Bachelor- / Masterarbeit - Deep Learning zur Erweiterung der Prognosefähigkeit ingenieurtechnischer Modelle

Kennziffer EMI-2018-21

Das Fraunhofer-Institut für Kurzzeitdynamik, Ernst-Mach-Institut EMI, in Freiburg mit seinen 300 Mitarbeitenden bietet engagierten Menschen anspruchsvolle und abwechslungsreiche Aufgaben mit Verantwortung sowie viel Gestaltungsspielraum. Im Auftrag unserer Kunden aus den verschiedensten Bereichen von Wirtschaft und Staat wenden wir neueste Erkenntnisse aus Wissenschaft und Forschung interdisziplinär auf konkrete Projekte an. Die Anwendungen liegen in den Bereichen Verteidigung, Sicherheit, Raumfahrt, Automotive und Luftfahrt.

Hintergrund:
Deep Learning Algorithmen, insbesondere Neuronale Netzwerke mit mehreren Schichten, erlauben es weitgehend ohne Vorgaben (d.h. ab initio, “tabula rasa“) von Modelleigenschaften, Modelle aufgrund empirischer, aber auch simulativer oder ingenieurtechnisch generierter Daten zu trainieren. Mittlerweile stehen auch einschlägige leistungsfähige open source Softwarepakete zur Verfügung.
 
Aufgabenstellung:
Das Verhalten von Strukturelementen bei mechanischer Belastung kann in einem einfachen Ansatz mit dem sogenannten Einmassenschwingermodell wiedergegeben werden. Versagen der Strukturelemente tritt bei kritischer Auslenkung des repräsentativen Massenpunktes auf. Die Belastung ist eine zeitabhängige Kraft auf den Massenpunkt. Die Antwort des Modells auf die Belastung ist eine zeitabhängige Auslenkkurve, die die Rückstellkraft, die träge Masse und die Belastung berücksichtigt. Die Parameter des Einmassenschwingermodells, der Belastung und die Ausgansbedingungen legen als Eingangsparameter die maximale Auslenkung und damit das Eintreten eines Versagens- oder Vorschädigungszustandes (Ausgangsparameter) eindeutig fest. Damit kann ein neuronales Netz trainiert werden. Im Rahmen der Arbeit soll untersucht werden inwieweit ein solches Netz zur schnellen Umsetzung, Interpolation und/oder Extrapolation des ingenieurtechnischen Ansatzes verwendet werden kann, insbes. ob es kontrolliert prognosefähig ist.

Was Sie mitbringen

• Sie sind Studentin/Student eines technischen oder naturwissenschaftlichen Fachs, z.B. Ingenieurwissenschaften, Informatik, Mathematik oder Physik
• Sie verfügen über Kenntnisse in einer Programmiersprache
• Evtl. vorhandene erste Erfahrung in einem der Bereiche relationale Datenbank, Statistiktools, Verfahren zur Auswertung größerer Datenmengen (big data mining) oder grundlegenden Lernalgorithmen (z.B. deep Learning) wäre von Vorteil
• Evtl. bereits erster Umgang mit TensorFlow oder vergleichbarer open source Software zu mehrlagigen neuronalen Netzen
• Freude an theoretisch-simulativer Arbeit in einem interdisziplinären Team

Was Sie erwarten können

• Ein spannendes Forschungsprojekt mit aktuellem Bezug
• Wissenschaftliches Arbeiten bei gleichzeitig hoher Relevanz für praktische Anwendungen, insbes. die (vorhersehende) und lernende Auswertung von Sensordaten, z.B. wann tritt kritisches Verhalten oder Ausfall eines online überwachten System ein?
• Freiräume für die inhaltliche Gestaltung und Umsetzung Ihrer Arbeit
• PC-Arbeitsplatz mit einschlägiger Software

Die Vergütung richtet sich nach der Gesamtbetriebsvereinbarung zur Beschäftigung der Hilfskräfte.
Die Stelle ist zeitlich befristet.

Fraunhofer ist die größte Organisation für anwendungsorientierte Forschung in Europa. Unsere Forschungsfelder richten sich nach den Bedürfnissen der Menschen: Gesundheit, Sicherheit, Kommunikation, Mobilität, Energie und Umwelt. Wir sind kreativ, wir gestalten Technik, wir entwerfen Produkte, wir verbessern Verfahren, wir eröffnen neue Wege.

Fraunhofer-Institut für Kurzzeitdynamik
ERNST-MACH-INSTITUT
Verwaltungsleitung
Am Klingelberg 1
79588 Efringen-Kirchen
www.emi.fraunhofer.de

Fraunhofer-Institut für Kurzzeitdynamik Ernst-Mach-Institut
Efringen-Kirchen

http://www.emi.fraunhofer.de

---