Ziel dieser Arbeit war es die Anwendbarkeit von Modellen mit künstlicher Intelligenz bzw. maschinellem Lernen bezüglich der Prognose schrotttoleranter Aluminiumlegierungen zu evaluieren. Primär lag der Fokus dabei auf AlMgSi-Legierungen (6xxx). Zu diesem Zwecke fand die Erstellung einer strukturierten Datensammlung aufbauend auf Literaturwerten statt. Aus der auf 271 Datenpunkten basierenden Sammlung wurde ein Auszug von 221 Werten an die Firma Citrine Informatics übermittelt. Die Daten ermöglichten ein erfolgreiches Anlernen von Legierungsmodellen basierend auf maschinellem Lernen. Dabei fand die Erstellung von zwei Modellen statt. Anhand der Legierungschemie kann eines die Zugfestigkeit prognostizieren und ein weiteres Vorhersagen bezüglich der Bruchdehnung liefern. Durch den Einsatz dieser Modelle konnten aus den 221 Datenpunkten Vorhersagen für 2280 chemische Zusammensetzungen erzeugt werden. Parallel zur Modellentwicklung fand zusätzlich die Erweiterung der vorhandenen Datensammlung durch experimentelle Methoden statt. So erfolgte eine eingehende Analyse der bereits gesammelten Daten, begleitet von der Festlegung der chemischen Zusammensetzungen der herzustellenden Legierungen. Besonderes Augenmerk lag dabei auf der Schrotttoleranz der erzeugten Werkstoffe. Zusätzlich wurden vor dem Abguss noch die Prozess- und Wärmebehandlungstemperaturen bestimmt. 14 Legierungen mit variierendem Gehalt an Mg, Si, Zn und Cu wurden erfolgreich abgegossen und zu Blech verarbeitet. Durch Zugprüfungen fand die Bestimmung der mechanischen Eigenschaften der Werkstoffe im T4- Zustand statt. Zusätzlich wurden der Guss- und der lösungsgeglühte Zustand jeder erzeugten Legierung mithilfe von Rasterelektronmikroskopie untersucht. Die Ergebnisse weisen darauf hin, dass auch hochlegierte, schrotttolerante Aluminiumlegierungen gute mechanische Eigenschaften erreichen. Zusätzlich konnte der durch die Datensammlung abgedeckte Bereich unterschiedlicher chemischer Zusammensetzungen deutlich erweitert werden. Anhand der experimentellen Daten, enthält die gesamte Datensammlung beim Abschluss dieser Arbeit 293 Datenpunkte.