Generatives Design ermöglicht die automatisierte Exploration von Konstruktionslösungen. Viele bestehende Ansätze haben jedoch Schwierigkeiten, Konzepte zu erzeugen, die gleichzeitig innovative Geometrien und fertigungsgerechte Konstruktionen gewährleisten.

Am Institut wurde ein regelbasierter generativer Design-Algorithmus für Blechbiegeteile entwickelt, der konstruktions- und fertigungstechnisches Wissen systematisch in den Generierungsprozess integriert. Der Algorithmus erzeugt automatisch unterschiedliche Konstruktionskonzepte und dient als strukturierter Ausgangspunkt zur Exploration des Designraums.

Deep-Learning-Methoden bieten die Möglichkeit, generative Strategien datengetrieben zu erlernen und damit große und komplexe Designräume effizient zu durchsuchen. Die Kombination datenbasierter Methoden mit bestehenden regelbasierten Ansätzen kann neue Möglichkeiten für das generative Engineering Design eröffnen.

Aufgaben

Ziel der Arbeit ist die Untersuchung von Deep Learning als Generierungsmethode für Blechbauteile und der Aufbau einer datengetriebenen generativen Design-Pipeline.

Mögliche Aufgaben umfassen:

• Entwicklung einer Datenpipeline auf Basis des bestehenden generativen Design-Algorithmus zur Erzeugung und Strukturierung von Trainingsdaten

• Konzeption und Implementierung einer geeigneten Deep-Learning-Architektur für generatives Design (z. B. graphbasierte oder sequenzbasierte Modelle)

• Definition geeigneter Repräsentationen für Blechstrukturen für Machine-Learning-Modelle

• Training und Evaluation des entwickelten Modells auf generierten Design-Datensätzen

• Analyse der Potenziale und Grenzen datengetriebener generativer Designmethoden im Kontext fertigungsgerechter Konstruktion

Die konkrete Ausrichtung der Arbeit kann je nach Interessen und Studienrichtung angepasst werden.

Profil

• Studium im Bereich Maschinenbau, Mechatronik, Informatik oder vergleichbar

• Interesse an Machine Learning, generativem Design oder Computational Engineering

• Programmierkenntnisse in Python

• Erfahrung mit Machine-Learning-Frameworks (z. B. PyTorch oder TensorFlow) von Vorteil

Bei Interesse melde dich gerne bei mir: christoph.wittig∂kit.edu