Untersuchung impliziter neuronaler Geometrierepräsentationen für Scherschneidsimulationen in Abaqus

Institut

Lehrstuhl für Umformtechnik und Gießereiwesen (TUM-ED)

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / konstruktiv /  

Beschreibung

Die numerische Simulation von Scherschneidprozessen ermöglicht eine detaillierte Untersuchung von Materialverhalten, Deformation, Temperaturentwicklung und Prozesskräften. Aufgrund der großen Deformationen und der stark nichtlinearen Vorgänge können die Simulationsergebnisse jedoch erheblich von der verwendeten Geometriebeschreibung und Netzauflösung abhängen. Dies erschwert die Vergleichbarkeit und Interpretation der Ergebnisse.   

Eine Möglichkeit, Geometrien unabhängig von einer expliziten Oberflächenbeschreibung zu repräsentieren, bieten Implicit Neural Representations (INRs). Dabei wird die Geometrie durch ein neuronales Netz als kontinuierliche Funktion beschrieben, beispielsweise in Form eines Signed Distance Fields (SDF). Eine solche Darstellung ermöglicht es, geometrische Informationen unabhängig von einer festen Diskretisierung abzufragen und für die automatisierte Erzeugung bzw. adaptive Verfeinerung numerischer Modelle zu nutzen. Die Kombination einer impliziten Geometrierepräsentation mit adaptiven Diskretisierungsverfahren bietet insbesondere Potenzial für komplexe Geometrien. 

Ziel dieser Arbeit ist es, eine neuronale, implizite Geometrierepräsentation für einen Scherschneidprozess zu entwickeln und mit Abaqus/Explicit zu koppeln. Dabei soll untersucht werden, wie sich die kontinuierliche Geometrierepräsentation auf die Vernetzung und die resultierenden Simulationsergebnisse auswirkt.

Forschungsfrage

Wie kann eine implizite, durch ein neuronales Netz repräsentierte Geometrie mit Abaqus/Explicit gekoppelt werden, und inwieweit kann dadurch die Abhängigkeit der numerischen Scherschneidsimulation von der expliziten Geometrie- und Netzauflösung reduziert werden?

Dabei stehen insbesondere folgende Teilfragen im Mittelpunkt:

• Wie genau kann die Prozessgeometrie durch ein neuronales Netzwerk bzw. ein Signed Distance Field beschrieben werden?
• Wie lässt sich diese kontinuierliche Geometrierepräsentation in einen automatisierten Abaqus-Modellierungs- und Vernetzungsprozess überführen?
• Wie stark beeinflussen unterschiedliche Geometrie- und Netzauflösungen die Simulationsergebnisse?
• Kann eine INR-basierte Geometrierepräsentation eine robustere und weniger manuell abhängige Vernetzung ermöglichen?
• Welche Auswirkungen ergeben sich auf Genauigkeit, Konvergenz und Rechenaufwand?

Aufgaben

Implizite Geometrierepräsentation

• Einarbeitung in Implicit Neural Representations (INRs) und Signed Distance Fields (SDFs)
• Aufbereitung vorhandener Geometrie- bzw. Simulationsdaten als Trainingsdaten
• Entwicklung und Training eines neuronalen Netzes zur impliziten Beschreibung der Prozessgeometrie
• Untersuchung der Genauigkeit der gelernten Geometrie
• Analyse des Einflusses von Trainingsdaten und Netzarchitektur auf die Geometrierepräsentation

Kopplung mit Abaqus

• Aufbau eines Referenzmodells des Scherschneidprozesses in Abaqus/Explicit
• Entwicklung einer Python-basierten Schnittstelle zwischen der impliziten Geometrierepräsentation und Abaqus
• Nutzung des SDF zur automatisierten Erzeugung bzw. Aufbereitung der für Abaqus benötigten Geometrie
• Untersuchung verschiedener Strategien zur Diskretisierung und lokalen Netzverfeinerung
• Automatisierung der Modellgenerierung und Simulation über Python/Abaqus-Scripting

Untersuchung der Netzabhängigkeit

• Durchführung von Scherschneidsimulationen mit unterschiedlichen Netzauflösungen
• Vergleich klassischer und INR-basierter Geometriebeschreibungen
• Untersuchung des Einflusses von Geometrie- und Netzauflösung auf Verschiebungs-, Dehnungs- und Temperaturfelder
• Vergleich von Kraft-Weg-Verläufen und weiteren relevanten Prozessgrößen
• Quantitative Bewertung der Unterschiede und des Konvergenzverhaltens
• Untersuchung des Potenzials für eine adaptive und automatisierte Vernetzung

Das solltest du mitbringen

• Studium im Bereich Maschinenbau, Mechatronik, Computational Engineering, Informatik oder vergleichbar
• Interesse an numerischer Mechanik, Fertigungstechnik und Machine Learning
• Gute Programmierkenntnisse in Python
• Interesse an Abaqus/Explicit und numerischen Simulationsmethoden
• Erste Erfahrungen mit Finite-Elemente-Methoden und/oder Abaqus von Vorteil
• Erste Erfahrungen mit PyTorch bzw. Deep Learning von Vorteil
• Analytische und strukturierte Arbeitsweise

Wir bieten dir

• Mitarbeit an einem aktuellen Forschungsprojekt an der Schnittstelle von Fertigungstechnik, numerischer Simulation und Machine Learning
• Arbeit mit Abaqus/Explicit an einem realitätsnahen Scherschneidprozess
• Ein bereits vorhandenes klassisches Scherschneidsimulationsmodell in Abaqus (ohne INR)
• Entwicklung einer neuronalen Geometrierepräsentation und deren Kopplung mit einem etablierten FE-Simulationsworkflow
• Einblick in moderne Methoden der impliziten Geometriebeschreibung und adaptiven Diskretisierung
• Vorhandene Simulations- und Experimentdaten
• Möglichkeit zur Entwicklung eigener Python- und Machine-Learning-Methoden
• Möglichkeit zur Integration in eine Bachelor-, Semester- oder Masterarbeit
• 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

Möglicher Beginn

sofort

Kontakt

Kevin Prüfer, M.Sc.
Raum: MW 5204.EG.008
Tel.: 089 289 13996
kevin.pruefertum.de