Christian Digel

Motivation

Die moderne Maschinenauslegung beinhaltet eine Optimierung hinsichtlich mehrerer physikalischer Ziele und Randbedingungen. Dieser Prozess beinhaltet eine Vielzahl an Simulationen und ist dementsprechend langwierig. Eine alternative dazu sind Surrogate Modelle. Diese Modelle bieten die Möglichkeit den Optimierungsprozess zu beschleunigen indem physikalische Zusammenhänge datenbasiert durch maschinelles lernen repräsentiert werden. Surrogate Modelle können dabei auf verschiedenen Ebenen eingesetzt werden. Üblicherweise indem geometrische Inputs auf Zielgrößen der Maschine gemappt werden. In der ausgeschriebenen Arbeit soll das Surrogate Modell bereits vor dem Postprocessing auf Basis der FEM Daten erzeugt werden. Dies ermöglicht eine maximale Flexibilität im Postprocessing sowie den Einsatz in der nicht parametrischen Optimierung.

Aufgabenstellung

Im Verlauf der Arbeit sollen geeignete ML-Verfahren identifiziert werden. Es soll anhand einer vorhandenen Simulationsumgebung ein geeigneter Datensatz für das Modell aufgebaut werden. Anhand dieses Datensatzes sollen die verschiedenen Verfahren trainiert und das geeignetste Verfahren identifiziert werden. Wenn möglich soll mit dem trainierten Surrogate Modell eine Optimierung erfolgen.