Approximation der Simulation von durchströmten Maschinen mittels tiefer Neuronaler Netze

Geometrisch und kinematisch komplexe Maschinen für die Industrie sollen in einem Rapid Prototyping Prozess optimiert werden. Dazu werden Systemlösungen eingesetzt, die den Konstruktionsprozess digitalisieren, indem sie einen Digitalen Zwilling (Digital Twin, DT) geometrisch per Parametrisierung aufbauen. Durch Variation des DT und vollautomatischer numerischer Simulation mit einem S-a-a-S Ansatz mit HPC Hardware kann man den Simulationsdurchsatz der virtuellen Maschine untersuchen und maximieren. Da die Simulationsläufe eine gewisse Zeit dauern ist eine direkte Anbindung der Simulation als Auswertung der Güte eine Geometrie mit einem Optimierungsalgorithmus nicht erfolgversprechend. Das Ziel dieses Projektes ist es deshalb die Simulation durch Verfahren des ML zu approximieren, um so eine schnelle Vorhersage der zu erwartenden Güte vieler Varianten des DT zu erlauben. Aufbauend auf diesen Bewertungen kann später eine effiziente automatische Optimierung etwa mit Evolutionären Algorithmen erfolgen.

Ziel des Projektes ist die Entwurfsraumexploration von KI-/ML-Hardwarebeschleunigern für den Einsatz In enger Kooperation mit der Firma IANUS in Dortmund und Bielefeld soll für reelles Industrieprojekt auf Basis von tiefen Neuronalen Netzen eine Approximation der bereits existierenden Strömungssimulation des Werkzeugs erlernt werden. Das StrömungsRaum System der Firma IANUS läuft auf HPC Hardware und ist als Software-as-a-Service flexible einsetzbar und von außen parametrisierbar. Die hierzu benötigten Daten können mit der Simulation erzeugt werden. Je nach Projektfortschritt kann das erlernte Modell dann in einer Metaheuristik verwendet werden um die Parameter des Werkzeugs zu optimieren. Eine Anstellung als wissenschaftliche Hilfskraft bei der Firma ist erwünscht.

Bezug zum Thema Data Science  
Überwachtes lernen mit Tiefen Neuronalen Netzen ist ein Kernbereich der Data Science.

Verfügbare Ressourcen
Die Daten werden über die Simulation der Firma IANUS generiert. Die Simulation und das entsprechende Model sowie die HPC Hardware wird von der Firma bereitgestellt. Außerdem wird ein Experte aus der Firma als Ansprechpartner und Co-Betreuer des Forschungsprojektes zur Verfügung stehen.

Projektplan
Erstes Semester: Einarbeitung in die Fragestellung, den Anwendungsfall und die Simulationssoftware. Erstellung eines Forschungsexposés.

Zweites Semester: Erstellung eines Papers, das einen Überblick über das Forschungsgebiet der Simulationsapproximation durch Maschinelles Lernen gibt. Umsetzung eines ersten Modelles und Generierung von ersten Ergebnissen.

Drittes Semester: Implementierung und Vergleich von mindestens zwei Ansätzen zur Approximation der Simulation. Erstellung eines Papers, mit ersten quantitativen Ergebnissen.

Viertes Semester: Masterarbeit und Kolloquium. Verfeinerung des Modells und u.U. Einbindung in eine Metaheuristik zur Optimierung der Werkzeugparameter.

• Programmierkenntnisse in einer der großen OO Sprachen

• Erfahrung mit Simulation (speziell Strömungssimulation)
• Programmiererfahrung in Python
• Erfahrung im Maschinellen Lernen

Erwerbbare Kompetenzen

• Approximation von dynamischen Modelle mittels ML-Verfahren
• Implementierung und Anwendung Tiefer Neuronale Netze
• Implementierung und Anwendung von Metaheuristiken
• Funktionsweise und Anwendung von Strömungssimulation
• Optimierung von Werkzeuggeometrien
• Wissenschaftliches Schrieben und Veröffentlichen