Motivation

Kurz- und endlosfaserverstärkte Kunststoffe (FVK) werden in zunehmendem Maße im Automobilbau zur Gewichtsreduktion tragender Bauteile eingesetzt. Dabei zeigt sich eine starke Abhängigkeit der Bauteileigenschaften vom Fertigungsprozess, weshalb Prozesssimulationen (z.B. FEM) eingesetzt werden, um zu frühen Entwicklungszeit-punkten, Prozess und Bauteil optimal abzustimmen.

Diese Simulationen zeigen eine hohe Verlässlichkeit, allerdings steigt bei zunehmender Modellkomplexität und insbesondere bei iterativen Optimierungsrechnungen die benötigte Rechenzeit rasch an. Daher werden derzeit Ansätze untersucht, die Rechenzeit von Prozesssimulationen zu verkürzen.

Inhalt

Ziel dieser Stelle ist es, mit ML-Verfahren die aufwendigen Prozesssimulation zu beschleunigen. Konkret soll ein künstliches neuronales Netz für einen Beispiel-Fertigungsprozess trainiert werden, schnelle Abschätzungen bzw. Näherungen an die Simulationsergebnisses zu liefern. Dabei versprechen neue ML-Ansätze der letzten Jahre deutlich höhere Genauigkeiten als bisherige Verfahren. Die erreichte Genauigkeit hängt dabei von verschiedenen Einstellungen des ML-Algorithmus ab und soll in der MA untersucht werden.

Grundlage der Arbeit sind bestehende Skripte, die zur Untersuchungen aufbereitet und erweitert werden sollen.

Die Aufgabe umfasst im Einzelnen:

1. Recherche zum Stand der Technik und Forschung im Bereich ML-unterstütztes Engineering

2. Einarbeitung in die Skripte und Anpassung an die gewählten Beispielprozesse

3. Parameterstudien und Benchmark mit klassischer Numerik (Simulation) und analytischen Lösunge

4. Schriftliche Ausarbeitung und Dokumentation der Ergebnisse

Fachrichtung:   Maschinenbau, Wirtschaftsingenieurwesen oder vergleichbar

Art der Arbeit:   Simulation, Optimierung

Voraussetzung:

• Interesse an Simulation und Numerik
• Ausgeprägte analytische Fähigkeiten und selbstständige Arbeitsweis
• Programmiererfahrung von Vorteil, idealerweise in Python

Beginn:  ab sofort

Kontakt: