Bewertung der Resilienz von Machine-Learning-Ansätzen gegenüber fehlerhaften Daten auf dem Gebiet der Betriebsfestigkeit
Masterthesis
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.
Deine Aufgabend
- Umfassende Literaturrecherche zur Resilienz unterschiedlicher Machine-Learning-Methoden gegenüber fehlerhaften Trainingsdaten
- Implementierung eines eigenen robusten Machine-Learning-Ansatzes (z. B. basierend auf Physics-Informed Neural Networks)
- Validierung des entwickelten Ansatzes anhand realer Versuchsdaten aus dem Bereich Betriebsfestigkeit
- Auswertung und Dokumentation der Ergebnisse
Das bringst du mit
- Studium des Maschinenbaus, der Mechanik, Computational Engineering oder einer vergleichbaren Fachrichtung
- Interesse und idealerweise Vorkenntnisse in Betriebsfestigkeit und maschinellem Lernen (können auch im Rahmen der Arbeit erworben werden)
- Gute Programmierkenntnisse, insbesondere Python
Das bieten wir dir
- Betreuung und enge fachliche Unterstützung während der gesamten Arbeit
- Möglichkeit zur Veröffentlichung der Ergebnisse in Form eines wissenschaftlichen Journal-Papers
- Einbindung in aktuelle Forschungsthemen mit hohem Praxisbezug
Interesse geweckt? Dann melde dich gerne bei uns!
