Implicit Neural Representations (INRs) für die automatisierte Vernetzung von Scherschneidprozessen

Kurzbeschreibung

Beschreibung Bei der numerischen Simulation von Scherschneidprozessen können die Ergebnisse stark davon abhängen, wie die Geometrie beschrieben und vernetzt wird. In dieser Arbeit soll untersucht werden, ob ein neuronales Netz die Geometrie eines Scherschneidprozesses lernen und anschließend für eine automatisierte Simulation in Abaqus/Explicit genutzt werden kann. Dafür wird die Geometrie zunächst als Signed Distance Field (SDF) beschrieben. Das neuronale Netz lernt dabei vereinfacht gesagt: „Wenn ich dir einen Punkt im Raum gebe, kannst du mir sagen, wo sich die Oberfläche befindet?“ Die Arbeit startet ganz einfach Die Arbeit wird Schritt für Schritt aufgebaut: 1. Einfache Geometrie erstellen Zunächst wird eine einfache Geometrie betrachtet und daraus Trainingsdaten erzeugt. 2. Geometrie mit einem neuronalen Netz lernen Ein kleines neuronales Netz wird trainiert, die Geometrie als SDF zu beschreiben. 3. Ergebnis überprüfen Es wird untersucht, wie gut das Netzwerk die ursprüngliche Geometrie wiedergeben kann. 4. Auf den Scherschneidprozess übertragen Anschließend wird die Methode auf die vorhandene Scherschneidgeometrie angewendet. 5. Mit Abaqus verbinden Die gelernte Geometrie soll anschließend über Python für die Modellierung und Vernetzung in Abaqus genutzt werden. 6. Simulationen vergleichen Zum Schluss wird untersucht, welchen Einfluss Geometrie- und Netzauflösung auf die Simulationsergebnisse haben. Deine Aufgaben • Einarbeitung in Implicit Neural Representations (INRs) und Signed Distance Fields (SDFs) • Erzeugung geeigneter Trainingsdaten • Entwicklung und Training eines neuronalen Netzes • Überprüfung der Genauigkeit der gelernten Geometrie • Übertragung auf die Scherschneidgeometrie • Entwicklung einer Python-Schnittstelle zu Abaqus • Untersuchung verschiedener Netzauflösungen • Vergleich der Simulationsergebnisse Dabei musst du nicht von Anfang an alles können. Die einzelnen Schritte werden nacheinander aufgebaut – angefangen bei einer einfachen Geometrie und einem kleinen neuronalen Netz. Das solltest du mitbringen • Studium im Bereich Maschinenbau, Mechatronik, Computational Engineering, Informatik oder vergleichbar • Interesse an numerischer Simulation und Machine Learning • Grundkenntnisse in Python • Interesse an Abaqus/Explicit • Erste Erfahrungen mit FEM, Abaqus, PyTorch oder Deep Learning sind von Vorteil, aber nicht zwingend erforderlich Was bereits vorhanden ist • ein bestehendes Abaqus/Explicit-Scherschneidmodell • vorhandene Simulations- und Experimentdaten • vorhandene Geometriedaten • ein bestehender Simulationsworkflow Wir bieten dir • ein interdisziplinäres Forschungsprojekt aus Fertigungstechnik, numerischer Simulation und Machine Learning • schrittweise Einarbeitung in INRs, SDFs und Deep Learning • Arbeit mit Abaqus/Explicit und Python • Möglichkeit zur Entwicklung eigener Methoden • Möglichkeit zur Integration in eine Bachelor-, Semester- oder Masterarbeit Bewerbung Sende deinen Lebenslauf, Notenspiegel und ein kurzes Motivationsschreiben an: kevin.pruefer@tum.de

• Design Automation for Self-Heating 3D-Printed Curing Molds

  Abschlussarbeit · Lehrstuhl für Carbon Composites (TUM-ED)

• Systematic Literature Review of Mobile Robot Navigation for Construction Environments

  Abschlussarbeit · Lehrstuhl für Fördertechnik Materialfluss Logistik (TUM-ED)

• Learning the Driver: Adaptive Racing Lines and Braking Strategies for a Virtual Race Engineer

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• From Racing Games to Real Cars: A Virtual Race Engineer for Driver Training

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• Initializing for Performance: Warm-Start Strategies for Trajectory Planning in Autonomous Racing

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• Datengetriebene Vorhersage der Oberflächengüte beim Fräsen

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)