Entwicklung einer impliziten neuronalen Repräsentation zur Modellierung des Scherschneidprozesses

Kurzbeschreibung

Beschreibung Die präzise Erfassung und Modellierung von Material- und Prozesszuständen ist ein zentraler Baustein moderner Fertigungstechnik. Beim Scherschneiden entstehen hochgradig nichtlineare Verschiebungs-, Dehnungs- und Temperaturfelder, die maßgeblich die Bauteilqualität beeinflussen. Konventionelle Datenrepräsentationen speichern diese Informationen lediglich diskret und erschweren dadurch eine kontinuierliche Beschreibung des Prozesses. Ziel dieser Arbeit ist die Entwicklung einer Impliziten Neuronalen Repräsentation (Implicit Neural Representation, INR) zur kontinuierlichen Modellierung des Scherschneidprozesses. Hierfür sollen hochaufgelöste experimentelle Prozessdaten – darunter Verschiebungs- und Dehnungsfelder sowie Kraft-, Weg- und Temperaturverläufe – durch neuronale Netze als kontinuierliche Funktionen im Raum und in der Zeit beschrieben werden. Dadurch sollen Prozesszustände kompakt dargestellt, interpoliert und analysiert sowie neue Möglichkeiten für die datengetriebene Modellierung von Fertigungsprozessen geschaffen werden. Aufgaben Entwicklung der impliziten neuronalen Repräsentation • Entwicklung und Implementierung eines INR-Modells zur kontinuierlichen Beschreibung des Scherschneidprozesses • Modellierung räumlich-zeitlicher Verschiebungs- und Dehnungsfelder aus experimentellen Messdaten • Integration zeitabhängiger Prozessgrößen wie Kraft, Stempelweg und Temperatur in die Modellierung • Untersuchung geeigneter Netzwerkarchitekturen (z. B. SIREN oder Fourier Feature Networks) Validierung & Auswertung • Rekonstruktion kontinuierlicher Prozess- und Zustandsfelder aus diskreten Messdaten • Vergleich verschiedener INR-Ansätze hinsichtlich Genauigkeit, Generalisierungsfähigkeit und Speicherbedarf • Visualisierung und Interpretation der rekonstruierten Felder • Bewertung des Potenzials impliziter neuronaler Repräsentationen für die datengetriebene Analyse von Scherschneidprozessen Das solltest du mitbringen • Studium im Bereich Maschinenbau, Mechatronik, Computational Engineering, Informatik oder vergleichbar • Interesse an Machine Learning, Datenanalyse und Fertigungstechnik • Gute Programmierkenntnisse in Python • Erste Erfahrungen mit Deep-Learning-Frameworks (z. B. PyTorch) sind von Vorteil • Analytische und strukturierte Arbeitsweise Wir bieten dir • Mitarbeit an einem hochaktuellen Forschungsprojekt im Bereich Künstliche Intelligenz und Fertigungstechnik • Einblick in moderne Methoden der impliziten neuronalen Repräsentation und des Scientific Machine Learning • Arbeit an einem klar abgegrenzten und wissenschaftlich relevanten Forschungsthema • Vorhandene Datenbank aus Experimenten • Möglichkeit zur Integration in eine Bachelor-, Semester- oder Masterarbeit oder als HiWi-Stelle • Betreuung in einem interdisziplinären Umfeld aus Fertigungstechnik, numerischer Mechanik und Machine Learning Bewerbung Sende deinen Lebenslauf, Notenspiegel und ein kurzes Motivationsschreiben an: kevin.pruefer@tum.de