Mesh-basierte Graph Neuronale Netze zur schnellen Prozesssimulation komplexer Bauteile

Motivation

Ingenieurwissenschaftliche Simulationen sind essenziell für die Optimierung von Fertigungsprozessen wie das Spritzgießen, Umformprozesse oder die Additive Fertigung. Sie ersetzen teure Experimente durch realitätsnahe virtuelle Modelle. Für iterative Optimierungen sind klassische Verfahren wie die Finite-Elemente-Methode jedoch oft zu langsam. Rechenzeiten von bis zu mehreren Tagen lassen technologisches Potenzial ungenutzt.

Mesh-basierte Graph-Netzwerksimulatoren stellen durch schnelle Vorhersagen auf beliebigen Bauteilgeometrien eine vielversprechende Alternative dar. Reinen datengetriebenen Modellen fehlt jedoch oft die nötige Langzeitstabilität und Dateneffizienz für realistische Problemstellungen. Ziel dieser Arbeit ist die Einbettung von numerischem und physikalischem Vorwissen in die Netzwerkarchitektur. Dies steigert die Generalisierung und ermöglicht stabile Vorhersagen auch bei begrenzten Daten. Das resultierende Modell erlaubt durch hohe Geschwindigkeit und Genauigkeit bisher kaum handhabbare Prozessoptimierungen.

Arbeitsinhalte

• Einarbeitung in den Stand der Forschung zu Mesh- und KI-basierten Simulationen
• Numerische / physikalische Konsistenz bestehender KI-Modelle
• Verifizierung / Validierung der Simulationsergebnisse
• Bewertung und Dokumentation der gewonnenen Ergebnisse

Fachrichtung: Maschinenbau o.ä.

Art der Arbeit: Simulation, theoretisch

Voraussetzungen

• Grundlagen in numerischen Simulationen
• Interesse an maschinellem Lernen
• Selbstständige und zielorientierte Arbeitsweise
• Vorteilhaft: Kenntnisse in Programmierung (Python,…)

Beginn: ab sofort

Kontakt: M.Sc. Tobias Würth