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

Institut

Lehrstuhl für Umformtechnik und Gießereiwesen (TUM-ED)

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch / konstruktiv /  

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

Möglicher Beginn

sofort

Kontakt

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