Studien-, Abschlussarbeiten und Forschungspraktika

Projektarbeit / Bachelorarbeit

MB / CE / MT / WING / ME

Stichworte:

Tragwerk-/Rahmenwerksberechnung, Simulation, Mechanik, Programmierung

Beschreibung:

Trag- und Rahmenstrukturen finden sich in zahlreichen technischen Anwendungen, etwa im Maschinen- und Anlagenbau, in Fahrzeug- und Luftfahrtstrukturen oder im Bauwesen. Für die Auslegung solcher Strukturen ist die Finite-Elemente-Methode (FEM) seit langem etabliert, kann jedoch mit einem hohem Rechenaufwand sowie numerischen Singularitäten einhergehen. Durch eine geeignete Geometriereduktion lassen sich diese Strukturen als Rahmen- oder Balkenmodelle idealisieren, wodurch analytische Berechnungsverfahren mit deutlich geringerem Rechenaufwand bei gleicher oder gegebenenfalls einer höheren Ergebnisgüte anwendbar werden. In dieser Arbeit identifizierst du geeignete Anwendungsfälle für die analytische Rahmenwerksberechnung und untersuchst deren Potenzial im Vergleich zur numerischen FEM. Du leitest abstrahierte Rahmenmodelle aus komplexeren Geometrien ab und setzt die analytische Berechnung in einem Programm um. Anschließend vergleichst du analytische und numerische Ergebnisse anhand ausgewählter strukturmechanischer Probleme.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Moritz Treschau, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.031
Telefon: 09131 85-23217
E-Mail: treschau@mfk.fau.de

Projektarbeit / Bachelorarbeit

MB / CE / MT / WING / ME

Stichworte:

Algorithmische Geometrie, Programmierung, räumliches Vorstellungsvermögen

Beschreibung:

Verfahren zur Geometrierekonstruktion spielen in vielen Anwendungen, etwa in der Medizintechnik (z. B. bildbasierte Scans), zur Vereinfachung von Auslegungen oder bei der Rückführung von Gestaltoptimierungsergebnissen, eine zentrale Rolle. Ziel ist es, komplexe Geometrien in parametrisch beschreibbare, featurebasierte Modelle zu überführen. Ein verbreiteter Ansatz ist dabei die Erzeugung von Skelettstrukturen mittels algorithmischer Verfahren. Das besonders zuverlässige Ausdünnungsverfahren (Thinning) basiert jedoch auf Pixel- oder Voxelrepräsentationen und erfordert damit meist einen diskreten, potenziell verlustbehafteten Zwischenschritt. In dieser Arbeit untersuchst du bestehende Skelettierungsverfahren im Rahmen einer fundierten Literaturrecherche und analysierst deren Anwendungsgrenzen. Aufbauend darauf konzipierst und implementierst du ein Thinning-Verfahren, das für variable Elementtypen geeignet ist. Die entwickelte Methode wird anhand ausgewählter Demonstratoren getestet und validiert. Abschließend vergleichst und bewertest du dein Verfahren gegenüber etablierten Ansätzen anhand qualitativer und quantitativer Kriterien.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Moritz Treschau, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.031
Telefon: 09131 85-23217
E-Mail: treschau@mfk.fau.de

Bachelorarbeit

MB/WING/CE/MT

Stichworte:

Topologieoptimierung, algorithmische Geometrie, Ästhetik

Beschreibung:

Topologieoptimierung erzeugt Bauteile, die leicht, effizient und für die additive Fertigung geeignet sind. Neben der mechanischen Leistungsfähigkeit rückt zunehmend auch die ästhetische Wahrnehmung solcher Strukturen in den Fokus. Ein zentraler Faktor ist dabei Symmetrie, denn sie beeinflusst Wahrnehmung, Designqualität und Nutzerakzeptanz. In dieser Bachelorarbeit wird ein quantitatives Verfahren zur Beschreibung von Symmetrie in topologieoptimierten Bauteilen entwickelt. Untersucht werden sowohl unterschiedliche Symmetriearten (Punkt-, Spiegel-, Achsensymmetrie) als auch die Lage der Symmetriebezüge. Darüber hinaus wird die Symmetrieschärfe mittels geeigneter Metriken (z. B. Überdeckungsgrad) bewertet, sodass eine Klassifikation in symmetrische, teilweise symmetrische und asymmetrische Strukturen möglich wird. Die Arbeit legt methodische Grundlagen für die ästhetische Bewertung topologieoptimierter Strukturen und leistet einen Beitrag zum vertieften Verständnis ihrer wahrnehmungsbezogenen Eigenschaften.

Beginn der Arbeit: ab sofort/nach Rücksprache

Ansprechpartner:

Tim Ruf ruf@mfk.fau.de

Bachelorarbeit/Projektarbeit/Masterarbeit

MB/WING/CE/MT

Stichworte:

Strukturoptimierung, Design, empirische Forschung

Beschreibung:

Topologieoptimierung liefert mechanisch leistungsfähige Strukturen, die durch ihre charakteristischen Formen das Potenzial bieten, technische Leistungsfähigkeit mit gestalterischer Qualität zu verbinden. Daher ist angesichts der zunehmenden Bedeutung der Produktwahrnehmung im Entwicklungsprozess die empirische Untersuchung der ästhetischen Wahrnehmung topologieoptimierter Strukturen von besonderem Interesse. Diese Arbeit untersucht die subjektive Wahrnehmung dreidimensionaler Ergebnisse der Topologieoptimierung anhand konkreter Strukturbauteile. Hierzu werden Demonstratoren erstellt, deren Geometrie definierte ästhetische Eigenschaften aufweist. In einer Studie bewerten Probanden ihre subjektive Wahrnehmung dieser Demonstratoren. Auf Grundlage der Studienauswertung werden Empfehlungen abgeleitet, wie ästhetische Gestaltungsaspekte in der Topologieoptimierung systematisch berücksichtigt werden können. Schwerpunkte der Arbeit können auf die Definition ästhetischer Merkmale in Strukturoptimierungsergebnissen, die Generierung und gezielte Variation von Demonstratoren oder die Planung, Durchführung und Auswertung der Befragung gelegt werden.

Beginn der Arbeit: ab sofort/nach Rücksprache

Ansprechpartner:

Tim Ruf ruf@mfk.fau.de

Masterarbeit

AI / CE / MB / ME / ACES / MED

Stichworte:

Transfer Learning, Übertragbarkeit, Datengetriebene Modellierung, Parameterstudie

Beschreibung:

Das Sperrverhalten eines Exzentermechanismus wird u. a. durch Geometrie- und Materialparameter beeinflusst. Um den Aufwand bei der Gestaltung und Analyse solcher Mechanismen zu reduzieren, bietet sich der Einsatz datengetriebener Methoden an. Insbesondere Transfer Learning ermöglicht es, Erkenntnisse aus bestehenden Konfigurationen auf neue Varianten zu übertragen und so umfangreiche Datenerhebungen zu vermeiden. Bislang sind die Einsatzgrenzen und Voraussetzung hierfür jedoch nur unzureichend bekannt. Daher soll im Rahmen dieser Arbeit, am Beispiel des Exzentersperrmechanismus, untersucht werden inwiefern sich die Prognose des Systemverhaltens mithilfe von Transfer Learning auf neue Konfigurationen übertragen lässt. Hierzu sollen zunächst auf Basis eines vereinfachten analytischen bzw. simulationsgestützten Modells Datensätze für unterschiedliche Konfigurationen erzeugt und analysiert werden. Darauf aufbauend wird untersucht, inwiefern Transfer-Learning-Ansätze eine übertragbare, zuverlässige Prognose des Systemverhaltens ermöglichen. Hierbei sind der Aufwand für die Generierung neuer Daten sowie die Randbedingungen und Parameter des Transfer Learnings zu berücksichtigen. Schließlich sind die Grenzen der Übertragbarkeit abzuleiten und zu untersuchen, inwiefern die erreichbare Prognosegüte bereits Vorfeld abgeschätzt werden kann.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Dr.-Ing. Stefan Götz
E-Mail: goetz@mfk.fau.de

Bachelorarbeit/Projektarbeit/Masterarbeit

für Studiengang MB/MT/WING/IP/ME/CE

Stichworte:

Modellierung, Simulation, Versuchsplanung, Wälzlager, Geräuschsimulation

Beschreibung:

Die effiziente Auslegung anforderungsgerechter Produkte ist für die Wettbewerbsfähigkeit von Unternehmen unerlässlich. Hierfür werden bei der Produktentwicklung von Wälzlagern Simulationstools herangezogen, um diese für Zielgrößen, wie zum Beispiel Geräusch, zu optimieren. Bei der Geräuschoptimierung von Wälzlagern besteht die Fragestellung, wie sich Abweichungen der Profile in axialer Richtung im Verhältnis zu Abweichungen in Umfangsrichtung auf die Schwingungen eines Wälzlagers auswirken. Ziel der Arbeit ist die systematische Erarbeitung des Stands der Technik und eine anschließende Untersuchung des Einflusses von nicht idealen Laufbahnprofilen auf das Geräuschverhalten von Wälzlagern durch quasistatische Geräuschsimulationen.

Beginn der Arbeit: nach Rücksprache

Bei Interesse mit Bitte um Zusendung von Notenübersicht, Lebenslauf und Motivation an:

Ansprechpartner:

Felix Pfister, M.Sc.
Martensstraße 9, 91058, Raum 00.020
Telefon: 09131 85-27289
E-Mail: pfister@mfk.fau.de

Projektarbeit/Masterarbeit

für Studiengang MB/MT/WING/IP/ME/CE

Stichworte:

Methodenentwicklung, Tribologie, Geräuschsimulation, Wälzlager

Beschreibung:

Die effiziente Auslegung anforderungsgerechter Produkte ist für die Wettbewerbsfähigkeit von Unternehmen unerlässlich. Hierfür werden bei der Produktentwicklung von Wälzlagern Simulationstools herangezogen, um diese für Zielgrößen, wie zum Beispiel Geräusch, zu optimieren. Bei der Geräuschoptimierung von Wälzlagern besteht die Fragestellung, in welchen Anwendungsgrenzen die quasistatische Geräuschsimulation verwendet werden kann, beziehungsweise ab welchen Grenzen dynamische Simulationen unverzichtbar sind. Ziel der Arbeit ist zunächst die systematische Aufarbeitung des aktuellen Stands der Technik zu Geräuschsimulationen, Normen und Richtlinien von Wälzlagern. Darauf aufbauend wird eine Methode entwickelt, die auf Grundlage physikalischer Wirkzusammenhänge im Wälzlager definiert, unter welchen Bedingungen welche Simulationsmethode (z. B. quasistatisch oder dynamisch) geeignet ist, um das Geräuschverhalten von Wälzlagern zeiteffizient zu ermitteln.

Beginn der Arbeit: nach Rücksprache

Bei Interesse mit Bitte um Zusendung von Notenübersicht, Lebenslauf und Motivation an:

Ansprechpartner:

Felix Pfister, M.Sc.
Martensstraße 9, 91058, Raum 00.020
Telefon: 09131 85-27289
E-Mail: pfister@mfk.fau.de

Masterarbeit

für Studiengang (MB/WING/MECH)

Stichworte:

Wissensmanagement; Ontologie; Large Language Model (LLM); implizites Wissen

Beschreibung:

Der Einsatz von Large Language Modellen (LLMs) gewinnt in der Produktentwicklung zunehmend an Bedeutung, beispielsweise in der Konzeptentwicklung. Eine große Herausforderung stellt dabei die Rückführung von manuellen Anpassungen der KI-generierten Inhalte dar. Hierfür können Ontologien, die Nutzerwissen enthalten, mit LLMs verbunden werden. Ziel dieser Masterarbeit ist daher die Entwicklung eines methodischen Vorgehens zur Erfassung und Rückführung manueller Anpassungen in eine Ontologie. Dadurch lässt sich der Einsatz von Prompt Engineering Pipelines perspektivisch automatisch an die Nutzergewohnheiten anpassen. Die Arbeit umfasst daher die Nutzung bzw. Anpassung bestehender Prompt Engineering Pipelines zur Erstellung von SysML v2 Use Case Diagrammen aus Customer Journeys, sowie die Erfassung impliziten Wissens aus Nutzerfeedback und deren Überführung in eine Ontologie zur Wissensintegration. Die Ergebnisse sollen kritisch diskutiert und eine Handlungsempfehlung abgegeben werden.

Beginn der Arbeit: ab Oktober 2025

Ansprechpartner:

M.Sc. Jessica Pickel, M.Sc. Simon Schleifer
E-Mail: pickel@mfk.fau.de; schleifer@mfk.fau.de

Masterarbeit

MB / WING / ME

Stichworte:

Mechanische Fügeverfahren, Machine Learning

Beschreibung:

Im Kontext der virtuellen Auslegung mechanischer Fügeverbindungen ist die Verfügbarkeit belastbarer und vielfältiger Eingabedaten entscheidend. Ziel dieser Arbeit ist die Entwicklung und Evaluierung eines Deep-Learning-basierten Generators, der aus wenigen realen oder invers identifizierten Prozessparametern realitätsnahe virtuelle Stichproben erzeugt. Ein zentraler Fokus liegt dabei auf der Integration physikalischer oder statistischer Nebenbedingungen um trotz begrenztem Trainingsdatensatz plausible Eingabeverteilungen zu generieren. Die erzeugten virtuellen Daten werden sowohl statistisch als auch anhand von FE-Simulationen validiert. Die Arbeit bietet damit einen innovativen Ansatz, um Datenlücken zu schließen und die Prognosefähigkeit bestehender Modelle zu erhöhen.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Jonathan-Markus Einwag, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: einwag@mfk.fau.de

Masterarbeit

AI / CE / MB / ME / ACES / MED

Stichworte:

Maschinelles Lernen für FE-Simulationen, Ähnlichkeitsmetriken, Out-of-Distribution-Tests

Beschreibung:

Immer mehr Produktentwickler:innen nutzen Finite-Elemente-Simulationen, um Bauteile und Strukturen schon früh im Entwicklungsprozess zu bewerten. Das Problem: Nicht immer sind die Ergebnisse ausreichend abgesichert – Fehlentscheidungen können die Folge sein. Um Fehlentscheidungen auf Basis nicht validierter Ergebnisse zu vermeiden, entsteht im Rahmen eines Forschungsprojekts ein Deep-Learning-basiertes Assistenzsystem zur automatischen Plausibilitätsprüfung solcher Simulationen. Hierzu wurden bereits auf Convolutional Neural Networks (CNNs) basierende Ansätze entwickelt – deren Grenzen und Generalisierbarkeit sind bisher jedoch wenig erforscht. In dieser Arbeit setzt du daher den Grundstein für die Weiterentwicklung der bestehenden Ansätze. Zunächst entwickelst du ein quantifizierbares Ähnlichkeitsmaß, das lineare FE-Simulationen hinsichtlich Struktur, Randbedingungen und Ergebnisfeldern vergleichbar macht. Auf dieser Basis stellst Du einen Out-of-Distribution-Datensatz zusammen, der gezielt neue, im bisherigen Trainingsdatensatz nicht enthaltene Simulationen abbildet (Semantic Shift, Covariance Shift u. a.). So entsteht ein Benchmark, um die Übertragbarkeit der CNN-Modelle kritisch zu prüfen. Abschließend zeigst Du exemplarisch, wie das Ähnlichkeitsmaß zur Auswahl geeigneter Trainings- und Testfälle genutzt werden kann und leitest Empfehlungen zur künftigen Datensatzpflege ab.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Yannick Utz, M.Sc.
E-Mail: utz@mfk.fau.de