Luftfeuchtigkeit, Ofenkalibrierung, Partikelgrößenverteilung des Ausgangspulvers — dutzende undokumentierte Parameter entscheiden über das Ergebnis. Eine wegweisende Umfrage zeigt: nur etwa 30 Prozent der publizierten Materialdaten lassen sich reproduzieren.

Kulmbach, im September 2025. Im Jahr 2016 veröffentlichte das Magazin Nature eine viel zitierte Befragung der Wissenschaftsjournalistin Monya Baker. 1 576 Forscher aus unterschiedlichen Disziplinen gaben Auskunft — über 70 Prozent berichteten, dass sie versucht hatten, publizierte Experimente zu reproduzieren, und gescheitert sind. In der Materialwissenschaft ist das Problem besonders ausgeprägt, weil hier Prozessparameter über das Ergebnis entscheiden, die in den allermeisten Publikationen unvollständig dokumentiert werden.

Was heißt unvollständig konkret? „Gesintert bei 1100 °C für zwei Stunden" sagt nichts darüber, ob mit 2 oder 10 Kelvin pro Minute aufgeheizt wurde, ob die Atmosphäre Luft, Stickstoff oder Sauerstoff war, ob ein Kammerofen oder Rohrofen verwendet wurde, an welcher Stelle im Ofen die Probe lag. Jeder dieser Parameter beeinflusst Kornwachstum, Dichte und Defektchemie. Bei der Pulverhandhabung ist es noch komplizierter: die Partikelgrößenverteilung der Ausgangschemikalie variiert von Charge zu Charge — und beeinflusst Sinterverdichtung, Korngröße und alle daraus folgenden Eigenschaften.

Die Auswirkungen sind nicht akademisch. Sie kosten Geld, Zeit und Innovationsgeschwindigkeit. Jeder Doktorand beginnt seine Arbeit damit, die Experimente seiner Vorgängerin zu reproduzieren, um die eigene Pipeline aufzubauen. Jedes Industrieprojekt, das auf publizierten Daten plant, riskiert die Verschwendung von Material und Maschinenzeit, wenn die zitierten Werte sich in der eigenen Anlage nicht reproduzieren lassen. Reproduzierbarkeitslücken sind versteckte Kosten der gesamten Werkstoff-Community.

Die Antwort ist konzeptionell einfach, in der Umsetzung anspruchsvoll: lückenlose Provenance. Jede Probe, jeder Prozessschritt, jede Messung braucht eine vollständige, maschinenlesbare Dokumentation — wer, wann, womit, unter welchen Bedingungen. Der W3C-Standard PROV-O liefert dafür ein bewährtes Datenmodell. Ontologien wie die OCO machen diese Daten abfragbar. Was bisher fehlt: die Praxis. In den meisten Laboren wird die Provenance noch im Laborbuch geführt — handschriftlich, lückenhaft, nicht maschinenlesbar.

„Ein Messwert ohne Herkunft ist ein Gerücht. Klingt drastisch, ist aber wahr — wenn ich nicht nachvollziehen kann, wie er entstanden
> ist, kann ich ihn nicht mit anderen Messwerten vergleichen. Und wenn ich nicht vergleichen kann, baue ich auf Sand. Das passiert in der
> Materialwissenschaft täglich, tausendfach." - Dr. Wolfgang Grond, Inhaber Numberland

Zahlen, Daten, Fakten

• 70 % der Forscher gescheitert beim Reproduzieren publizierter Experimente (Baker, Nature 2016, 1 576 Befragte)
• Materialwissenschaft: zusätzlich problematisch, weil Prozessparameter unzureichend dokumentiert werden (typische Lücken: Aufheizrate, Atmosphäre, Probenposition, Pulvercharge)
• PROV-O: W3C-Standard für maschinenlesbare Provenance — Agent, Activity, Entity als drei Grundkonzepte
• Numberland-OCO: lückenlose Provenance pro Prozessschritt als Konstruktionsprinzip, nicht als Nachgedanke
• DILEMA-K: Pilotanwendung für lückenlose Prozesskette in der Funktionskeramik