Abschlussarbeiten
DeepONets zur Rekonstruktion von Spannungsfeldern aus DIC-Verschiebungsmessungen
Mithilfe der digitalen Bildkorrelation (DIC) lässt sich die Verschiebung der Oberfläche einer Probe unter Belastung messen. Wichtige Größen wie das Spannungsfeld können jedoch nicht direkt erfasst werden. In diesem Thema wird eine Methode des maschinellen Lernens auf Basis von Deep Operator Networks (DeepONets) untersucht. Das Modell soll lernen […]
CutFEM für poröse Medien mit CT-basierten Geometrien
Poröse Medien, deren Geometrien aus CT-Aufnahmen rekonstruiert werden, weisen häufig komplexe Mikrostrukturen, dünne Strukturelemente und unregelmäßige Grenzflächen auf. Dies erschwert die Erzeugung geometrieangepasster Netze mit klassischen Finite-Elemente-Methoden. Cut-Finite-Elemente-Methoden (CutFEM) lösen dieses Problem, indem sie das physikalische Gebiet in ein festes Hintergrundnetz einbetten. Dadurch wird die Handhabung der Geometrie erheblich vereinfacht, während die numerische Genauigkeit erhalten bleibt. […]
Physikinformierte neuronale Netze für poröse Materialien
Gekoppelte hydromechanische Probleme treten in einer Vielzahl natürlicher und technisch hergestellter poröser Materialien auf. Traditionell werden sie mithilfe räumlicher Diskretisierungsverfahren wie der Finite-Elemente-Methode (FEM) oder der Finite-Volumen-Methode (FVM) gelöst. In jüngerer Zeit wird in den rechnergestützten Wissenschaften zudem der Einsatz physikinformierter neuronaler Netze (PINNs) untersucht [...]
Digitaler Zwilling zur Beschreibung der Verformung eines elastischen Balkens
Digitale Zwillinge bilden technische Strukturen virtuell ab und ermöglichen die Abschätzung ihres Verformungszustands anhand begrenzter Sensordaten. In diesem Thema wird ein simulationsbasierter digitaler Zwilling eines elastischen Balkens entwickelt und bewertet. Ein hochgenaues Finite-Elemente-Modell dient dabei als Referenz für das reale System und liefert die Verformung des Balkens. [...]
Datengetriebene Mechanik von Metamaterialien
Das Ziel dieses Themas besteht darin, neuronale Netze zur Vorhersage des makroskopischen mechanischen Verhaltens von Metamaterialien zu trainieren. Die Trainingsdaten werden mithilfe hochgenauer diskreter Simulationen mikrostrukturierter Metamaterialien erstellt. Dabei wird angenommen, dass die Mikrostrukturen überwiegend aus Strukturelementen wie Fachwerkstäben oder Balken bestehen, die einzelnen Feldern ausgesetzt sind. [...]
Prompt Engineering für zuverlässige LLM-gestützte Engineering-Workflows
In dieser Arbeit werden Large Language Models (LLMs) in ingenieurwissenschaftliche Arbeitsabläufe zur Modellformulierung, Simulationsvorbereitung, Codegenerierung und Ergebnisinterpretation integriert. Untersucht wird, wie die Gestaltung der Prompts und die Einbindung von Fachwissen, darunter physikalische Prinzipien, Modellannahmen, Randbedingungen und Einheiten, die Zuverlässigkeit der Ergebnisse beeinflussen. […]