Studien-, Abschlussarbeiten und Forschungspraktika

Stetig zunehmende Qualitätsanforderungen an Produkte erfordern insbesondere in der Automobilbranche eine zunehmende Absicherung der Qualität, möglichst bereits vor der Produktentstehung. Das Toleranzmanagement mit der Absicherung des Produkts unter Berücksichtigung der zu erwartenden Abweichungen spielt hierbei eine zentrale Rolle. Neben der reinen Simulation lassen sich so durch Einbezug realer Messdaten Fertigungs- und Montagestrategien individuell für jede abweichungsbehaftete Produktausprägung ableiten und realisieren. Die hierfür notwendigen und meist zeitintensiven Simulationen lassen sich teils durch Metamodelle ersetzen, erfordern jedoch in der Regel umfassende Trainingsdaten, die in der Praxis häufig nicht leicht zugänglich sind.
Daher soll im Rahmen dieser Arbeit erforscht werden, inwiefern Machine Learning Ansätze im Toleranzmanagement für die Vorhersage von Produkteigenschaften auf Basis nur Chargen-basiert vorliegender Messinformationen, die von einem Industriepartner zur Verfügung gestellt werden, geeignet sind. Hierfür ist zunächst eine Literaturrecherche zu bestehenden Ansätzen durchzuführen. Unter Berücksichtigung der hierbei erfassten Ansätze soll deren Potenzial untersucht sowie die notwendigen Chargen-Größen und -Informationen für möglichst zuverlässige und effiziente Vorhersagen angeleitet werden.

Die effiziente und generalisierbare Repräsentation geometrischer Daten ist eine zentrale Herausforderung in der modernen Datenverarbeitung. Klassische Methoden wie Voxel, Meshes und Punktewolken stoßen bei der Repräsentation komplexer 3D-Geometrien aufgrund des hohen Speicherbedarfs und Rechenaufwands an ihre Grenzen. Im Vergleich hierzu bieten Implicit Neural Representations (INRs) einen innovativen Ansatz, um diese Limitierungen zu überwinden.
Im Rahmen dieser Arbeit sollen die Potentiale von INRs zur Repräsentation von komplexen Geometrien untersucht und ein INR-Netzwerk exemplarisch umgesetzt werden. Dabei stehen unter anderem neben dem Speicherbedarf auch die Generalisierbarkeit und Genauigkeit der Repräsentation im Vordergrund. Zudem soll die Möglichkeit des Einsatzes von INRs anstelle von konventionellen Repräsentationsmethoden als Eingabe in einer Deep-Learning-Pipeline untersucht werden.

Wie lassen sich Strukturen optimieren, die sowohl Material sparen als auch mechanischen Belastungen standhalten? Die klassische Topologieoptimierung bietet dafür bewährte Ansätze, wie das SIMP-Verfahren, die jedoch oft zeitaufwendig und rechnerisch intensiv sind. Neuronale Netzwerke eröffnen hier neue Möglichkeiten: Sie können durch ihre netzfreie Darstellung nicht nur Rechenzeiten verkürzen, sondern auch Lösungen für unterschiedlichste Designbedingungen generalisieren.
In dieser Arbeit entwickelst und analysierst du ein neuronales Modell für die Topologieoptimierung, das auf der Idee der impliziten Repräsentationen basiert. Du untersuchst, wie gut das Modell optimale Materialverteilungen unter verschiedenen Lastfällen und Materialbudgets vorhersagen kann. Zudem vergleichst du die Ergebnisse mit traditionellen Optimierungsansätzen wie SIMP, sowohl hinsichtlich der Genauigkeit als auch der Effizienz.
Am Ende soll ein trainiertes Modell stehen, das nicht nur flexibel auf verschiedene Randbedingungen reagiert, sondern auch Einblicke in die Vor- und Nachteile neuronaler Methoden in der Strukturmechanik liefert. Die Arbeit kombiniert so aktuelle Entwicklungen aus der künstlichen Intelligenz mit einem praxisrelevanten Ingenieurproblem.