Masterarbeit

Masterarbeit | Fachbereich F4; F1; F1.1

Auf künstlichen neuronalen Netzen basierende geometrische Kompensation für thermisch induzierte Verformung bei LPBF

Unser Profil

Der Lehrstuhl für Digitale Additive Produktion DAP an der RWTH Aachen erforscht gemeinsam mit Partnern aus Industrie und Wissenschaft die grundlegenden technischen und wirtschaftlichen Zusammenhänge der additiven Produktion.
Neben der Weiterentwicklung bestehender AM-Prozesse und vorhandener Maschinen- und Systemtechnik liegt der Fokus auf softwareunterstützten End-to-End-Prozessen. Angefangen vom bionischen Leichtbau über die Funktionsoptimierung für AM und den Entwurf digitaler Materialien bis hin zur Validierung im realen Prozess und der Ableitung statischer und dynamischer Kennwerte können die Vorteile additiver Prozesse mit Hilfe digitaler Technologien implementieren. Hierfür stehen nahezu alle gängigen Software-Suiten im Bereich der Autorensysteme (CAD) und kommerziell verfügbare CAx-Systeme, FEM-Modellierer etc. zur Verfügung. Auf der Maschinenseite stehen sowohl kommerziell erhältliche Systeme als auch angepasste Laborsysteme und Versuchsaufbauten zur Verfügung.

Dein Profil

Sie sind ein hoch motivierter Mensch und daran interessiert, die Zukunft des 3D-Drucks mit uns zu gestalten?!
Vorkenntnisse in Programmierung und/oder 3D-Metalldruck sind von Vorteil (aber nicht erforderlich).

Deine Aufgaben

Das Ziel dieser Arbeit ist es, eine auf einem künstlichen neuronalen Netz (ANN) basierende Methodik zu verwenden, um die Geometrie des Teils in CAD-Softwareprodukten so zu modifizieren, dass nach der Verarbeitung das produzierte Teil nahe an der erwarteten Geometrie liegt. Die Algorithmen müssen aus den geometrischen Fehlern zwischen dem CAD-Modell und dem L-PBF-gefertigten Teil lernen und die erforderliche Kompensation für die ähnlichen Teile vorhersagen. Die Änderungen werden auf das Modell angewendet, und dann wird das überarbeitete Modell in eine STL-Datei konvertiert. Die andere Möglichkeit besteht darin, die Änderungen direkt in der STL-Datei anzuwenden. Um die Geometrie des produzierten Teils mit seinem CAD-Modell zu vergleichen, werden 3D-Scantechniken verwendet. Es ist erwähnenswert, dass es in dieser Arbeit nicht darum geht, einen Algorithmus für neuronale Netze zu entwickeln, sondern sich hauptsächlich auf bestehenden Algorithmen zu konzentrieren und sie für den beschriebenen Zweck zu verwenden. Im Rahmen dieser Arbeit soll die Anwendbarkeit des Algorithmus veranschaulicht und ein Demonstrator hergestellt werden, um die Leistungsfähigkeit des Algorithmus zu validieren.

Haben wir Dein Interesse geweckt?

Sende uns bitte Deine aussagekräftigen Bewerbungsunterlagen mit Lebenslauf, Abschlusszeugnissen und aktuellen Studienleistungen unter Angabe der Kennziffer 421510-1764 per Email an folgende Adresse:

Jonas Zielinski, M. Sc.

RWTH Aachen Lehrstuhl für
Digital Additive Production DAP
Steinbachstraße 15
52074 Aachen

→ E-Mail senden

Weitere Ausschreibungen