BaSaMa & HiWi

Deep-Learning-basierte Analyse der Rissbildung beim Scherschneiden

Institut

Lehrstuhl für Umformtechnik und Gießereiwesen (TUM-ED)

Typ

Bachelorarbeit / Semesterarbeit / Masterarbeit /

Inhalt

experimentell / konstruktiv /

Beschreibung

Wie entstehen Risse beim Scherschneiden, wie breiten sie sich aus und wann vereinigen sie sich? Im Rahmen eines DFG-Forschungsvorhabens untersuchst du diese Vorgänge mithilfe optischer Hochgeschwindigkeitsaufnahmen und moderner Verfahren des Deep Learnings.

Ziel ist es, die Rissinitiierung, Rissausbreitung und Rissvereinigung automatisiert zu erfassen und quantitativ auszuwerten. Dazu entwickelst und optimierst du Algorithmen zur Risserkennung und Bildsegmentierung. Auf Basis der zweidimensionalen Hochgeschwindigkeitsaufnahmen bestimmst du die projizierte Rissfläche und analysierst ihre zeitliche Entwicklung. Zusätzlich untersuchst du die Rissausbreitungsgeschwindigkeit und die Rissflächenänderungsrate, um die Rissentwicklung unter verschiedenen Prozessbedingungen objektiv vergleichen zu können.

Aufgaben

Entwicklung, Training und Optimierung von Deep-Learning-Modellen zur automatisierten Risserkennung und -segmentierung
Analyse der Rissinitiierung, Rissausbreitung und Rissvereinigung anhand von Hochgeschwindigkeitsaufnahmen
Bestimmung der projizierten Rissfläche aus zweidimensionalen Bilddaten und Untersuchung ihrer zeitlichen Entwicklung
Berechnung und Analyse der Rissausbreitungsgeschwindigkeit und der Rissflächenänderungsrate
Vergleich und Bewertung verschiedener Segmentierungsmodelle, beispielsweise auf Basis der U-Net-Architektur
Entwicklung und Anwendung von Bildverarbeitungs- und Post-Processing-Verfahren zur Verbesserung der automatisierten Rissanalyse
Trennung von Werkzeugbewegung und tatsächlicher Rissentwicklung in den Bilddaten
Untersuchung des Einflusses von Stempelgeschwindigkeit, Schneidspalt, Werkzeugsteifigkeit und Schneidkantengeometrie auf die Rissentwicklung und das Versagensverhalten

Voraussetzungen

Interesse an Deep Learning, Bildverarbeitung, Fertigungstechnik oder Bruchmechanik
Programmierkenntnisse in Python oder MATLAB
Interesse an der Entwicklung und Anwendung datenbasierter Analyseverfahren
Freude an experimenteller Arbeit und der Auswertung wissenschaftlicher Daten
Selbstständige und strukturierte Arbeitsweise
Erste Erfahrungen mit Machine Learning, neuronalen Netzen oder Bildsegmentierung sind von Vorteil, aber keine zwingende Voraussetzung

Wir bieten

Mitarbeit an einem DFG-Forschungsvorhaben zur experimentellen Untersuchung der Rissbildung beim Scherschneiden
Arbeit mit optischer Hochgeschwindigkeitsmesstechnik und experimentellen Daten aus einem realen Fertigungsprozess
Möglichkeit, eigene Algorithmen zu entwickeln, zu trainieren und anhand experimenteller Daten zu bewerten
Einblicke in aktuelle Forschung an der Schnittstelle von Fertigungstechnik, Werkstoffverhalten und künstlicher Intelligenz
Eine wissenschaftlich anspruchsvolle Abschlussarbeit mit direktem Bezug zur Grundlagen- und Anwendungsforschung
Flexible Anpassung des Themenumfangs an Bachelor-, Semester- oder Masterarbeiten

Bewerbung

Sende Lebenslauf, Notenspiegel und ein kurzes Motivationsschreiben an: kevin.pruefer@tum.de

Möglicher Beginn

sofort

Kontakt