Beginn: Ab sofort
Art der Arbeit: Simulativ, Theoretisch, Bachelorarbeit, Studienarbeit, Masterarbeit
Ansprechpartner: Fabian Notz
Messungen auf Prüfständen sollten so effizient wie möglich durchgeführt werden, um den Messaufwand zu minimieren und dennoch präzise Ergebnisse zu erzielen. Im Rahmen dieser Arbeit liegt der Fokus auf der Untersuchung und Entwicklung adaptiver Sampling-Methoden und deren Einsatz in der Metamodellierung. Ziel ist es, durch intelligente Punktwahl und maschinelle Lernverfahren wie Kriging die Messdauer zu reduzieren und die Genauigkeit der Ergebnisse zu maximieren. Ergänzend soll die dynamische Anpassung der Modelle während der Messung untersucht werden. Mögliche Aufgaben für dich sind:
Programmierkenntnisse, beispielsweise mit Matlab
Grundlagenwissen in DoE (Design of Experiments) und Prüfstandsmessung
Erfahrung mit Modellierung oder mathematischer Abstraktion technischer Systeme
Interesse an Methoden des Maschinellen Lernens KI
Selbstständige und strukturierte Arbeitsweise
Eigeninitiative, Engagement und Interesse am Thema