Bachelor- und Masterthesen

Um die Produkte der Zukunft nachhaltiger zu gestalten, müssen diese zwangsläufig immer leichter werden. Dies geht jedoch gleichzeitig mit einer größeren Anfälligkeit für Schwingungsanregung und einer entsprechend erhöhten Schallabstrahlung einher. Die Herausforderung besteht darin, diesen Konflikt durch gezielte Design-Optimierungen zu lösen. Üblicherweise kommen hier Ansätze zur Topologie-Optimierung Einsatz, wie z.B. Gradienten-basierte Ansätze oder genetische Algorithmen.

In dieser Arbeit soll stattdessen mit Deep Reinforcement Learning (RL) ein neuartiger Ansatz erprobt werden. RL ist ein im Ingenieurwesen noch wenig angewendeter Bereich der künstlichen Intelligenz und basiert auf einem oder mehreren, z.B. auf neuronalen Netzen basierten Agenten, die mit Belohnungen aufgrund von positiven oder negativem Systemverhalten lernen, ein Ziel zu erreichen.

Als Anwendungsbeispiel für Deep Reinforcement Learning werden in dieser Arbeit vibroakustische Metamaterialien (VAMM) betrachtet. Diese stellen Strukturen dar, die sich durch eine meist periodische Integration mehrerer strukturdynamischer Resonatoren auf einer Basiskomponente (z.B. Rumpf- oder Flügelschale) auszeichnen. Die Positionierung dieser Resonatoren stellt eine Herausforderung besonders bei gekrümmten Strukturen dar, da sich abhängig von der Krümmung auch die Wellentypen zwischen Biege- und Longitudinalwellen transformieren und damit auch die Art der erforderlichen Resonatoren. Die Auswahl und Positionierung der Resonatoren erfolgt bisher noch durch Ausprobieren, soll in dieser Arbeit aber durch Deep Reinforcement Learning automatisiert werden.

Über ihre Lebensdauer verlieren Fahrzeugkarosserien an Steifigkeit, was sich negativ auf das Fahrverhalten auswirkt. Dieser Steifigkeitsverlust ist unter anderem auf Klebnähte zurückzuführen, mit denen die Bleche in der Karosserie gefügt sind. Durch die zyklische Belastung breiten sich dort Risse aus, weshalb die Steifigkeit des Klebstoffs abnimmt.

Es wurde eine Methode entwickelt, die mit hoher Präzision die Lebensdauer von strukturellen Klebstoffen vorhersagt. Allerdings ist mit diesem Modell nur ein Bruch der Klebschicht und nicht der Steifigkeitsverlust zu prognostizieren.

Deine Aufgabe besteht darin, das bereits entwickelte Modell, durch eine Rechenroutine so anzuwenden, dass es in der Lage ist das Steifigkeitsdegradationsverhalten vorherzusagen. Ein Ansatz um dies zu ermöglichen besteht darin, eine Schädigung der einzelnen FE-Elemente zu berechnen, diesen neue Materialeigenschaften zuzuordnen und iterativ weitere FE-Berechnungen durchzuführen, bis die Steifigkeit stark abgefallen ist.

Wenn du also Freude und Interesse an FE-Simulationen, für praxisrelevante Strukturen hast, dann melde dich gerne.

Das Fraunhofer LBF und das Fachgebiet SAM erforschen in Kooperation seit Jahren intensiv im Bereich der vibroakustischen Metamaterialien (VAMM). Streustrukturen wie vibroakustische Metamaterialien (VAMM) und akustische schwarze Löcher (ASL) zeigen großes Potential und deutliche Vorteile gegenüber konventionellen Maßnahmen zur Schallreduktion. Nichtsdestotrotz ist die zielführende Anwendung von Streustrukturen in der industriellen Praxis herausfordernd, da Streustrukturen eine große Zahl neuer und unbekannter gestalterischer Freiheitsgrade in der Produktentwicklung aufwerfen, welche in aktuellen Auslegungs- und Konstruktionsmethoden im Stand der Wissenschaft noch nicht berücksichtigt werden. Ziel der Arbeit ist daher der Entwurf und die Bewertung eines neuen Vorgehensmodells für das akustikgerechte Gestalten mit Streustrukturen in Harmonie mit dem etablierten Vorgehen, z. B. der VDI 2221.

Machine-Learning-Methoden wie Physics-Informed Neural Networks bieten großes Potenzial, das Verhalten komplexer Systeme vorherzusagen. So konnten sie z. B. in der Betriebsfestigkeit bereits erfolgreich zur Prognose der Lebensdauer von Bauteilen eingesetzt werden. Aufgrund der hohen Kosten von Schwingfestigkeitsversuchen ist die Anzahl verfügbarer experimenteller Daten jedoch häufig begrenzt. Fehler oder Ungenauigkeiten in diesen Trainingsdaten können daher erheblichen Einfluss auf die Qualität der Prognosen haben.

Im Rahmen dieser Masterarbeit soll untersucht werden, wie resilient verschiedene Machine-Learning-Ansätze gegenüber fehlerhaften oder unvollständigen Trainingsdaten sind. Ziel ist es, robuste Prognosemethoden zu identifizieren, weiterzuentwickeln und anhand realer Versuchsdaten zu validieren.