Im Hinblick auf die
Gewichtsreduzierung stoßen klassische Konstruktionswerkstoffe zunehmend an ihre
Grenzen. Im Rahmen des Leichtbaus werden daher Faserverbundwerkstoffe (FKV)
eingesetzt, um herkömmliche Konstruktionswerkstoffe wie Stahl zu ersetzen. Mit
der zunehmenden Bedeutung des Leichtbaus in der Automobilindustrie gewinnen
Technologien, die eine wirtschaftliche und großtechnische Produktion von
Leichtbauteilen ermöglichen, immer mehr an Bedeutung.
Das Thermoformen von
thermoplastischen FKV-Materialien bietet ein großes Potenzial für die
Großserienfertigung. Allerdings sind diesem Verfahren enge Umformgrenzen
gesetzt, die die Komplexität der Bauteile einschränken. Die numerische
Modellierung des Prozesses mit geeigneten FEM-Methoden führt bereits zu einer
deutlichen Reduzierung der Herstellungskosten, da Kosten für Versuchswerkzeuge
eingespart werden können. Allerdings führt die Modellierung solch komplexer
Umformprozesse von thermoplastischen FKV-Materialien zu hohen Rechenzeiten bei
einer geringen Anzahl variabler Parameter. Um einen größeren Parameterraum für
die Untersuchungen abzudecken, können echtzeitfähige Ersatzmodelle genutzt
werden, die die gleichen Ergebnisse liefern wie die zeit- und rechenintensiven
Umformsimulationen.
In dieser Arbeit soll eine
Optimierung ausgewählter geometrischer Parameter eines Demonstratorbauteils
(z.B. Double Dome) vorgenommen werden, um die Scherwinkelverteilung zu
minimieren und definierte kritische Scherwinkel zu unterschreiten. Dabei sollen
ebenfalls geeignete Randbedingungen wie Grenzen des Bauraums oder Formtreue zur
originalen Geometrie beachtet werden. Aus vorherigen Arbeiten ist eine
Convolutional Neural Network (CNN)-Architektur vorhanden, die mithilfe von
Krümmungsdaten die Scherwinkelverteilung von Bauteilen vorhersagt. Es kann
demnach auf Netz- und Simulationsdaten zurückgegriffen werden, sodass durch die
Bearbeitung dieser Arbeit die Vorhersage um eine Optimierung erweitert wird.
Zur Erstellung einer
Datenbasis durch FEM-Simulationen, die die Scherwinkelverteilung in
verschiedenen Konfigurationen ermittelt, ist eine Parametrisierung der
Demonstratorgeometrie zu entwickeln. Die Datenbasis wird im weiteren für eine
zu erstellende Machine Learning (ML)-Architektur genutzt. Kern der Entwicklung
der ML-Architektur wird die geeignete Wahl der Input-Daten, Hyperparameter
sowie die Definition der Zielfunktion sein, die beispielsweise die Summe aus
maximalem und minimalem Scherwinkel oder nur den maximalen Scherwinkel umfassen
kann. Die Output-Daten bestehen schließlich aus dem optimalen Satz von
Geometrieparametern, der zur Minimierung der kritischen Scherwinkel führt.
Im Rahmen der Arbeit sind von
Herrn/Frau… folgende Teilaufgaben auszuführen:
- Literaturrecherche
speziell zum Einsatz von ML-Algorithmen im Kontext der FKV-Umformung
- Parametrisierung
einer Demonstratorgeometrie (z.B. Double Dome)
- Erstellung
einer FEM-Datenbasis der Scherwinkelverteilung verschiedener Varianten der
Demonstratorgeometrie
- Entwicklung
eines Frameworks zur Bereitstellung der Datenbasis für ML-Algorithmen
- Entwicklung
einer ML-Architektur zur Optimierung ausgewählter Geometrieparameter der
Demonstratorgeometrie mit geeigneten Randbedingungen (z.B. Bauraumbegrenzung,
max. Abweichung zur ursprünglichen Geometrie)
- Training
und Validierung der ML-Architektur
- Präsentation
/ Dokumentation
Art:
- Bachelorarbeit
- Studienarbeit(Master)
- Masterarbeit
Fachrichtungen: Maschinenbau, CSE
Begin der Arbeit:
Zuletzt geändert: 11.07.2024
