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!
Bachelorarbeit/Projektarbeit
für Studiengang (MB/WING/ME/ACES)
Stichworte:
Toleranzmanagement, Abweichungen, Sampling, Machine Learning
Beschreibung:
Abweichungen in der Fertigung und Montage sind allgegenwärtig und können nicht gänzlich verhindert werden. Zur Erfassung der vorliegenden Abweichungen in einzelnen Bauteilen sind komplexe Messverfahren notwendig. Es ist daher erstrebenswert, nur einen kleinen Anteil der Bauteile zu messen und darüber eine statistische Verteilung der Abweichungen aller Bauteile zu berechnen. Ziel dieser Arbeit ist daher die Entwicklung einer Methode zur Anpassung von Verteilungsfunktionen auf Basis einer stark begrenzten Anzahl an Datenpunkten. Neben klassischen Fitting-Ansätzen sollen auch moderne Verfahren wie Metamodelle oder generative Ansätze (z. B. GANs) untersucht und implementiert werden. Die im Rahmen der Arbeit entwickelten und implementierten Modellierungsansätze sollen dann hinsichtlich ihrer Vorhersagegüte analysiert werden. Dazu werden systematisch synthetische Datensätze mit kontrollierten Abweichungen erzeugt, um die Robustheit und Genauigkeit der Verfahren unter variierenden Randbedingungen zu bewerten. Ein weiterer Schwerpunkt liegt auf der Ableitung praxisrelevanter Handlungsempfehlungen, beispielsweise zur erforderlichen Anzahl an Datenpunkten in Abhängigkeit von den zugrunde liegenden Verteilungseigenschaften
Beginn der Arbeit: ab sofort
Ansprechpartner:
Stephan Freitag, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
E-Mail: freitag@mfk.fau.de
Studentische Arbeit (Masterarbeit)
für Studiengang MB/MT/IP/ME/ACES/Comput. Engineering)
Stichworte:
CFD-Simulation, Effizienz, Strömungsverluste, Getriebe, Maschinenelemente
Beschreibung:
Die Effizienzoptimierung von Getrieben und Maschinenelementen ist ein zentrales Thema im Kontext der Energiewende. Vor dem Hintergrund steigender Anforderungen an Energieeffizienz und Ressourcenschonung gewinnt das Verständnis von Verlustmechanismen zunehmend an Bedeutung. Das Verständnis von lastabhängigen und lastunabhängigen Verlusten ist entscheidend für die gezielte Verbesserung technischer Systeme. Im Rahmen der Studienarbeit führen Sie eine systematische Literaturrecherche zum aktuellen Stand der Forschung im Bereich der Getriebeölsimulation durch. Darauf aufbauend identifizieren und bewerten Sie geeignete Simulationstools. Nach der Einarbeitung in ein ausgewähltes Tool implementieren Sie ein einfaches CFD-Modell zur Simulation von Getriebeölströmungen und werten die Ergebnisse aus. Abschließend dokumentieren Sie Ihre Erkenntnisse und leiten entsprechende Handlungsempfehlungen ab.
Anforderungen: zuverlässige Arbeitsweise überdurchschnittliche Studienleistungen Erfahrungen in der Simulation, idealerweise in der CFD-Simulation sehr gute Deutsch- oder Englischkenntnisse
Beginn der Arbeit: ab sofort
Ansprechpartner:
Prof. Dr.-Ing. Katharina Völkel
Martensstraße 9, 91058 Erlangen
E-Mail: voelkel@mfk.fau.de
Studentische Arbeit (BA/PA)
für Studiengang MB/MT/BT/IP/ME/WING/ACES
Stichworte:
Literaturrecherche, PRISMA-Methodik, Effizienz, Maschinenelemente, Getriebe
Beschreibung:
Die Effizienzoptimierung von Getrieben und Maschinenelementen ist ein zentrales Thema im Kontext der Energiewende. Vor dem Hintergrund steigender Anforderungen an Energieeffizienz und Ressourcenschonung gewinnt das Verständnis von Verlustmechanismen zunehmend an Bedeutung. Das Verständnis von lastabhängigen und lastunabhängigen Verlusten ist entscheidend für die gezielte Verbesserung technischer Systeme. Ziel dieser Arbeit ist die Durchführung einer systematischen Literaturrecherche zur Effizienzoptimierung von Getrieben und Maschinenelementen unter Anwendung der PRISMA-Methodik. Dabei sollen relevante wissenschaftliche Publikationen identifiziert und strukturiert ausgewertet werden, verschiedene Verlustmechanismen analysiert werden, sowie der aktuelle Stand der Forschung übersichtlich zusammengefasst werden.
Anforderungen: zuverlässige und systematische Arbeitsweise überdurchschnittliche Studienleistungen Interesse und Kenntnisse über Getriebe und Maschinenelemente sehr gute Englischkenntnisse
Beginn der Arbeit: ab sofort
Ansprechpartner:
Prof. Dr.-Ing. Katharina Völkel
Martensstraße 9, 91058 Erlangen
E-Mail: voelkel@mfk.fau.de
Studentische Arbeit (BA/PA)
für Studiengang MB/MT/BT/IP/ME/ACES/MW)
Stichworte:
Literaturrecherche, PRISMA-Methodik, Flüssigmetallgleitlager, Tribologie, CFD-Simulation, Werkstoffe, Prüfmethoden
Beschreibung:
Flüssigmetallgleitlager stellen eine innovative Lagertechnologie für Hochgeschwindigkeitsanwendungen dar und kommen unter anderem in Drehanoden von Röntgenstrahlern zum Einsatz. Aufgrund extremer Betriebsbedingungen – wie hoher Drehzahlen, Temperaturen und spezifischer Belastungen – ergeben sich besondere Anforderungen an Werkstoffe, Schmiermechanismen und das thermofluiddynamische Verhalten des Lagersystems. Ein vertieftes Verständnis der zugrunde liegenden tribologischen Prozesse sowie moderner Simulations- und Prüfmethoden ist entscheidend für die Auslegung und Optimierung dieser Lagertechnologie. Ziel dieser Arbeit ist die Durchführung einer systematischen Literaturrecherche zu Flüssigmetallgleitlagern unter Anwendung der PRISMA-Methodik. Dabei sollen eingesetzte Werkstoffe und Flüssigmetalle identifiziert und bewertet werden, tribologische Mechanismen und Schmierzustände analysiert werden, experimentelle Prüfmethoden und Testverfahren zusammengetragen werden sowie CFD-basierte Simulationsansätze zur Beschreibung des Strömungs- und Wärmeübertragungsverhaltens identifiziert werden.
Anforderungen: zuverlässige und systematische Arbeitsweise überdurchschnittliche Studienleistungen Interesse und Kenntnisse über Getriebe und Maschinenelemente sehr gute Englischkenntnisse
Beginn der Arbeit: ab sofort
Ansprechpartner:
Prof. Dr.-Ing. Katharina Völkel
Martensstraße 9, 91058 Erlangen
E-Mail: voelkel@mfk.fau.de
Studentische Arbeit (BA/PA/MA)
für Studiengang MB/MT/IP/ME/ACES)
Stichworte:
Tribologie, Stromübertragung, Kontaktverhalten, Tribometer, Prüfstände, elektrische Kontakte
Beschreibung:
Tribologische Kontakte übernehmen in vielen technischen Anwendungen nicht nur mechanische Funktionen, sondern sind gleichzeitig an der elektrischen Stromübertragung beteiligt. Beispiele hierfür sind Schleifkontakte, stromdurchflossene Lager oder elektrische Kontaktstellen in Antriebssystemen. Das gekoppelte Verhalten aus Kontaktmechanik, Verschleiß und elektrischem Stromfluss stellt hohe Anforderungen an die experimentelle Untersuchung. Unterschiedliche Prüfstände und Tribometer ermöglichen die Analyse dieser Effekte, variieren jedoch stark hinsichtlich Aufbau, Messprinzip und Aussagekraft. Ziel dieser Arbeit ist die Konzeptionierung eines Prüfaufbaus zur Untersuchung des Stromübertragungsverhaltens tribologischer Kontakte. Die Bearbeitung erfolgt in drei aufeinander aufbauenden Schritten: 1. Systematische Literaturrecherche zu bestehenden Prüfständen, Tribometern und Messmethoden. 2. Analyse und Bewertung der identifizierten Ansätze hinsichtlich Messgrößen, Aussagekraft und Anwendungsbereichen. 3. Konzeption eines Prüfaufbaus basierend auf den gewonnenen Erkenntnissen.
Anforderungen: zuverlässige und systematische Arbeitsweise Interesse und Kenntnisse über Wälzlager und Strömungsverluste sehr gute Englischkenntnisse
Beginn der Arbeit: ab sofort
Ansprechpartner:
Prof. Dr.-Ing. Katharina Völkel
Martensstraße 9, 91058 Erlangen
E-Mail: voelkel@mfk.fau.de
Studentische Arbeit
für Studiengang Berufspädagogik Technik/MB/MT/IP/ME)
Stichworte:
Maschinenelemente, moderne Lehr- und Lernmethoden
Beschreibung:
Im Rahmen einer Studienarbeit entwickeln Sie ein digitales Lernmodul für die Grundstudiums-vorlesung Maschinenelemente. Die Arbeit umfasst die Einarbeitung in digitale Lehr- und Lernmethoden an der FAU, die Erstellung eines didaktischen Konzepts für ein abgegrenztes Themengebiet sowie die Realisierung und technische Umsetzung des Lernmoduls in StudOn. Ziel ist es, ein innovatives Lernformat zu schaffen, das den Studierenden hilft, die Inhalte nachhaltig zu erfassen. Anforderungen: zuverlässige und systematische Arbeitsweise Interesse an Maschinenelementen und sehr gute Deutschkenntnisse (Niveau C1)
Beginn der Arbeit: ab sofort
Ansprechpartner:
Prof. Dr.-Ing. Katharina Völkel
Martensstraße 9, 91058 Erlangen
E-Mail: voelkel@mfk.fau.de
Masterarbeit
MB / WING / ME / AI / CE / IP / MED
Stichworte:
Machine Learning, Reinforcement Learning in der Produktentwicklung, Intrinsische Belohnungen
Beschreibung:
Mit Reinforcement Learning (RL) können Konstruktionsanpassungen automatisiert werden. Im Fokus dieser Arbeit steht dabei die automatisierte Anpassung des Lagenaufbaus von Faser-Kunststoffverbund-(FKV)-Bauteilen mit RL. Ziel ist es, Konstruktionen so anzupassen, dass sich Bauteileigenschaften wie Spannungen oder Gewicht gezielt verbessern. Eine zentrale Herausforderung dabei ist, dass RL-Verfahren bei komplexen Lagenaufbau-Optimierungen häufig in lokalen Minima stecken bleiben. In der Arbeit sollen daher intrinsische Belohnungen (z. B. Curiosity, Novelty, Ensemble-Disagreement) untersucht werden. Vereinfacht gesagt erhält der RL-Agent eine zusätzliche Belohnung, wenn eine Konstruktionsänderung ihm hilft, besser zu lernen, wie sich Änderungen im Lagenaufbau auf das Bauteilverhalten auswirken. Dazu werden in dieser Arbeit zunächst geeignete Konzepte intrinsischer Belohnungen recherchiert, auf FKV-Konstruktionsanpassungen übertragen und die vielversprechendsten Ansätze umgesetzt. Anschließend werden geeignete Bewertungskriterien (z. B. Lernstabilität, Konvergenzgeschwindigkeit, Ergebnisqualität) definiert und die Ansätze experimentell mit einer RL-Baseline ohne intrinsische Belohnungen verglichen.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Yannick Utz, M.Sc.
E-Mail: utz@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
Projektarbeit/Masterarbeit
für Studiengang (MB/MT/WING/IP/ME)
Stichworte:
Empirische Studie, Wälzlager, Maschinelles Lernen
Beschreibung:
Wälzlager sind Maschinenelemente, die in unserem täglichen Leben eine Bewegung von Bauteilen ermöglichen und Reibung auf ein Minimum reduzieren. Um diese Maschinenelemente effizienter auszulegen kann maschinelles Lernen (ML) im Rahmen der Simulation eingesetzt werden. Im Rahmen der Arbeit soll mittels einer initialen Literaturrecherche der Einsatz von maschinellem Lernen in der allgemeinen Produktentwicklung der Ingenieurswissenschaften ermittelt werden. Die identifizierten Ergebnisse sollen dann anhand einer Nutzerstudie im Kontext der Wälzlagerauslegung überprüft, analysiert und gegebenenfalls erweitert werden. Anhand der Nutzerstudie wird der aktuelle Nutzen identifiziert und Potenziale für ML-Verfahren herausgearbeitet. Abschließend werden Ergebnisse statistisch ausgewertet, validiert und diskutiert.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Felix Pfister, M.Sc.
Martensstraße 9, Raum: 00.020
Telefon: 09131 85-27289
E-Mail: pfister@mfk.fau.de
Projektarbeit / Bachelorarbeit
MB / CE / MT / WING / ME
Stichworte:
Algorithmische Geometrie, Programmierung, räumliches Vorstellungsvermögen
Beschreibung:
Verfahren zur Geometrierekonstruktion spielen in vielen Anwendungen, etwa in der Medizintechnik (z. B. bildbasierte Scans), zur Vereinfachung von Auslegungen oder bei der Rückführung von Gestaltoptimierungsergebnissen, eine zentrale Rolle. Ziel ist es, komplexe Geometrien in parametrisch beschreibbare, featurebasierte Modelle zu überführen. Ein verbreiteter Ansatz ist dabei die Erzeugung von Skelettstrukturen mittels algorithmischer Verfahren. Das besonders zuverlässige Ausdünnungsverfahren (Thinning) basiert jedoch auf Pixel- oder Voxelrepräsentationen und erfordert damit meist einen diskreten, potenziell verlustbehafteten Zwischenschritt. In dieser Arbeit untersuchst du bestehende Skelettierungsverfahren im Rahmen einer fundierten Literaturrecherche und analysierst deren Anwendungsgrenzen. Aufbauend darauf konzipierst und implementierst du ein Thinning-Verfahren, das für variable Elementtypen geeignet ist. Die entwickelte Methode wird anhand ausgewählter Demonstratoren getestet und validiert. Abschließend vergleichst und bewertest du dein Verfahren gegenüber etablierten Ansätzen anhand qualitativer und quantitativer Kriterien.
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
Masterarbeit
AI / CE / MB / ME / ACES / MED
Stichworte:
Transfer Learning, Übertragbarkeit, Datengetriebene Modellierung, Parameterstudie
Beschreibung:
Das Sperrverhalten eines Exzentermechanismus wird u. a. durch Geometrie- und Materialparameter beeinflusst. Um den Aufwand bei der Gestaltung und Analyse solcher Mechanismen zu reduzieren, bietet sich der Einsatz datengetriebener Methoden an. Insbesondere Transfer Learning ermöglicht es, Erkenntnisse aus bestehenden Konfigurationen auf neue Varianten zu übertragen und so umfangreiche Datenerhebungen zu vermeiden. Bislang sind die Einsatzgrenzen und Voraussetzung hierfür jedoch nur unzureichend bekannt. Daher soll im Rahmen dieser Arbeit, am Beispiel des Exzentersperrmechanismus, untersucht werden inwiefern sich die Prognose des Systemverhaltens mithilfe von Transfer Learning auf neue Konfigurationen übertragen lässt. Hierzu sollen zunächst auf Basis eines vereinfachten analytischen bzw. simulationsgestützten Modells Datensätze für unterschiedliche Konfigurationen erzeugt und analysiert werden. Darauf aufbauend wird untersucht, inwiefern Transfer-Learning-Ansätze eine übertragbare, zuverlässige Prognose des Systemverhaltens ermöglichen. Hierbei sind der Aufwand für die Generierung neuer Daten sowie die Randbedingungen und Parameter des Transfer Learnings zu berücksichtigen. Schließlich sind die Grenzen der Übertragbarkeit abzuleiten und zu untersuchen, inwiefern die erreichbare Prognosegüte bereits Vorfeld abgeschätzt werden kann.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Dr.-Ing. Stefan Götz
E-Mail: goetz@mfk.fau.de
Projektarbeit/Masterarbeit
für Studiengang MB/MT/WING/IP/ME/CE
Stichworte:
Methodenentwicklung, Tribologie, Geräuschsimulation, Wälzlager
Beschreibung:
Die effiziente Auslegung anforderungsgerechter Produkte ist für die Wettbewerbsfähigkeit von Unternehmen unerlässlich. Hierfür werden bei der Produktentwicklung von Wälzlagern Simulationstools herangezogen, um diese für Zielgrößen, wie zum Beispiel Geräusch, zu optimieren. Bei der Geräuschoptimierung von Wälzlagern besteht die Fragestellung, in welchen Anwendungsgrenzen die quasistatische Geräuschsimulation verwendet werden kann, beziehungsweise ab welchen Grenzen dynamische Simulationen unverzichtbar sind. Ziel der Arbeit ist zunächst die systematische Aufarbeitung des aktuellen Stands der Technik zu Geräuschsimulationen, Normen und Richtlinien von Wälzlagern. Darauf aufbauend wird eine Methode entwickelt, die auf Grundlage physikalischer Wirkzusammenhänge im Wälzlager definiert, unter welchen Bedingungen welche Simulationsmethode (z. B. quasistatisch oder dynamisch) geeignet ist, um das Geräuschverhalten von Wälzlagern zeiteffizient zu ermitteln.
Beginn der Arbeit: nach Rücksprache
Bei Interesse mit Bitte um Zusendung von Notenübersicht, Lebenslauf und Motivation an:
Ansprechpartner:
Felix Pfister, M.Sc.
Martensstraße 9, 91058, Raum 00.020
Telefon: 09131 85-27289
E-Mail: pfister@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
MB / WING / ME
Stichworte:
Mechanische Fügeverfahren, Machine Learning
Beschreibung:
Im Kontext der virtuellen Auslegung mechanischer Fügeverbindungen ist die Verfügbarkeit belastbarer und vielfältiger Eingabedaten entscheidend. Ziel dieser Arbeit ist die Entwicklung und Evaluierung eines Deep-Learning-basierten Generators, der aus wenigen realen oder invers identifizierten Prozessparametern realitätsnahe virtuelle Stichproben erzeugt. Ein zentraler Fokus liegt dabei auf der Integration physikalischer oder statistischer Nebenbedingungen um trotz begrenztem Trainingsdatensatz plausible Eingabeverteilungen zu generieren. Die erzeugten virtuellen Daten werden sowohl statistisch als auch anhand von FE-Simulationen validiert. Die Arbeit bietet damit einen innovativen Ansatz, um Datenlücken zu schließen und die Prognosefähigkeit bestehender Modelle zu erhöhen.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Jonathan-Markus Einwag, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: einwag@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:
Yannick Utz, M.Sc.
E-Mail: utz@mfk.fau.de
Masterarbeit
MB/WING/IP/ME/ACES
Erforschung der Potentiale der Aufbereitung von Daten über Implicit Neural Representations
Stichworte:
Maschinelles Lernen, Implicit Neural Networks, Geometrische Repräsentation
Beschreibung:
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.
Beginn der Arbeit:
nach Rücksprache
Ansprechpartner:
Yannick Utz, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 0.028
Telefon: 09131 85-23658
E-Mail: utz@mfk.fau.de
Masterarbeit
MB/MT/WING/IP/ME/ACES
Untersuchung neuraler Repräsentationen für effiziente und adaptive Topologieoptimierung
Stichworte:
Topologieoptimierung; Maschinelles Lernen; Leichtbau
Beschreibung:
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.
Beginn der Arbeit:
nach Rücksprache
Ansprechpartner:
Marc Gadinger, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.030
Telefon: 09131 85-23215
E-Mail: gadinger@mfk.fau.de