Studentische Arbeiten
Für Ihre Bachelor-, Projekt- oder Masterarbeit finden Sie bei uns regelmäßig interessante Themenvorschläge. Die aktuellen Ausschreibungen stammen aus unterschiedlichen Forschungsbereichen und sind im Folgenden bereichsübergreifend aufgelistet. Bei Interesse an einem bestimmten Thema wenden Sie sich gerne direkt an die zuständigen Mitarbeiter*innen!
Forschungspraktikum/Masterarbeit
für Studiengang MT
Stichworte:
Keywords:
Beschreibung:
Keywords: Postural Control, Simulations, Neuromusculoskeletal Human Modeling, Upright Standing
Neurological diseases may affect peripheral nerves leading, among others, to muscle atrophy and reduced balance. Investigating healthy and pathological postural control mechanisms on sensorimotor enhanced musculoskeletal human models enables to gain a better understanding of the underlying motor control processes leading to the observed symptoms in patients with neurological diseases. The aim of this research internship or master’s thesis is to assess postural control sensitivity to motor impairments using simulations of various neural targets. The project will be conducted using the biomechanical simulation software SCONE and in cooperation with the University Hospital Amsterdam. Requirements: Familiarity with basic muscle and skeletal anatomy of the human body Experience with musculoskeletal human modeling is beneficial Experience in programming (Matlab/Python) Attention to detail and reliability Ability to present work in english language Starting date: Upon consultation If you are interested please send your grades and a short summary of your motivation for the project and your prior experience in relevant fields to Julian Shanbhag (shanbhag@mfk.fau.de).
Projektarbeit/Masterarbeit
für Studiengang (MB/MT/WING/IP/ME/AI/ACES/CE)
Stichworte:
Toleranzmanagement, Python, Teamcenter Visualization, Neo4j
Beschreibung:
In der Projektarbeit wird eine praxisnahe Fragestellung zur virtuellen Absicherung geometrischer Bauteilabweichungen untersucht. Mit Teamcenter Visualization soll analysiert werden, wie Schließmaße in einer Baugruppe zuverlässig ermittelt werden können. Dabei werden verschiedene Messstrategien verglichen und hinsichtlich des Einflusses der gewählten Methode sowie der Anzahl und Position der Messpunkte auf das Simulationsergebnis bewertet. Neben der methodischen Untersuchung soll ein automatisierter Workflow entwickelt werden, mit dem Teamcenter Visualization von außen angesteuert, Simulationen durchgeführt und die Ergebnisse ohne manuelle Interaktion exportiert werden können. Ziel ist eine strukturierte Datenausgabe, die anschließend in eine Graphdatenbank übernommen werden kann. Damit werden CAD, Toleranzsimulation und Datenverarbeitung miteinander verknüpft und ein direkt anwendbarer Workflow für das digitale Toleranzmanagement entwickelt.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Madeleine Helmer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: helmer@mfk.fau.de
Bachelor-/Projektarbeit
für Studiengang MB/WING/ME/MT
Stichworte:
Messtechnik, Fertigungseinfluss auf Bauteilabweichungen, Multiskalenanalyse, Querpressverbände
Beschreibung:
Die Oberflächenqualität und Form von Querpressverbänden wird maßgeblich durch Fertigungsprozesse wie Schleifen und Drehen bestimmt und beeinflusst das resultierende Verhalten der Welle-Nabe-Verbindung (WNV). Um diesen Zusammenhang experimentell zu erfassen, untersucht die Arbeit Gestaltabweichungen erster bis vierter Ordnung an realen, geschliffenen und gedrehten Welle-Nabe-Verbindungen. Dabei werden die Fertigungsabweichungen auf zwei Skalen erfasst: Auf makroskopischer Ebene werden die Form- und Maßabweichungen mittels Koordinatenmessmaschine bestimmt, während auf mikroskopischer Ebene die Rauheit und Welligkeit mit optischer Messtechnik erfasst werden. Nach einer Literaturrecherche zu Messverfahren und Messtechnik werden die Fertigungsabweichungen vor dem Fügen der WNV mit beiden Messverfahren aufgenommen und ausgewertet. Ziel der Arbeit ist ein vertieftes Verständnis dafür, wie unterschiedliche reale fertigungsbedingte Abweichungen das Verhalten von Querpressverbänden beeinflussen und wie diese aufgenommen werden können, insbesondere im Hinblick auf Übermaß, Kontaktverhalten und die Bedeutung einzelner Abweichungsanteile.
Beginn der Arbeit: nach Absprache
Ansprechpartner:
Martin Bauer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.031
Telefon: 09131 85-23218
E-Mail: bauer@mfk.fau.de
Projekt-/Masterarbeit
für Studiengang MB/WING/ME/MT
Stichworte:
Metamodellierung, Formabweichungen, KI-Modellierungsforschung für FEM, Geometrieerhalt, Volumennetz
Beschreibung:
Formabweichungen beeinflussen das mechanische Verhalten von Querpressverbindungen erheblich und müssen für belastbare numerische Aussagen geometrieerhaltend repräsentiert werden. Klassische FEM-Berechnungen bilden diese Effekte präzise, aber für umfangreiche Variantenuntersuchungen rechenintensiv ab. KI-gestützte Metamodelle bieten das Potenzial, solche Analysen deutlich zu beschleunigen, sofern die zugrunde liegenden Abweichungen hinreichend gut modelliert werden können. Diese Arbeit untersucht bestehende und neuartige Ansätze zur geometrieerhaltenden Modellierung von Formabweichungen für KI-gestützte Metamodelle und entwickelt Methoden mit guter Trainierbarkeit und hoher Abbildungsqualität. Grundlage bildet eine Literaturrecherche zu KI-beschleunigten FE-Analysen, auf deren Basis Modellierungsstrategien im Frequenzraum und im Volumennetz analysiert und weiterentwickelt werden. Die Leistungsfähigkeit der Ansätze wird anhand von Querpressverbindungen hinsichtlich Konvergenz, Rechenzeit und Genauigkeit bewertet.
Beginn der Arbeit: nach Absprache
Ansprechpartner:
Martin Bauer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.031
Telefon: 09131 85-23218
E-Mail: bauer@mfk.fau.de
Projekt-/Masterarbeit
für Studiengang MB/WING/ME/MT
Stichworte:
KI-gestützte Modellierung, Querpressverbindungen, FE-Simulation, Fertigungsabweichungen, Machine Learning
Beschreibung:
Querpressverbindungen weisen ein komplexes mechanisches Verhalten auf, das stark durch Fertigungsabweichungen beeinflusst und klassisch über rechenintensive FE-Simulationen abgesichert wird. Gleichzeitig entstehen im Forschungsumfeld zunehmend KI-gestützte Modellierungsansätze, die Simulationen beschleunigen oder als ergänzende Modelle dienen können. Diese Arbeit erarbeitet einen systematischen Stand der Technik zu KI-Methoden im Kontext der Querpressverbindungsberechnung und klassifiziert relevante Ansätze aus Literatur und Forschung hinsichtlich ihrer Eignung zur Abbildung abweichungsbehafteter Pressverbände. Auf dieser Basis wird ein vielversprechender KI-Ansatz ausgewählt und exemplarisch auf eine FE-berechnete Querpressverbindung angewendet, um die Effekte realer Fertigungsabweichungen effizient zu modellieren. Ziel der Arbeit ist ein belastbares methodisches Verständnis für KI-gestützte Simulationen im Pressverbandskontext sowie die Bewertung des Potenzials solcher Modelle zur Reduktion des Simulationsaufwands.
Beginn der Arbeit: nach Absprache
Ansprechpartner:
Martin Bauer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.031
Telefon: 09131 85-23218
E-Mail: bauer@mfk.fau.de
Projekt-/ Masterarbeit
MB / WING / IP / ME / MT / ACES
Stichworte:
Machine Learning, Werkstoffcharakterisierung, Materialmodellierung, Simulation
Beschreibung:
Die experimentelle Charakterisierung von Werkstoffen ist insbesondere bei streuungsbehaftetem und nichtlinearem Materialverhalten mit einem hohen Zeit- und Kostenaufwand verbunden. Gleichzeitig werden entsprechende Materialkennwerte bereits in frühen Phasen der Produktentwicklung für simulationsgestützte Entwicklungsprozesse benötigt. Künstliche Intelligenz kann hier durch die Abschätzung der Werkstoffkennwerte auf Basis vorhandener Daten Abhilfe schaffen. Im Rahmen dieser Arbeit setzt du dich zunächst mit den Grundlagen der Werkstoffcharakterisierung und der Erstellung von Materialkarten für numerische Simulationen auseinander. Anschließend identifizierst du geeignete Machine-Learning-Verfahren und implementierst einen Ansatz zur Ableitung unbekannter Werkstoffdaten für verschiedene Werkstoffklassen. Als Basis hierfür dient ein Trainingsdatensatz aus Materialdatenbanken, wissenschaftlichen Veröffentlichungen sowie gegebenenfalls eigenen Versuchen. Nach dem Training und der Validierung des Modells bewertest du die Belastbarkeit der Extrapolationsergebnisse und das Potenzial deines Ansatzes.
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
Projekt-/ Masterarbeit
MB / WING / IP / ME / MT / ACES
Stichworte:
Physik-informierte neuronale Netze (PINNs), Topologieoptimierung, Finite-Elemente Methode
Beschreibung:
Wie lassen sich Strukturen optimieren, die sowohl Material sparen als auch mechanischen Belastungen standhalten? Die klassische Topologieoptimierung bietet hierfür bewährte Verfahren wie das SIMP-Verfahren, die jedoch häufig mit einem hohen Rechenaufwand verbunden sind. Physik-informierte neuronale Netze (PINNs) eröffnen neue Möglichkeiten: Sie integrieren physikalische Zusammenhänge direkt in neuronale Netzarchitekturen und ermöglichen dadurch belastbare Vorhersagen bei deutlich geringerem Rechenaufwand. In dieser Arbeit entwickelst und trainierst du ein PINN zur Topologieoptimierung strukturmechanisch belasteter Volumenkörper. Hierzu werden zunächst aktuelle Forschungsarbeiten analysiert und geeignete PINN-Architekturen identifiziert. Anschließend werden auf Basis automatisierter FEM-Topologieoptimierungen synthetische Trainingsdaten erzeugt und für das Training des PINNs verwendet. Zuletzt wird das entwickelte Modell validiert und hinsichtlich Genauigkeit, Rechenzeit sowie Generalisierungsfähigkeit mit konventionellen Optimierungsverfahren verglichen.
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/Masterarbeit
MB/CE/MT/WING/ME/IP/ACES
Stichworte:
Adaptives Metamodelltraining, Unsicherheitsquantifizierung, Effiziente Toleranzanalyse
Beschreibung:
Die Absicherung von nicht-geometrischen Zielgrößen, z.B. Maximalspannungen einer Baugruppe, stellt aufgrund der zeitaufwendigen Lösung von Finite Elemente Simulationen eine Herausforderung im Kontext von Sampling-basierten Toleranzanalysen dar. Aus diesem Grund werden Metamodelle genutzt, um die Auswirkungen der fertigungsbedingten Bauteilabweichungen auf die nicht-geometrischen Zielgrößen zeiteffizienter beurteilen zu können. Die Genauigkeit der Metamodellvorhersagen wird beispielsweise durch die Anzahl der Trainingsdatenpunkte bestimmt, die für einen effizienten Prozess möglichst gering sein sollte. Potential für Effizienzsteigerungen von Toleranzanalysen schaffen adaptive Metamodelle, die gezielt neue Auswertungsstellen für eine iterative Metamodellverbesserung erzeugen. Für die Beurteilung der Forschungsfrage ist zunächst eine Literaturrecherche zu bestehenden Ansätzen zur Berücksichtigung von Unsicherheiten in Metamodellen durchzuführen. Darauf aufbauend ist eine Methode zu entwickeln, bei der die Metamodellunsicherheiten gezielt für eine adaptiven Verbesserung der Metamodelle genutzt werden. Das Potential der Methode wird anhand eines Vergleichs zu einem bestehenden Ansatz für Metamodell-basierte Toleranzanalysen ermittelt.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Jan Kopatsch, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23220
E-Mail: kopatsch@mfk.fau.de
Masterarbeit
MB/WING/MT/ME
Stichworte:
3D-Computer-Vision, Geometrierückführung, algorithmische Geometrie, Computergrafik
Beschreibung:
Moderne Optimierungsverfahren wie Topologieoptimierung können sehr leistungsfähige und materialeffiziente Bauteile erzeugen. Die Ergebnisse liegen jedoch oft nur als unstrukturierte Geometrie vor und müssen für die Weiterverwendung im Konstruktionsprozess (z.B. in CAD-Programmen) in parametrische Modelle überführt werden. Ein vielversprechender Ansatz nutzt dafür ein Flächenskelett der optimierten Geometrie. In der Praxis gibt es dabei jedoch einige Herausforderungen, insbesondere im Umgang mit aufwendigen und schwer interpretierbaren Strukturen. Diese Masterarbeit setzt an diesem Punkt an: Sie entwickelt einen Ansatz, um problematische Bereiche innerhalb der medialen Achse von Strukturen zu erkennen und sinnvoll zu unterteilen. Dafür werden zunächst die Stellen identifiziert, an denen die Geometrie des Flächenskeletts topologisch nicht eindeutig beschrieben werden kann. Anschließend wird das Skelett in klar abgegrenzte und gut handhabbare Teilbereiche zerlegt. Ziel der Arbeit ist die Entwicklung eines Workflows, der diese Schritte automatisiert und damit die Anwendbarkeit der bestehenden Rückführungsmethode deutlich verbessert.
Beginn der Arbeit: ab sofort/nach Rücksprache
Ansprechpartner:
Tim Ruf
E-Mail: ruf@mfk.fau.de
Studentische Arbeit
für Studiengang (MB/ME/WING)
Stichworte:
Maschinenelemente, Wälzlager, maschinelles Lernen, Simulation, Assistenzsystem
Beschreibung:
Im Rahmen der Entwicklung des Assistenzsystems ProBeNo sollen verschiedene Machine-Learning-Algorithmen zur Vorhersage simulationsbasierter Geräuschkennwerte von Wälzlagern untersucht werden. Ziel der Arbeit ist es, einen reproduzierbaren Benchmarking-Workflow aufzubauen, unterschiedliche Regressionsmodelle systematisch zu vergleichen und deren Eignung für die ML-gestützte Toleranzanalyse zu bewerten. Dabei sollen klassische ML-Verfahren, moderne Ensemble-Methoden und AutoML-Ansätze wie AutoGluon hinsichtlich Vorhersagegüte, Robustheit, Interpretierbarkeit und praktischer Nutzbarkeit verglichen werden. Die Ergebnisse unterstützen die Weiterentwicklung von ProBeNo zur simulationsbasierten Untersuchung des Geräuschverhaltens von Wälzlagern.
Beginn der Arbeit: nach Absprache
Ansprechpartner:
Felix Pfister, M.Sc.
Martenstraße 9, Raum: 0.020
E-Mail: pfister@mfk.fau.de
Masterarbeit
MB / WING / AI / CE / ME / IP / MED
Stichworte:
Machine Learning für Konstruktionsanpassungen, Reinforcement Learning in der Produktentwicklung
Beschreibung:
Wie bringen wir Reinforcement Learning (RL) näher an die Arbeitsweise eines Produktentwicklers? Klassisches RL startet ohne Vorwissen: Der Agent probiert anfangs viele Aktionen aus und lernt über Trail-and-Error, was zu hohem Trainingsaufwand zunächst wenig plausiblen Konstruktionsentscheidungen führen kann. Das passt nur bedingt zur Entwicklungspraxis, denn Produktentwickler arbeiten mit Konstruktionsregeln, Randbedingungen und Erfahrung. In dieser Arbeit entwickelst du deshalb einen wissensbasierten Workflow für Anpassungskonstruktionen am Beispiel von Faserkunststoff-Verbund-Bauteilen (FKV). Dafür wählst du exemplarisch einige praxisrelevante Heuristiken zur Anpassung des Lagenaufbaus aus und ordnest sie in harte Nebenbedingungen (müssen eingehalten werden) sowie weiche Präferenzen (sinnvolle Empfehlungen) ein. Anschließend überführst du dieses Wissen in eine maschinenlesbare Form und integrierst es in ein RL-Verfahren, z. B. über Aktionsmaskierung und Reward Shaping. Zusätzlich entwickelst du die Explorationsstrategie des RL (epsilon-greedy) so weiter, dass der Agent zu Beginn bevorzugt sinnvolle, heuristikbasierte Aktionen untersucht statt blind zu raten. Abschließend vergleichst du den Ansatz mit einem RL ohne Zusatzwissen. Ziel ist ein RL, das schneller lernt und wirksamere Entscheidungen trifft.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Yannick Utz, M.Sc.
E-Mail: utz@mfk.fau.de
Bachelorarbeit
für Studiengang (MB/MT/WING/IP/ME/AI/ACES/CE)
Stichworte:
Graphdatenbank, neo4j, Integrationsplattform
Beschreibung:
Über den Produktionsanlauf hinweg unterliegen sowohl Produkt- als auch Prozess- und Qualitätsinformationen einem kontinuierlichen Erkenntniszuwachs, wodurch sich Annahmen zu Toleranz- und Prozessparametern fortlaufend ändern. Mithilfe einer Graphdatenbank können die Toleranzwerte dynamisch während der laufenden Produktion angepasst werden. Hierfür wird eine Integrationsplattform zum Import der heterogenen Daten benötigt. Im Rahmen der Arbeit sollen Anforderungen an die Integration einer bestehenden neo4j-Graphdatenbank analysiert werden. Darauf aufbauend werden unterschiedliche Integrationsplattformen recherchiert, beschrieben und anhand definierter Kriterien verglichen. Ziel ist die systematische Analyse und Bewertung geeigneter Integrationsplattformen zur automatisierten, skalierbaren und echtzeitfähigen Anbindung großer Datenmengen an eine Graphdatenbank. Die Arbeit liefert eine fundierte Entscheidungsgrundlage zur Auswahl von Integrationsplattformen für neo4j und zeigt deren Eignung für skalierbare und automatisierte Datenflüsse für die dynamische Toleranzallokation
Beginn der Arbeit: ab sofort
Ansprechpartner:
Madeleine Helmer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: helmer@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
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:
Aron Roos, M.Sc.
E-Mail: roos@mfk.fau.de
Projektarbeit/Masterarbeit
für Studiengang (MB/MT/WING/ME)
Stichworte:
Neo4j, Python, Toleranzallokation, Graphdatenbank, Entscheidungsfindung
Beschreibung:
Im Produktionsanlauf treten häufig Toleranzabweichungen auf, deren Ursachen in komplexen Wechselwirkungen zwischen Produkt- und Prozessparametern liegen. Die Auswahl geeigneter Gegenmaßnahmen erfolgt dabei oft erfahrungsbasiert und wenig systematisch. Ziel dieser Arbeit ist somit die Entwicklung eines graphbasierten Entscheidungsmodells in Neo4j, um Handlungsempfehlungen für die dynamische Toleranzallokation im Produktionsanlauf systematisch abzuleiten. Dafür ist die Identifikation optimaler Maßnahmen bei Toleranzabweichungen unter Berücksichtigung von Einflussgrößen wie Kosten, Zeit, Qualität, usw. notwendig. Hierzu ist eine geeignete Gewichtungs- und Entscheidungslogik zu konzipieren und anhand eines Beispiels zu demonstrieren.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Madeleine Helmer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: helmer@mfk.fau.de