersatz-Eignungswert nutzen) und dann zum weiteren Training (eine Art „Feintuning“ bzw. sogenanntes „Transfer Learning“) die Referenzwerte mit einem komplexeren Verfahren erstellt werden, beispielsweise mit einem Summen-Parametersatz- Eignungswert, um die Optimierung im gesamten Bauteil zu berücksichtigen. Sofern immer wieder (verschiedenen) Bauteile mit ähnlichen (Standard-) Segmenten erstellt werden, wäre es auch denkbar, für diese Segmente vortrainierte neuronale Netzwerke in einer Datenbank zu hinterlegen, die dann unter Nutzung eines komplexeren Optimierungsverfahrens für das jeweilige Bauteil individuell „nachtrainiert“ werden. Auch können für bestimmte Gruppen von Anforderungen und/oder Prozessparametern schon KI-basierte Optimierungseinheiten bzw. neuronale Netzwerke vortrainiert werden, die dann mittels Transfer Learning individuell auf die jeweiligen aktuellen Erfordernisse bzw. Prozessparameter nachtrainiert werden. So könnte z. B. ein neuronales Netzwerk, welches unter Berücksichtigung einer bestimmten Stahlsorte als Baumaterial trainiert wurde, schnell für andere ähnliche Materialsorten umtrainiert werden. Wenn das mit einem zuvor beschriebenen Optimierungsverfahren oder den daraus generierten geleiteten Daten trainierte, kombinierte neuronale Netzwerk KNSP später im Optimierungsverfahren (zum Beispiel im Schritt S3 des Verfahrens gemäß Figur 12) eingesetzt wird, werden letztlich die optimierten Prozessgrößenwerte für das Bauteil so ermittelt, dass jeweils für die einzelnen Segmente optimierte Prozessgrößenwerte ermittelt werden, die hinsichtlich eines Gesamt-Parametersatz-Eignungswerts im jeweiligen Segment und hinsichtlich eines Summen-Parametersatz-Eignungswerts im Bauteil insgesamt optimiert sind. In Figur 23 ist ein Flowchart für ein mögliches Verfahren gezeigt, um ein solches kombiniertes neuronales Netzwerk KNSP möglichst schnell trainieren zu können, welches auf Basis des Spannungszustands als Eingangsgröße für das jeweilige Segment als Ausgangsgröße wieder eine optimale Kombination aus Segmentscanrichtungsverteilung SSV und Parametersatzes PS liefert, Analog zu der in Figur 22 dargestellten Vorgehensweise wird auch hier die Eingangsgröße ^^ ^_^ dem zu trainierenden neuronalen Netzwerk NPS zugeführt, welches für sich eine optimale Kombination aus Segmentscanrichtungsverteilung SSV und Parametersatz PS ermittelt. Dieses Paar wird als Vorhersagewert PSV‘_ON für den weiteren Vergleich mit dem Referenzwert genommen. Anstelle aber hier zur Ermittlung des Referenzwerts PSV‘_OR wie in Figur 22 ein aufwändigeres, spezielles, klassisches Optimierungsverfahren zu nutzen, werden hier zwei bereits zuvor trainierte einfachere neuronale Netzwerke, nämlich zum einen ein Netzwerk NPS, welches auf Basis des Eingangswerts einen optimalen Parametersatz PS_ON ermittelt, und zum anderen ein bereits trainiertes neuronales Netzwerk NSV, welches auf Basis des Eingangswerts und des vom ersten Netzwerk NPS gefundenen optimalen Parametersatz PSON eine zugehörige optimale Segmentscan- richtungsverteilung SSV sucht, sodass schließlich eine optimale Kombination von Parametersatz PS und Segmentscanrichtungsverteilung SSV als Referenzwert PSV‘OR ermittelt wird. Auch hier werden die beiden auf unterschiedlichen Wegen gefundenen optimalen Parametersätze PSV‘_OR, PSV‘_ON in einem Schritt VG verglichen, um einen geeigneten Fehlerwert ERR zu ermitteln, wie z. B. der o. g. Least Mean Square. In einem nachfolgenden Schritt wird dann wieder entschieden, ob dieser Fehlerwert ERR klein genug ist. Ist dies nicht der Fall, erfolgt wieder mit einer sogenannten „Backpropagation“ eine Korrektur der Gewichte und Aktivierungsfunktionsparameter im neuronalen Netzwerk, was in Figur 23 wieder durch den Schritt KB symbolisiert ist. Ist der Fehlerwert ERR ausreichend klein genug, ist das Verfahren im Schritt TE beendet, und das neuronale Netzwerk gilt als ausreichend trainiert. Voraussetzung hierfür ist natürlich die Existenz von bereits trainierten neuronalen Netzwerken NPS, NSV für die Einzelwerte. Hierbei ist zu beachten, dass das Netzwerk NSV für die Ermittlung der optimalen Segmentscanrichtungsverteilung so aufgebaut und optimiert sein muss, dass sie diese auch auf Basis des Spannungszustands und eines bereits vorgegebenen optimierten Parametersatzes als Eingangsgrößen findet. D. h. letztlich handelt es sich hierbei auch bereits um ein kombiniertes neuronales Netzwerk, nur dass hier zwei verschiedene Typen von Eingangsgrößen genutzt werden, um einen Ausgangswert (die Segmentscanrichtungsverteilung) zu finden. Es ist auch zu beachten, dass hier in die Erstellung der Referenzgröße bzw. des Referenzwerts PSV‘OR ein im ersten neuronalen Netzwerk NPS fest vorausgewählter optimaler Parametersatz PSON eingeht und das zweite neuronale Netzwerk NSV mit diesem festen Wert arbeitet und nur hierfür die passende Segmentscanrichtungsverteilung SSV sucht. Mit anderen Worten, es wird anders als bei dem in Figur 22 dargestellten Verfahren bei dem Verfahren gemäß Figur 23 auf der Trainingsseite nicht mehr eine Vielzahl von möglichen Kombinationen durchprobiert, in dem für alle möglichen Parametersätze jeweils zunächst die Segmentscanrichtungsverteilung SSV optimiert wird und dann geprüft wird, welches Paar insgesamt den besten Gesamt-PS-Score bildet. Im Gegenzug ist dieses Verfahren aber erheblich schneller beim Trainieren eines neuronalen Netzwerks KNSP und die Ergebnisse dieses kombinierten neuronalen Netzwerkes KNSP sind durchaus ausreichend im gesamten Verfahren, da die gefundene Ausgangsgröße (also das Paar aus Parametersatz und Segmentscanrichtungsverteilung) ja nur eine erste Näherungslösung ist, die weiter in späteren Verfahrensstufen (siehe Figur 12) in der Regel noch verändert wird. Allerdings wird das gesamte Verfahren durch das Auffinden eines besseren Ausgangspunkts für die nachfolgenden Verfahrensschritte verbessert. Insbesondere konvergiert das Verfahren schneller, d. h. es wird schneller die spätere optimale Lösung gefunden. In Figur 24 ist eine schematische Darstellung für ein Beispiel für ein noch etwas komplexeres kombiniertes neuronales Netzwerk KNWS gezeigt und Figur 25 zeigt hierfür ein Flussdiagramm für ein mögliches Trainingsverfahren. Wie das neuronalen Netzwerk KNSP gemäß Figur 21 ist auch dieses neuronale Netzwerk KNWS so aufgebaut und trainiert, dass es basierend auf einer Eingangsgröße für das jeweilige Segment am Output-Layer LO als Ausgangsgröße PSV‘‘ eine optimale Kombination aus Segmentscanrichtungsverteilung SSV (repräsentiert durch den 360- dimensionalen Vektor mit den Werten ^_^ ,…, ^_^^^) und einem zugehörigen Parametersatz PS (wieder repräsentiert durch einen Skalar ^_^ ) ausgibt. Im Unterschied zu dem neuronalen Netzwerk KNSP gemäß Figur 21 ist aber nun auch die Eingangsgröße eine Kombination zweier verschiedener Typen von Anforderungsdaten. Hier wird nämlich am Input-Layer LI als Eingangsgröße ein siebendimensionaler Vektor verwendet, der den sechsdimensionalen Vektor mit dem Spannungszustand umfasst und zusätzlich als ein weiteres Vektorelement einen skalaren Wert enthält, welcher die Funktion ^̇ für das Temperatur-Zeit-Verhalten (also beispielsweise hier eine einfache Abkühlgeschwindigkeit in K/s) repräsentiert. Das in Figur 25 dargestellte vereinfachte Flussdiagramm zeigt, dass ein mögliches Verfahren, um ein solches kombiniertes neuronales Netzwerk KNWS möglichst schnell trainieren zu können, ganz ähnlich wie das Verfahren gemäß Figur 23 aufgebaut werden kann. Kernpunkt ist auch hier wieder, dass bereits zuvor trainierte einfachere neuronale Netzwerke NNW, NPS, NSV genutzt werden, um eine optimale Kombination von Parametersatz PS und Segmentscanrichtungsverteilung SSV als Referenzwert PSV‘‘OR zu ermitteln. Dabei wird auch hier zum einen ein trainiertes neuronales Netzwerk NPS genutzt, welches auf Basis des Eingangswerts einen spannungsoptimierten Parametersatz PS_σ ermittelt, und zum anderen ein trainiertes neuronales Netzwerk NSV, welches auf Basis des Eingangswerts und eines voroptimierten Parametersatzes PSOR, der unter Nutzung des neuronale Netzwerks NPS gefunden wurde, eine zugehörige optimale Segmentscanrichtungsverteilung SSV ermittelt. Diese neuronalen Netzwerke NPS, NSV können also im Prinzip dieselben Netzwerke sein, wie sie in dem Verfahren gemäß Figur 23 genutzt werden. Zusätzlich wird hier aber noch mithilfe eines weiteren trainierten neuronalen Netzwerks NNW auf Basis der Temperaturverlaufs-Funktion ^̇ als Eingangsgröße ein temperatur- optimierter Parametersatz PS_^̇ ermittelt. Der spannungsoptimierte Parametersatz PSσ und der temperaturoptimierte Parametersatz PS_^̇ werden dann als Eingangsgrößen zunächst einem Parametersatzselektor PAS zugeführt. In diesem wird entschieden, welcher Parametersatz als Parametersatz- Eingangsgröße PSON an das neuronale Netzwerk NSV zur Ermittlung einer optimalen Segmentscanrichtungsverteilung SSV übergeben wird. Für diese Auswahl kann der Parametersatzselektor PAS bevorzugt ein sogenanntes „Policy-Reinforcement-Learning- Verfahren“ nutzen. Das neuronale Netzwerk NSV kann dann das Paar aus optimalen Parametersatz PS_ON und optimaler Segmentscanrichtungsverteilung SSV als Referenzwert PSV‘‘_OR ausgeben. Geeignete „Policy-Reinforcement-Learning-Verfahren“ sind dem Fach- mann bekannt und finden sich unter anderem z. B. in „Learning to Optimize“ von Ke Li, Jitendra Malik in arXiv:1606.01885, 2016 und International Conference on Learning Representations (ICLR), 2017, oder in “Learning to Optimize Neural Nets“ von Ke Li, Jitendra Malik in arXiv:1703.00441, 2017 Parallel werden auch hier wieder die Eingangsgrößen , ^̇ dem zu trainierenden neuronalen Netzwerk KNWS zugeführt, welches für sich eine optimale Kombination aus Segmentscanrichtungsverteilung SSV und Parametersatz PS als Vorhersagewert PSV‘‘_ON für den weiteren Vergleich im Schritt VG mit dem Referenzwert PSV‘‘_OR liefert. Auf Basis des hierbei ermittelten Fehlerwerts ERR (wie z. B. ein Least Mean Square wie oben erwähnt) kann dann wieder (im Block ES) entschieden werden, ob dieser Fehlerwert ERR klein genug ist und das neuronale Netzwerk KNWS als ausreichend trainiert gilt (Block TE) oder eine weitere Korrektur der Gewichte und Aktivierungsfunktionsparameter im neuronalen Netzwerk KNWS im Block KB sinnvoll ist. Auch bei diesem Verfahren nach Figur 25 ist es so, dass hier in die Erstellung der Referenz- Ausgangsgröße bzw. des Referenzwerts PSV‘‘OR ein fest vorausgewählter optimaler Parametersatz PSON eingeht und das zweite neuronale Netzwerk NSV mit diesem festen Wert arbeitet und nur hierfür die passende Segmentscanrichtungsverteilung SSV sucht. Wie gesagt ist eine von dem so trainierten kombinierten neuronalen Netzwerk später jeweils gefundene Ausgangsgröße PSV‘‘ ja nur eine erste Näherungslösung, die weiter in späteren Verfahrensstufen (ohnehin meist noch verändert wird. Wenn ein passendes neuronales Netzwerk NN gefunden ist, können im Schritt S34 (im Verfahren nach Figur 16) in der Datenbank die Daten dieses neuronalen Netzwerkes NN geladen werden bzw. es werden konkret die Gewichte für die Verknüpfungen zwischen den Knoten der verschiedenen Layer LI, LH, LO und die Aktivierungsfunktionsparameter der verschiedenen Knoten des trainierten neuronalen Netzwerkes geladen. Es sei an dieser Stelle erwähnt, dass die Bezugsziffer NN in den Figuren für eine beliebige, für das jeweilige Ziel geeignete KI-basierte Optimierungseinheit NN stehen kann, insbesondere auch für die oben beschriebenen neuronalen Netzwerke NPS, NSV, NNW, KNSP, KNWS. Mit diesen Daten des ausgewählten neuronalen Netzwerks NN oder der ausgewählten neuronalen Netzwerke NN können dann im Schritt S35 die jeweils optimale Segmentscan- richtungsverteilung und der zugehörige beste Parametersatz auf Basis der Eingangsdaten schnell berechnet werden. Im nächsten Schritt S36 folgt dann entsprechend im Verfahrensablauf ein Update der aktuellen Segmentscanrichtungsverteilungen und der Parametersätze in den betreffenden Segmenten für die weitere Optimierung und in dem Verfahren nach Figur 12 wird mit diesen neuen Segmentscanrichtungsverteilungen und Parametersätzen gearbeitet. Am Ende des Schritts S3 können dann also nach wie vor dieselben Segmente SG‘ vorliegen, jedoch sollten vorzugsweise einigen der Segmente SG‘ bessere aktuelle Parametersätze zugeordnet sein, welche die Anforderungen besser erfüllen. Anschließend an den Schritt S3 kann dann im Schritt S4 (siehe weiter Figur 12) die Zielfunktion ZF genutzt werden, um die Grenzen der Segmente zu optimieren, d. h. es wird versucht, durch eine Verschiebung von einzelnen Segmentgrenzen in bestimmten Bereichen ein noch besseres Ergebnis zu erzielen. Auch hierzu können bei Bedarf KI- basierte Optimierungseinheiten bzw. neuronale Netzwerke NN unterstützend eingesetzt werden. Dies schließt explizit auch ein, dass nicht nur Segmentgrenzen von Segmenten innerhalb des Bauteils verschoben werden, sondern auch möglicherweise Segmentgrenzen zwischen Segmenten am Rand des Bauteils und äußeren Pulver- segmenten im Gebiet. Dies heißt, dass sich unter Umständen auch die äußeren Konturen des Bauteils ändern können, beispielsweise, dass bestimmte Streben verdickt oder verdünnt werden, je nachdem, was für den konkreten Fall erforderlich ist. Auf diese Weise kann also gleichzeitig die Bauteilgeometrie mit optimiert werden. Die Optimierungsmöglichkeiten im Schritt S4 sind auch in der DE 102022117935 erläutert, wobei nicht alle dort beschriebenen Möglichkeiten genutzt werden müssen. Am Ende des Schritts S4 könnten dann passend zu den jeweils im Schritt S3 gewählten Parametersätzen bezüglich ihrer Geometrie bzw. der Segmentgrenzen verbesserte Segmente (und optional schon weiter verbesserte Segmentscanrichtungsverteilungen und Parametersätze) vorliegen. Im Schritt S5 wird das Vorgehen aus Schritt S2 noch einmal wiederholt, d. h. es wird eine neue Zustandsbeschreibung (synonym auch als Systembeschreibung bezeichnet) mit den aktuellen Prozessgrößenwerten, d. h. den aktuellen Segmenten, den aktuellen Parametersätzen und den aktuellen Segmentscanrichtungsverteilungen, ermittelt und geprüft, ob alle Anforderungen, insbesondere auch die Qualitätsanforderungen, ausreichend erfüllt sind. Wenn die Anforderungen nicht ausreichend erfüllt sind, erfolgt ein Rücksprung in den Schritt S4. Diese Schleife zwischen den Schritten S4 und S5 wird so lange durchlaufen, bis ein Abbruchkriterium erreicht ist, d. h. bis beispielsweise die Änderungen zwischen zwei Iterationsschritten hinsichtlich der vorgegebenen Qualitätskriterien sehr klein werden. Es ist dann davon auszugehen, dass nahezu die beste Kombination für den vorliegenden Lastfall vorliegt. Im nachfolgenden Schritt S6, welcher drei Teilschritte S6a, S6b und S6c umfasst, wird geprüft, ob alle Bereiche, in denen Pulver vorliegt, auch einen Weg aus dem Bauteil haben. Somit soll zumindest für die Fälle, bei denen nicht bewusst im Bauteil ein mit Pulver gefüllter Hohlraum gewünscht ist, sichergestellt werden, dass kein Pulver im Bauteil nach dem Auspacken verbleibt, beispielsweise in Kavitäten, welche nicht mit dem Außenraum verbunden sind. Hierzu kann im Schritt S6a das Pulver als ein viskoses Fluid angenommen werden, welches aus den Kavitäten ausströmt. Durch einen Rücksprung in den Schritt S4, in dem ja die Zielfunktion ZF auch genutzt wird, um die Segmentgrenzen zu modifizieren, kann dann eine Änderung der Segmentgrenzen erfolgen, so dass die Bereiche mit Pulvereinschlüssen minimiert oder gänzlich entfernt werden können. Dies kann in einer Schleife erfolgen, welche für eine bestimmte Anzahl von Iterationen versucht, die Einschlüsse entweder so durch Änderung der Geometrie der Segmente zu verschieben, dass diese schließlich an der Bauteiloberfläche liegen, oder die Einschlüsse durch aufgeschmolzenes Material gefüllt werden, d. h. die pulvergefüllten Hohlräume beseitigt werden. Hier kann z. B. das Abbruchkriterium wieder sein, dass keine relevanten Veränderungen in der Schleife mehr erfolgen oder auch, dass eine Anzahl an maximalen Iterationsschritten erfolgt ist. Anschließend kann im optionalen Schritt S6b in solchen Bereichen, in denen unter Umständen immer noch Einschlüsse an Pulver vorliegen, eine sog. Minkowski-Subtraktion durchgeführt werden, um diese Bereiche durch Erosion analog zu Methoden der Bildverarbeitung aus dem Rechengitter zu entfernen. In einem letzten Schritt S6c wird dann geprüft, ob es evtl. immer noch Pulvereinschlüsse gibt. Falls dies der Fall ist, werden diese Bereiche entfernt, indem ein Rücksprung in den Schritt S3 erfolgt. Dort wird für den betreffenden Bereich ein neuer Parametersatz ausgewählt, der dazu führt, dass der Bereich verfestigt wird, und es wird beginnend ab Schritt S3 dann die komplette Optimierung mit dem neuen Parametersatz noch einmal durchgeführt. Die Schritte S6a bis S6c werden aber in der DE 102022117935 genauer erläutert, so dass auch diesbezüglich hierauf verwiesen wird. Es wird darauf hingewiesen, dass der Entpulverungsschritt S6 bewusst separat nach der Optimierung der anderen Punkte innerhalb der Zielfunktion im Schritt S4 durchgeführt wird. Dies ist möglich, indem beim ersten Durchlauf der Druck überall gleich 0 gesetzt wird und somit in dem vorherigen Durchlaufen der Schritte S4 und S5 erst eine Optimierung hinsichtlich aller anderen Kriterien erfolgt und nicht bereits eine Entpulverung erfolgt. Hin- sichtlich des Entpulverungskriteriums wird also die Zielfunktion ZF bzw. die entsprechende Teilfunktion auf Grund einer geschickten Parameterwahl zunächst als inaktiv überall im Gebiet auf 0 gesetzt. Durch diese Vorgehensweise lässt sich Rechenzeit einsparen, wenn zu Beginn der Optimierung in einer Startkonfiguration zunächst eine Lösung vorliegt, deren Gestalt noch weiter von der optimalen Gestalt entfernt ist, und daher mit einer Vielzahl von Durchläufen durch die Iterationsschleife zwischen den Schritten S4 und S5 zu rechnen ist. Die Schritte S7 und S8 sind rein optional und können genutzt werden, um eventuell in den vorherigen Schritten erzeugte Fehler aufgrund der Homogenisierung der Zustände der Segmente (also z. B. die Ermittlung eines mittleren Zustands für jedes Segment, auch wenn dieser über das jeweilige Segment räumlich variiert) auszugleichen, da eine solche Homogenisierung einen gewissen Fehler beinhalten kann. Durch die Homogenisierung in Verbindung mit der KI-basierten Optimierung kann aber in jedem Fall zumindest eine sehr gute Approximation des Optimums erreicht werden, die nahe dem realen Optimum liegt, so dass in der Regel hier allenfalls geringe „Nachoptimierungen“ (quasi eine „Feineinstellung“) erfolgen würden. Bei dieser Vorgehensweise entspricht der Schritt S8 dem Schritt S5 bzw. S2, d. h. es erfolgt hier eine Zustandsbeschreibung und Überprüfung, inwieweit das System bzw. Bauteil mit den aktuellen Segmenten und den aktuell den Segmenten jeweils zugeordneten Parametersätzen die Anforderung erfüllen würde, und wenn die Anforderungen nicht ausreichend erfüllt sind, erfolgt ein Rücksprung in den Schritt S7. Diese Schleife zwischen den Schritten S7 und S8 wird wieder so lange durchlaufen, bis ein Abbruchkriterium erreicht ist, d. h. bis beispielsweise die Änderungen zwischen zwei Iterationsschritten hinsichtlich der vorgegebenen Qualitätskriterien sehr klein werden. Für die genaue Vorgehensweise in den Schritten S7 und S8 wird auch wieder auf die DE 10 2022 117 935 verwiesen. In den Schritten S7 und S8 wird nun auch eine eventuelle räumliche Variation des Zustands (z.B. der mechanischen Spannung) innerhalb der Segmente berücksichtigt, so dass diese Schritte natürlich aufwändiger sind, als z. B. die Schritte S2 und S5. Da aber schon sicher ist, dass der aktuelle Zustand bei Beginn dieser Schritte S7 und S8 sehr nahe am Optimum liegt, sind hier nur noch wenige Iterationen erforderlich. Der, ebenfalls optionale, Schritt S9 beschäftigt sich schließlich mit einer möglicherweise vorgesehenen Wärmebehandlung des später gefertigten Bauteils (falls die Wärmebehandlung nicht schon ausreichend in Schritt S3 mit Hilfe der neuronalen Netzwerke berücksichtigt wurde). Er umfasst hier zwei Teilschritte S9a und S9b. Im Schritt S9a wird für das (noch) virtuelle, zu fertigende Bauteil eine virtuelle Wärmebehandlung durchgeführt und dabei werden für jeden Punkt die charakteristischen Temperaturprofile aus dieser simulierten Wärmebehandlung hinterlegt. Im nachfolgenden Schritt S9b wird dann geprüft, ob die simulierten Temperaturprofile innerhalb der zulässigen Grenzen der notwendigen Wärmebehandlung liegen, beispielsweise ob es an einigen Punkten im Bauteil zu heiß oder nicht heiß genug geworden ist. Sind die Grenzwerte überschritten, kann ein Rücksprung zum Schritt S2 erfolgen, so dass letztlich mit einer neuen Start-Konfiguration die gesamte Optimierung noch einmal durchgeführt wird, wobei die Start-Konfiguration dann so ausgewählt wird, dass voraussichtlich das Problem der Wärmebehandlung beseitigt ist. Sind dagegen die Anforderungen im Kontext der Wärmebehandlung erfüllt, ist schließlich das Ende des Optimierungsverfahrens erreicht und es liegen die gewünschten optimierten Prozessgrößenwerte PGO vor, und zwar in Form von optimalen Segmentgrenzen SGG, optimalen Parametersätzen PS und optimierten Segmentscan- richtungsverteilungen SSV. Dabei kann die Optimierung der Segmentgrenzen SGG im Übrigen auch eine optimierte Ausrichtung des Objekts in Bezug zur Hauptaufbaurichtung umfassen, also zur z-Richtung, in der die Schichten übereinandergestapelt sind. Eine Modifikation der Segmentgrenzen kann nämlich auch mit dem Ziel erfolgen, dass eine Umorientierung oder Optimierung der Orientierung des Bauteils relativ zur Hauptaufbaurichtung erreicht wird. Durch eine passende Orientierung im Bauraum kann z. B. erreicht werden, dass Überhänge und/oder Support reduziert oder minimiert werden. Auch hierzu wird auf weitere Erklärungen in der DE 102022117935 verwiesen. Es wird abschließend darauf hingewiesen, dass im Rahmen des Optimierungsverfahrens vorzugsweise für alle Segmente des Bauteils gleichzeitig die Optimierung erfolgt, d. h. es werden beispielsweise für alle Start-Segmente SG‘ zu Beginn im Schritt S1 nicht nur die Start-Segmentgrenzen bestimmt, sondern auch die sonstigen Start-Parametersätze PS‘ und Start-Segmentscanrichtungsverteilungen SSV‘ gesetzt und immer in den jeweiligen Schritten gemeinsam optimiert. Dies bietet sich insbesondere bei der erfindungsgemäßen Nutzung von KI-basierten Optimierungseinheiten an, da hiermit die Optimierung jeweils erheblich schneller als mit einer klassischen Optimierung erfolgen kann. In dem Optimierungsverfahren gemäß Figur 12 wird wie zuvor erläutert in mehreren Schritten, beispielsweise in den Schritten S2, S5 und S8, jeweils die aktuelle Konfiguration evaluiert. Dabei wird geprüft, ob ein Bauprozess, in dem die aktuell im Optimierungsprozess vorliegenden Segmente (d. h. die aktuellen Segmentgrenzen) und die zu den Segmenten gehörigen aktuellen Parametersätze sowie aktuellen Segmentscanrichtungsverteilungen SSV verwendet werden, zu einem Bauteil führen würde, welches bestimmte Anforderungen erfüllt. Das heißt, es kann eine Zustandsbeschreibung des virtuellen Bauteils mittels einer Zustandssimulation ermittelt werden und die Zustandsbeschreibung kann gegebenenfalls in einem weiteren Schritt mit vorgegebenen (Qualitäts-)Anforderungen verglichen werden. Für die Zustandsermittlung bzw. Ermittlung der Zustandsbeschreibung können Makroeigenschaftswerte der einzelnen Segmente herangezogen werden. Solche Makroeigenschaftswerte können wie erwähnt insbesondere die Textur im Segment sein, welche wie erwähnt durch die Orientierungsdichtefunktion ODF beschrieben werden kann, aber auch daraus abgeleitete weitere Makroeigenschaftswerte wie der Elastizitätssensor, die Fließgrenzverteilung, Verfestigungskoeffizienten, Wärmeleitfähigkeit, Bruchfestigkeit etc. Anhand von Figur 26 wird nun erläutert, wie bei einem bekannten Parametersatz PS zum Aufbau der Schichten eines Segments und einer bekannten Segmentscan- richtungsverteilung SSV des Segments jeweils ein Makroeigenschaftswert MWA des betreffenden Segments in einer geeigneten Vorrichtung 70 bzw. Einheit zur Ermittlung von Makroeigenschaften ermittelt werden kann. Es wird explizit darauf hingewiesen, dass diese Vorrichtung 70 vorteilhafterweise auch in Form von Software auf einer geeigneten Rechnereinheit realisiert werden kann. Insbesondere kann sie daher in das Optimierungsverfahren integriert sein, beispielsweise als Software-Objekt bzw. Unterroutine. Ebenso können alle weiteren nun beschriebenen Komponenten der Vorrichtung 70 wie die Schnittstellen und das Datenbanksystem softwaremäßig realisiert sein. Weiterhin ist es aber auch möglich, beispielsweise Schnittstellen teilweise aus Hardware und aus Software zu realisieren und z. B. die gesamte Vorrichtung 70 auf verschiedenen Rechnereinheiten verteilt zu realisieren, die in geeigneter Weise miteinander verknüpft sind. Dies gilt insbesondere für das von der Vorrichtung 70 genutzte Datenbanksystem DBS, welches hier z. B. eine Makroeigenschaftsdatenbank EDA und eine Basiseigenschaftsdatenbank EDB umfasst, die sehr einfach auch in andere Rechner- und Speichereinheiten ausgelagert sein können. Die Funktionsweisen und Dateninhalte der Makroeigenschaftsdatenbank EDA und der Basiseigenschaftsdatenbank EDB und Möglichkeiten zum Aufbau solcher Datenbanken EDA, EDB werden noch erläutert. Über eine Parametersatz-Schnittstelleneinheit 72 kann beispielsweise der aktuelle Parametersatz PS übernommen werden, und über eine Scanrichtungs-Schnittstelleneinheit 73 kann eine aktuelle Segmentscanrichtungsverteilung SSV für den Aufbauprozess des Segments übernommen werden. Weiterhin kann die Vorrichtung 70 eine Schnittstelle 74 aufweisen, über die Segmentinformationen SGI übernommen werden können, d. h. Informationen über das Segment, wie die Anzahl der Schichten, die aktuellen Segmentgrenzen etc. Alle diese Informationen können dann in einer Makroeigenschaftsermittlungseinheit 71 genutzt werden, um den Makroeigenschaftswert MWA oder besser noch eine ganze Gruppe von Makroeigenschaftswerten für das betreffende Segment, dem der aktuelle Parametersatz PS und die aktuelle Segmentscanrichtungsverteilung SSV sowie die Segmentinformationen SGI zuzuordnen sind, zu ermitteln. Die Arbeitsweise dieser Makroeigenschaftsermittlungseinheit 71 ist in Figur 26 innerhalb der Makroeigen- schaftsermittlungseinheit 71 sehr vereinfacht in Form eines Flowcharts dargestellt. In einem ersten Schritt MS1 kann zunächst in der Makroeigenschaftsdatenbank EDA abgefragt werden, ob für eine bestimmte Kombination von Parametersatz PS und Segmentscanrichtungsverteilung SSV bereits ein fertiger Makroeigenschaftswert MWA hinterlegt ist. Ist dies der Fall, dann wird einfach dieser Makroeigenschaftswert MWA übernommen und von der Makroeigenschaftsermittlungseinheit 71 kann dieser Makroeigenschaftswert MWA über eine Schnittstelle 75 der Vorrichtung 70 wieder zurückgeliefert werden, beispielsweise an eine übergeordnete Softwarekomponente, die dann mit diesem Makroeigenschaftswert MWA weiterarbeitet. Vorzugsweise sind in der Makroeigenschaftsdatenbank EDA Makroeigenschaftswerte MWA für solche Kombinationen von Parametersätzen PS und Segmentscanrichtungs- verteilungen SSV hinterlegt, die besonders häufig vorkommen, d. h. bei denen es sich um Standardkombinationen handelt, die immer wieder benutzt werden. Selbstverständlich kann diese Makroeigenschaftsdatenbank EDA nach und nach erweitert werden. War die Abfrage in der Makroeigenschaftsdatenbank EDA nicht erfolgreich, so muss für den aktuellen Einzelfall auf Basis des aktuellen Parametersatzes PS und der aktuellen Segmentscanrichtungsverteilung SSV ein Makroeigenschaftswert MWA neu ermittelt werden. Hierzu wird zunächst in einem weiteren Schritt MS2 in einer Basis- eigenschaftsdatenbank EDB für den aktuellen Parametersatz PS ein aktueller Basiseigenschaftswert BEW für die einzelnen Schichten abgefragt. Ein solcher Basiseigenschaftswert BEW kann beispielsweise die Textur und/oder eine Mikrostruktur MS der Schicht sein, aber auch daraus abgeleitete Werte, die für die jeweilige Schicht gelten. Vorzugsweise wird aber mit der Textur TX, welche durch eine ODF beschrieben wird, weitergearbeitet und die Mikrostruktur MS wird zusätzlich herangezogen. In einem dritten Schritt MS3 erfolgt dann eine mathematische Homogenisierung der Basiseigenschaftswerte BEW für die einzelnen Schichten, d. h. die Basiseigenschaftswerte BEW der einzelnen Schichten des Segments werden in geeigneter Weise kombiniert, um den Makroeigenschaftswert MWA des kompletten Segments zu approximieren. Hierbei werden die Informationen über die die Anzahl der Schichten, die Schichtscanrichtungs- anordnungen in den Schichten und die Verdrehungen der Schichten zueinander genutzt, die zu der aktuellen Segmentscanrichtungsverteilung führen. Im Rahmen dieses Homogenisierungsverfahrens im Schritt MS3 kann beispielsweise einfach ein Mittelwert der Basiseigenschaftswerte der einzelnen Schichten gebildet werden, wobei dieser Mittelwert dann den gesuchten Makroeigenschaftswert MWA bildet. Alternativ kann auch zunächst der Kehrwert der Mittelwerte der Basiseigenschaftswerte BEW der einzelnen Schichten ermittelt werden und anschließend wird dann wiederum der Kehrwert dieses Mittelwerts der Kehrwerte gebildet. Dieser Kehrwert des Mittelwerts bildet dann wiederum den Makroeigenschaftswert. Welches der beiden Verfahren verwendet wird, kann davon abhängen, wie die Mikrostruktur MS der einzelnen Schichten aussieht und wie die aktuellen Belastungsanforderungen sind. Es wird an dieser Stelle darauf hingewiesen, dass sich, wie bereits oben erwähnt, die Basiseigenschaftswerte BEW der einzelnen Schichten nicht wesentlich unterscheiden, sofern sie mit demselben Parametersatz PS (also auch derselben Hatchstrategie) gefertigt wurden, bis auf die Tatsache, dass mit der Änderung der Orientierung relativ zur (im Prinzip willkürlich festlegbaren) Referenzorientierung RO zwischen den Schichten sich auch die Orientierung der Basiseigenschaftswerte ändert. Dies führt natürlich zu einer Orientierungsänderung in der Textur TX. Letztlich hat dies auch Einfluss auf alle Eigenschaftswerte in Form von richtungsabhängigen Werkstoffparametern, also beispielsweise den Elastizitätstensor oder die Fließgrenzenverteilung, beispielsweise in Form des Hill-Tensors, die ja in verschiedene Richtungen ganz unterschiedlich sein kann. Es reicht aber aus, die Basiseigenschaftswerte für eine Orientierung, vorzugsweise die Referenzorientierung, zu kennen. Die Basiseigenschaftswerte für die anderen Orientierungen lassen sich durch einfache Operatoren, z. B. eine einfache Rotation, daraus berechnen. Der im Schritt MS3 ermittelte Makroeigenschaftswert MWA kann dann ebenfalls über die Schnittstelle 75 wieder ausgegeben werden, z. B. an eine übergeordnete Einheit, die damit dann weiterarbeitet. Zusätzlich könnte dieser Makroeigenschaftswert MWA auch gemeinsam mit dem Parametersatz PS, welcher der Berechnung zugrunde lag, und der zugehörigen Segmentscanrichtungsverteilung SSV in der Makroeigenschaftsdatenbank EDA hinterlegt werden. Sofern die Makroeigenschaftsdatenbank EDA ausreichend Platz hat, könnte prinzipiell jeder Makroeigenschaftswert MWA, der neu ist, auch in der Makroeigenschaftsdatenbank EDA hinterlegt werden. Vorzugsweise wird dies aber für z. B. sehr seltene Parametersätze PS oder Segmentscanrichtungsverteilungen SSV nicht zwingend getan. Grundsätzlich kann das System auch lernend ausgebildet sein, d. h. dass z. B. in einer Liste vorgemerkt wird, welche Parameterkombinationen PS, SSV besonders häufig vorkommen, und für diese Parameterkombinationen wird dann nach und nach die Makroeigenschaftsdatenbank EDA erweitert oder umgekehrt, es wird zunächst jeder Makroeigenschaftswert MWA in der Makroeigenschaftsdatenbank EDA hinterlegt und dann wieder gelöscht, wenn er eine bestimmte Zeitlang nicht mehr abgefragt wird, um so Speicherplatz für andere Kombinationen zu schaffen. Der Aufbau einer Basiseigenschaftsdatenbank EDB, indem z. B in verschiedenen Testherstellungsverfahren verschiedene Prüfkörper hergestellt und vermessen werden, um die mit den verschiedenen Parametersätzen erreichten Basiseigenschaftswerte BEW für eine oder mehrere Schichten des Prüfkörpers zu ermitteln, wird in der DE 102022117935 und insbesondere auch in der DE 102022117936 detaillierter an Hand von mehreren Figuren erläutert, so dass darauf verwiesen werden kann. Der Inhalt dieser Dokumente wird daher auch insoweit hier inkorporiert. Wie oben erläutert, können das Verfahren und die Vorrichtung zur Ermittlung von Eigenschaftswerten eines Segments bzw. zur Prüfung eines aktuellen Zustands eines Segments, ob es bestimmte Bedingungen erfüllt, insbesondere innerhalb eines Optimierungsverfahrens verwendet werden, um geeignete Prozessgrößenwerte für die Produktion eines Produkts zu ermitteln. Grundsätzlich ist es aber auch möglich, eine solche Überprüfung ganz getrennt von einem derartigen Optimierungsverfahren durchzuführen, beispielsweise um vor einer Nutzung Steuerparameter zu überprüfen, die für die Herstellung eines Bauteils vorgesehen sind, aber auf andere Weise als in dem o.g. Optimierungsverfahren erstellt wurden. Ebenso kann auch eine nachträgliche Überprüfung von bereits hergestellten Bauteilen erfolgen, welche nicht zerstört werden sollen und an denen daher bestimmte Belastungstests nicht durchgeführt werden können. Hierzu reicht die Kenntnis der bei der Herstellung genutzten und für das oben beschriebene Verfahren benötigten Prozessgrößen aus. Ein möglicher Aufbau einer hierzu einsetzbare Überprüfungsvorrichtung 80 und ein Überprüfungsverfahren werden z. B. detailliert in der Patentanmeldung DE 102022117 935 beschrieben (siehe dort z. B. die Figuren 24 und 25 mit der zugehörigen Beschreibung) auf die hier insoweit verwiesen werden kann bzw. deren Inhalt insoweit hier als inkorporiert angesehen werden sollte. Die dort beschriebene Überprüfungsvorrichtung und das Überprüfungsverfahren sind im Zusammenhang mit den in der vorliegenden Anmeldung erläuterten Vorrichtungen und Verfahren genauso anwendbar. Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorhergehend detailliert beschriebenen Vorrichtungen und Verfahren lediglich um Ausführungsbeispiele handelt, welche vom Fachmann in verschiedenster Weise modifiziert werden können, ohne den Bereich der Erfindung zu verlassen. Insbesondere kann das Optimierungsverfahren nahezu beliebig an die aktuellen Erfordernisse angepasst werden, und z. B. zusätzlich Schritte eingebaut oder Schritte zusammengefasst werden oder Optimierungskriterien ausgetauscht oder erweitert werden. Ebenso können Optimierungskriterien auch auf unterschiedliche Weise berücksichtigt werden. Es sei an dieser Stelle auch darauf hingewiesen, dass die oben beschriebene Methode zur Bildung einer Zielfunktion durch eine gewichtete Summe von Teilfunktionalen zwar bevorzugt sein kann, das Verfahren aber nicht zwingend darauf beschränkt ist. So können z. B. auch Teilfunktionale in Form von Nebenbedingungen, bspw. über das Verfahren der Lagrange-Multiplikatoren, definiert werden. Diese Nebenbedingung können beispielsweise Gleichheits- oder Ungleichheits- nebenbedingungen sein. Ausführungen hierzu können Grundlagenwerken wie C. Richter, Optimierung in C++: Grundlagen und Algorithmen, 2016, Wiley-VCH, Berlin entnommen werden. Hinsichtlich der KI-basierten Optimierungseinheiten ist noch einmal darauf hinzuweisen, dass auch andere KI-Verfahren bzw. Konzepte als die oben dargestellten neuronalen Netzwerke genutzt werden können. Insbesondere können die Trainingsverfahren modifiziert und den jeweiligen Erfordernissen angepasst werden. Weiterhin schließt die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ nicht aus, dass die betreffenden Merkmale auch mehrfach vorhanden sein können. Ebenso schließt der Begriff „Einheit“ nicht aus, dass diese aus mehreren zusammenwirkenden Teil- Komponenten besteht, die gegebenenfalls auch räumlich verteilt sein können.

Bezugszeichenliste 1 Produktionsvorrichtung / Laserschmelzvorrichtung 2 Fertigungsprodukt / Bauteil / Objekt 2’ Fertigungsprodukt / Bauteil / Prellbock 2‘‘ Fertigungsprodukt / Bauteil / Vierkantstab 3 Prozessraum / Prozesskammer 4 Kammerwandung 5 Behälter 6 Behälterwandung 7 Arbeitsebene 8 Baufeld 10 Träger 11 Grundplatte 12 Bauplattform 13 Aufbaumaterial (im Behälter 5) 14 Vorratsbehälter 15 Aufbaumaterial (im Vorratsbehälter 14) 16 Beschichter 17 Strahlungsheizung 20 Bestrahlungsvorrichtung / Belichtungsvorrichtung 21 Laser 22 Auftrefffläche des Energiestrahls 23 Umlenkvorrichtung / Scanner 24 Fokussiereinrichtung 25 Einkoppelfenster 50 Steuereinrichtung 51 Steuereinheit 53 Bestrahlungssteuerschnittstelle 54, 54‘ Steuerdatenerzeugungsvorrichtung 55 Bus 56 Terminal 57 Datengenerierungseinheit 58 Entscheidungseinheit 60 Vorrichtung zur Generierung optimierter Prozessgrößenwerte 61 Anforderungs-Schnittstelleneinheit 62 Schnittstelle 63 Schnittstelle 64 Prozessgrößen-Schnittstelleneinheit 65 Optimierungseinheit / Optimierer 70 Vorrichtung zur Ermittlung von Eigenschaftswerten 71 Makroeigenschaftsermittlungseinheit 72 Parametersatz-Schnittstelleneinheit 73 Scanrichtungs-Schnittstelleneinheit 74 Schnittstelle 75 Schnittstelle 80 Überprüfungsvorrichtung AD Anforderungsdaten BEW Basiseigenschaftswerte BSD Steuerdaten / Belichtungssteuerdaten DBS Eigenschaftsdatenbanksystem / Datenbanksystem DS Datenspeicher E Energiestrahl / Laserstrahl EDA Makroeigenschaftsdatenbank EDB Basiseigenschaftsdatenbank ERR Fehlerwert ES Verfahrensschritt Entscheidung FS Fokussteuerdaten G Gebiet GD geometrische Daten H horizontale Richtung HS Heizungssteuerdaten HS2, HS3 Schichtscanrichtungsanordnung / Hatchrichtungsanordnung / Hatchstrategie HWR Hauptwärmeflussrichtung KB Backpropagation-Schritt KNSP, KNWS kombiniertes neuronales Netzwerk KPS Kandidaten-Parametersätze L, L1, L2, L3, L4 Schichten / Layer LH Hidden-Layer LI Input-Layer LO Output-Layer LS Lasersteuerdaten MS Mikrostruktur MS1, MS2, MS3 Verfahrensschritte MWA Makroeigenschaftswerte NN KI-basierte Optimierungseinheit / neuronales Netzwerk NNW, NPS, NSV KI-basierte Optimierungseinheit /neuronales Netzwerk NO, NO‘ klassischer Optimierungsvorgang / Optimierer PAS Parametersatzselektor PGO optimierte Prozessgrößenwerte PS Parametersatz PS‘ Start-Parametersatz PSON, PSVON, PSV’ON, PSV‘‘ON Vorhersagewerte PSOR, PSVOR, PSV’OR, PSV‘‘OR Referenzwert PSV‘‘ Ausgangsgröße PSσ Eingangsgröße / spannungsoptimierter Parametersatz PS_^̇ Eingangsgröße / temperaturoptimierter Parametersatz PSD Steuerdaten / Prozesssteuerdaten PSS Parametersatz-Eignungswert / PS-Score PSSG Gesamt-PS-Score QA Qualitätsanforderungen / Qualitätsanforderungsdaten RO Referenzorientierung S Scanrichtung / Bewegungsrichtung der Auftrefffläche SD Scansteuerdaten SG Segmente SG‘ Start-Segmente SGG Segmentgrenzen SGI Segmentinformationen SG0 Pulversegment SG1, SG2, SG3 Segmente SSV Segmentscanrichtungsverteilung SSV‘ Start-Segmentscanrichtungsverteilung SSV1, SSV2, SSV3, SSV4 Segmentscanrichtungsverteilung ST Beschichtungssteuerdaten S0 bis S10 Verfahrensschritte S31 bis S36 Teilschritte S6a, S6b, S6c, S9a, S9bTeilschritte TE Verfahrensschritt Ende TF1, …, TFi, …, TFn Teilfunktionen / Unterfunktionen / Unterfunktionale TSD Trägersteuerdaten TX Textur V vertikale Richtung VG Verfahrensschritt Vergleich x, y Raumrichtungen in Schichtebene z Hauptaufbaurichtung ZF Zielfunktion ^_^ Prozessparametersatz ^^ ^_^ homogenisierte Feldgröße / homogenisierter Spannungszustand / Eingangsgröße ^_^^, ^_^^, ^_^^ Matrixelemente des homogenisierten Spannungszustands ^̇ Temperaturverlaufs-Funktion / Abkühlrate / Eingangsgröße ^_^, ^_^ ,…, Werte der Segmentscanrichtungsverteilung SSV

Claims

Patentansprüche 1. Verfahren zur Generierung von optimierten Prozessgrößenwerten (PGO) für einen additiven Aufbauprozess eines Fertigungsprodukts (2, 2‘, 2‘‘) aus mehreren Schichten (L, L1, L2, L3, L4) eines Aufbaumaterials (13) mit folgenden Verfahrensschritten: - Bereitstellen von Anforderungsdaten (AD, ^^ ^_^ , ^̇) des Fertigungsprodukts (2, 2‘, 2‘‘), - Durchführung eines Optimierungsverfahrens zur Ermittlung der optimierten Prozessgrößenwerte (PGO) unter Berücksichtigung der Anforderungsdaten (AD, ^^ ^_^ , ^̇), wobei als ein optimierter Prozessgrößenwert (PGO) zumindest eine optimierte Scanrichtungsverteilung (SSV) für zumindest einen Bereich des Fertigungsprodukts (2, 2‘, 2‘‘) unter Nutzung einer KI-basierten Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) ermittelt wird, - Bereitstellen der optimierten Prozessgrößenwerte (PGO).

2. Verfahren nach Anspruch 1, wobei im Optimierungsverfahren als zumindest ein weiterer optimierter Prozessgrößenwert (PGO) zumindest ein optimaler Parametersatz (PS), welcher eine definierte Gruppe von Prozessparameterwerten umfasst, aus einer Anzahl von Kandidaten-Parametersätzen (KPS) ausgewählt wird, vorzugsweise ebenfalls unter Nutzung einer KI-basierten Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS).

3. Verfahren nach Anspruch 1 oder 2, wobei das Fertigungsprodukt (2, 2‘, 2‘‘) unter Nutzung der Anforderungsdaten (AD), insbesondere von geometrischen Daten (GD) der Anforderungsdaten (AD), in mehrere Segmente (SG, SG1, SG2, SG3) aufgeteilt wird und das Optimierungsverfahren so durchgeführt wird, dass jeweils für die einzelnen Segmente (SG, SG1, SG2, SG3) optimierte Prozessgrößenwerte (PGO), vorzugsweise jeweils ein optimaler Parametersatz (PS) und eine optimierte Segmentscanrichtungsverteilung (SSV) pro Segment (SG, SG1, SG2, SG3), ermittelt werden.

4. Verfahren nach einem der vorstehenden Ansprüche, wobei das Optimierungsverfahren mehrere Iterationsschritte umfasst und dabei in zumindest einem Iterationsschritt zumindest eine KI-basierte Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) genutzt wird und/oder wobei im Optimierungsverfahren zunächst zumindest ein Start-Prozessgrößenwert (PS‘, SSV‘) unter Nutzung einer KI-basierten Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) bestimmt wird.

5. Verfahren nach einem der vorstehenden Ansprüche, wobei zumindest eine KI-basierte Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) zumindest ein neuronales Netzwerk (NN, NPS, NSV, NNW, KNSP, KNWS) umfasst.

6. Verfahren nach einem der vorstehenden Ansprüche, wobei für zumindest einen Bereich des Fertigungsprodukts (2, 2‘, 2‘‘), für zumindest eine Anzahl von möglichen Scanrichtungsverteilungen und/oder zumindest einen Teil der Kandidaten-Parametersätze (KPS) jeweils zumindest ein Parametersatz-Eignungswert (PSS) ermittelt wird, und eine Ermittlung einer optimierten Scanrichtungsverteilung (SSV) und/oder eine Auswahl eines optimalen Parametersatzes (PS) aus den Kandidaten-Parametersätzen (KPS) unter Nutzung der Parametersatz-Eignungswerte (PSS) erfolgt, wobei bevorzugt für verschiedene Paare von Segmentscanrichtungsverteilungen (SSV) und Kandidaten-Parametersätzen (KPS) jeweils Parametersatz-Eignungswerte (PSS) ermittelt werden.

7. Verfahren nach Anspruch 6, wobei für zumindest einen Teil der Scanrichtungsverteilungen (SSV) und/oder Kandidaten-Parametersätze (KPS) jeweils mehrere anforderungsspezifische Parametersatz-Eignungswerte (PSS) für unterschied- liche Anforderungsdaten (AD, ^^ ^_^ , ^̇) ermittelt werden, wobei besonders bevorzugt die anforderungsspezifischen Parametersatz-Eignungswerte (PSS) für eine Scanrichtungsverteilung (SSV) und/oder einen Kandidaten-Parametersatz (KPS) jeweils zu einem Gesamt-Parametersatz-Eignungswert (PSSG) kombiniert werden.

8. Verfahren nach Anspruch 7, wobei innerhalb des Optimierungsverfahrens optimierte Prozessgrößenwerte (PGO) für das Fertigungsprodukt (2, 2‘, 2‘‘) so ermittelt werden, dass jeweils für die einzelnen Segmente (SG, SG1, SG2, SG3) optimierte Prozessgrößenwerte (PGO) ermittelt werden, die hinsichtlich eines Gesamt-Parametersatz-Eignungswerts (PSSG) im jeweiligen Segment und hinsichtlich eines Summen-Parametersatz- Eignungswerts im Fertigungsprodukt (2, 2‘, 2‘‘) optimiert sind.

9. Verfahren nach einem der Ansprüche 6 bis 8, wobei die Ermittlung einer Scanrichtungsverteilung (SSV) und/oder die Auswahl eines optimalen Parametersatzes (PS) aus den Kandidaten-Parametersätzen (KPS) für ein Segment (SG, SG1, SG2, SG3) unter Nutzung der KI-basierte Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) erfolgt, wobei vorzugsweise eine KI-basierte Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) genutzt wird, bei deren Generierung ein Training der KI-basierten Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS) unter Nutzung von Parametersatz-Eignungswerten (PSS) durchgeführt wurde.

10. Verfahren nach einem der Ansprüche 8 oder 9, wobei eine Ermittlung der hinsichtlich eines Summen-Parametersatz-Eignungswerts im Fertigungsprodukt (2, 2‘, 2‘‘) optimierten Prozessgrößenwerte (PGO) unter Nutzung eines kombinatorischen Optimierungsverfahrens erfolgt, bevorzugt eines heuristischen Approximationsverfahrens, besonders bevorzugt eines Simulated-Annealing-Verfahrens und/oder eines Quantum- Annealing-Verfahrens.

11. Verfahren zur Generierung von Steuerdaten (BSD, PSD) für eine Produktionsvorrichtung (1) zur additiven Fertigung zumindest eines Fertigungsprodukts (2, 2‘, 2‘‘) aus mehreren Schichten (L, L1, L2, L3, L4) eines Aufbaumaterials (13) in einem additiven Aufbauprozess, mit folgenden Verfahrensschritten: - Bereitstellen von optimierten Prozessgrößenwerten (PGO), welche für den additiven Aufbauprozess in einem Verfahren gemäß einem der vorstehenden Ansprüche generiert wurden, - Generierung der Steuerdaten (BSD, PSD) für die Produktionsvorrichtung (1) derart, dass die optimierten Prozessgrößenwerte (PGO) im additiven Aufbauprozess entsprechend einem vorgegebenen Bewertungskriterium ausreichend erreicht werden, wobei vorzugsweise innerhalb des additiven Aufbauprozess Aufbaumaterial (13) aufgebaut und selektiv verfestigt wird, wobei zum Verfestigen auf einem Baufeld (8) eine Bestrahlung des Aufbaumaterials (13) mit zumindest einem Energiestrahl (E) erfolgt, wobei eine Auftrefffläche (22) des Energiestrahls (E) auf dem Baufeld (8) bewegt wird, um das Aufbaumaterial (13) in einem Zielbereich in und um die Auftrefffläche (22) aufzuschmelzen.

12. Verfahren zur Steuerung einer Produktionsvorrichtung (1) zur additiven Fertigung eines Fertigungsprodukts (2), wobei Steuerdaten (BSD, PSD) für die Vorrichtung (1) gemäß einem Verfahren nach Anspruch 11 generiert werden und die Steuerung der Produktionsvorrichtung (1) unter Nutzung dieser Steuerdaten (BSD, PSD) erfolgt.

13. Verfahren zum Erstellen einer KI-basierten Optimierungseinheit (KNSP, KNWS), insbesondere für ein Verfahren nach einem der Ansprüche 1 bis 10, um für eine Mehrzahl von unterschiedlichen Typen von Anforderungsdaten (AD, ^^ ^_^ , ^̇) optimierte Prozess- größenwerte (PGO) zu ermitteln, wobei zunächst - zumindest eine erste KI-basierte Optimierungseinheit (NPS, NSV, NNW) trainiert wird, welche basierend auf einem ersten Typ von Anforderungsdaten (^^ ^_^ ) optimierte Prozessgrößenwerte (PGO) eines ersten Typs von Prozessgrößen (PS) ermittelt und - zumindest eine zweite KI-basierte Optimierungseinheit (NPS, NSV, NNW) trainiert wird, welche basierend auf dem ersten Typ von Anforderungsdaten (^^ ^_^ ) optimierte Prozessgrößenwerte (PGO) eines zweiten Typs von Prozessgrößen (SSV) ermittelt oder welche basierend auf einem zweiten Typ von Anforderungsdaten ( ^̇) optimierte Prozessgrößenwerte (PGO) des ersten Typs von Prozessgrößen (PS) und/oder optimierte Prozessgrößenwerte (PGO) des zweiten Typs von Prozessgrößen (SSV) ermittelt und dann eine KI-basierte Kombinations-Optimierungseinheit (KNSP, KNWS) erstellt wird, unter Nutzung eines Trainingsverfahrens, in welchem zumindest die erste und die zweite KI-basierte Optimierungseinheit (NPS, NSV, NNW) untereinander verkoppelt zur Überwachung des Trainings der KI-basierte Kombinations-Optimierungseinheit (KNSP, KNWS) genutzt werden.

14. Vorrichtung (60) zur Generierung von optimierten Prozessgrößenwerten (PGO) für einen additiven Aufbauprozess eines Fertigungsprodukts (2, 2‘, 2‘‘), mit folgenden Komponenten: - einer Anforderungs-Schnittstelleneinheit (61), ausgebildet zum Bereitstellen von Anforderungsdaten (AD, ^^ ^_^ , ^̇) des Fertigungsprodukts (2, 2‘, 2‘‘), - einer Optimierungseinheit (65), ausgebildet zur Durchführung eines Optimierungsverfahrens zur Ermittlung der optimierten Prozessgrößenwerte (PGO) unter Berücksichtigung der Anforderungsdaten (AD, ^^ ^_^ , ^̇), umfassend zumindest eine KI-basierte Optimierungseinheit (NN, NPS, NSV, NNW, KNSP, KNWS), um als einen optimierten Prozessgrößenwert (PGO) zumindest eine optimierte Scanrichtungs- verteilung (SSV) für zumindest einen Bereich des Fertigungsprodukts (2, 2‘, 2‘‘) zu ermitteln, - einer Prozessgrößenwerte-Schnittstelleneinheit (64), ausgebildet zum Bereitstellen der optimierten Prozessgrößenwerte (PGO).

15. Steuerdatenerzeugungsvorrichtung (54, 54‘) zur Generierung von Steuerdaten (BSD, PSD) für eine Produktionsvorrichtung (1) zur additiven Fertigung eines Fertigungsprodukts (2) in einem additiven Aufbauprozess, in welchem Fertigungsprozess vorzugsweise Aufbaumaterial (13) aufgebaut und selektiv verfestigt wird, wobei zum Verfestigen auf einem Baufeld (8) eine Bestrahlung des Aufbaumaterials (13) mit zumindest einem Energiestrahl (E) erfolgt, wobei eine Auftrefffläche (22) des Energiestrahls (E) auf dem Baufeld (8) bewegt wird, um das Aufbaumaterial (13) in einem Zielbereich in und um die Auftrefffläche (22) aufzuschmelzen, wobei die Steuerdatenerzeugungsvorrichtung (54, 54‘) zumindest folgende Komponenten umfasst: - eine Vorrichtung (60) nach Anspruch 14 und/oder eine Schnittstelle zu einer Vorrichtung (60) nach Anspruch 14 zur Übernahme von optimierten Prozessgrößenwerten (PGO), - eine Datengenerierungseinheit zur Generierung der Steuerdaten (BSD, PSD) für die Produktionsvorrichtung (1) derart, dass die optimierten Prozessgrößenwerte (PGO) im additiven Aufbauprozess entsprechend einem vorgegebenen Bewertungskriterium ausreichend erreicht werden.

16. Steuereinrichtung (50) für eine Produktionsvorrichtung (1) zur additiven Fertigung eines Fertigungsprodukts (2) in einem additiven Aufbauprozess, wobei die Steuereinrichtung (20) eine Steuerdatenerzeugungsvorrichtung (54) nach Anspruch 15 und/oder eine Schnittstelle zu einer Steuerdatenerzeugungsvorrichtung (54‘) nach Anspruch 15 zur Übernahme von Steuerdaten (BSD, PSD) aufweist und ausgebildet ist, um die Produktionsvorrichtung (1) unter Nutzung dieser Steuerdaten (BSD, PSD) anzusteuern.

17. Produktionsvorrichtung (1) zur additiven Fertigung von Fertigungsprodukten (2) in einem additiven Aufbauprozess mit zumindest einer Steuereinrichtung (50) nach Anspruch 16.

18. Computerprogrammprodukt mit einem Computerprogramm, welches direkt in eine Speichereinrichtung einer Rechnereinheit, insbesondere einer Vorrichtung (60) zur Generierung von optimierten Prozessgrößenwerten (PGO), einer Steuerdatenerzeugungs- vorrichtung (54, 54‘) oder einer Steuereinrichtung (50) für eine Produktionsvorrichtung (1) zur additiven Fertigung von Fertigungsprodukten (2), ladbar ist, mit Programmabschnitten, um alle Schritte des Verfahrens nach einem der Ansprüche 1 bis 13 auszuführen, wenn das Computerprogramm in der Rechnereinheit ausgeführt wird.

19. Optimierte Prozessgrößenwerte (PGO) für einen additiven Aufbauprozess eines Fertigungsprodukts (2, 2‘, 2‘‘), welche optimierten Prozessgrößenwerte (PGO) nach einem Verfahren nach einem der Ansprüche 1 bis 10 generiert wurden.

20. Steuerdaten (BSD, PSD) für eine Produktionsvorrichtung (1) zur additiven Fertigung zumindest eines Fertigungsprodukts (2, 2‘, 2‘‘) in einem additiven Aufbauprozess, welche Steuerdaten (BSD, PSD) nach einem Verfahren nach Anspruch 11 generiert wurden.