KI-gestützte Vorhersage der Permeabilität variabelaxialer FKV-Strukturen

Motivation

Die Entwicklung makroskopischer Modelle für die Infiltration von Faser-Kunststoff-Verbunden (FKV) erfordert eine Vielzahl an Permeabilitätsdaten, die klassisch durch aufwändige Simulationen oder Experimente gewonnen werden. Um diesen Prozess zu beschleunigen, sollen Deep-Learning-Methoden eingesetzt werden, die aus voxelisierten Mikrostrukturen direkt auf den Permeabilitätstensor schließen können.

Ziel der Masterarbeit ist die Entwicklung eines Convolutional Neural Networks (CNN), das auf Basis voxelisierter 3D Bildern von FKV-Strukturen deren Permeabilitätstensor vorhersagt. Die voxelisierten Strukturen stammen aus virtuellen Modellen und Permeabilitätsdaten werden mittels numerischer Simulationen in OpenFOAM berechnet.

Aufgabenstellung:

• Literaturrecherche zum Infiltrationsverhalten
• Erstellung/Weiterentwicklung eines automatisierten Workflows zur Datengenerierung
• Erstellung/Weiterentwicklung und Training eines CNN zur Tensorvorhersage
• Evaluation und Datenanalyse

Anforderungsprofil:

• Studium des Maschinenbaus, Mechatronik o.ä.
• Interesse an maschinellem Lernen
• Strukturierte, zielorientierte Arbeitsweise
• Programmiererfahrung in Python ist stark von Vorteil

Beginn: ab sofort

Bewerbung: Lebenslauf und Notenspiegel bitte an die Kontaktemailadresse 

Kontakt: 

M.Sc. Dennis Weitze
Email: dennis weitze ∂does-not-exist.kit edu
Tel.: +49 721 608-45383