Studien-, Abschlussarbeiten und Forschungspraktika

Die Gender-Design-Gap beschreibt die ungleiche Berücksichtigung geschlechterspezifischer Bedürfnisse im Produktentwicklungsprozess. Dies führt dazu, dass insbesondere Produkte für Frauen nicht optimal gestaltet sind, was zu Komforteinbußen, schlechterer Ergonomie oder erhöhter Verletzungsgefahr führen kann. In vorangegangenen Arbeiten wurde bereits ein Framework zur Identifikation von genderrelevanten Problembereichen im PEP entwickelt. Diese Arbeit fokussiert sich nun auf die Evaluation dieser Methode. Hierzu wird ein konkreter Use Case definiert, auf dessen Basis die Methode und dessen Potential untersucht, optimiert und in mehreren Workshops evaluiert wird.
Ziel der Arbeit ist es, eine fundierte Analyse der Methode durchzuführen, ihre Wirksamkeit im Kontext der Produktentwicklung zu bewerten und darauf basierend konkrete Handlungsempfeh-lungen für die Weiterentwicklung der Methode abzuleiten.

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.