Studien-, Abschlussarbeiten und Forschungspraktika

Die Produktion von Hochpräzisionsbauteilen stellt aufgrund der aufwendigen Fertigungs- und Prüfverfahren eine besondere Herausforderung dar. Der Konflikt aus möglichst engen Toleranzen, um die Funktionserfüllung zu gewährleisten, und möglichst weiten Toleranzen, um die Kosten zu senken, wird mit Hilfe des Toleranzmanagements gelöst. Insbesondere beim Produktionsanlauf ist dies eine schwierige Aufgabe, da keine oder nur wenige Daten zur Verfügung stehen. Die initial definierten Toleranzwerte sollen daher dynamisch mit Hilfe einer iterativen Toleranzanalyse auf Basis von Messdaten während des Produktionsanlaufs angepasst werden. Dabei ist zu erforschen, wie die begrenzten Informationen aus dem Produktionsanlauf für die Simulation und Toleranzanalyse genutzt werden können.
Abhilfe schaffen soll ein digitales Mastermodell, welches die Berücksichtigung multimodaler Da-ten aus Entwurf, Simulation und Messung, z.B. durch Nutzung von Graphdatenbanken, zulässt. Dafür ist zunächst eine Literaturrecherche zu bestehenden Ansätzen für die Berücksichtigung multimodaler Daten im Toleranzmanagement durchzuführen. Basierend darauf soll ein Konzept für das digitale Mastermodell erstellt und dessen Potenziale und Herausforderungen analysiert werden.

Spätestens durch die Einführung von ChatGPT finden Large Language Models (LLMs) immer breitere Aufmerksamkeit und Anwendung, auch im Bereich des Maschinenbaus. So können diese, nach passendem Training, bspw. für die Nutzung als ChatBot und somit als Hilfestellung für die Erlernung neuer Fähigkeiten und zur effektiven Lösung von bestehenden Problemstellungen genutzt werden. Das Toleranzmanagement bietet zwar eine breite Palette an Methoden und Möglichkeiten für die Lösung von Problemen in der Produktentwicklung an, stellt jedoch Produktentwickelnde bei der konkreten Anwendung und Umsetzung aufgrund deren Komplexität zumeist vor Herausforderungen. Eine Anpassung von LLMs auf den Bereich des Toleranzmanagements würde hierbei das Potential zur Minderung dieser Hürden bieten und somit eine ef-fektive Hilfestellung bei der Identifikation und Anwendung passender Aktivitäten des Toleranz-managements in der methodischen Produktentwicklung darstellen.
Ziel dieser Arbeit ist die systematische Untersuchung des Potentials des Einsatzes von Large Language Models zur Unterstützung der Integration von Aktivitäten des Toleranzmanagements in die methodische Produktentwicklung. Inhalte der Arbeit umfassen die methodische Auswahl von passenden LLMs aus dem gegenwärtigen Stand der Technik sowie die Konzipierung einer Methode für die Entwicklung einer geeigneten Datenbasis für das Training der identifizierten Modelle. Eine umfassende Evaluation der erzielten Resultate bildet den Abschluss der Arbeit. Vorkenntnisse im Bereich Machine Learning und Programmierung sind Voraussetzung für die Bearbeitung.

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.