Reviewed and Supervised Theses

Announcement / Topics

Folgende Themen sind Beispiele für Bachelor- und Masterarbeiten die angeboten werden. Auch andere Aufgabenstellungen aus dem Bereich von agentenbasierten Methoden, verteilter KI und ML, Simulation, sowie mobilen Netzwerken können angefragt werden.

Bei Fragen oder Interesse:

PD Stefan Bosse
Fachbereich Informatik
sbosse ( at ) uni-bremen.de


[kimat2020.1]
KI Algorithmen für die Bauteiloptimierung mit der Mehrphasen-Topologieoptimierung. Aufgabe ist die Untersuchung und Entwicklung von Algorithmen für die optimierte Komposition von mechanischen Bauteilen und Strukturen mit einem Elementarzellenansatz. Jede Elementarzelle repräsentiert einen Teil des Bauteils (ein Teilvolumen) mit bestimmten Materialeigenschaften. Ziel ist die optimierte Anordnung und Auswahl der Anteile dieser Elementarzellen als iteratives Minimierungsproblem einer Zielgrößenfunktion. Die Arbeit findet in Zusammenarbeit mit dem Fraunhofer IFAM statt.
Aufgabe ist die Untersuchung und Entwicklung von Algorithmen für die optimierte Komposition von mechanischen Bauteilen und Strukturen mit einem Elementarzellenansatz. Jede Elementarzelle repräsentiert einen Teil des Bauteils (ein Teilvolumen) mit bestimmten Materialeigenschaften. Ziel ist die optimierte Anordnung und Auswahl der Anteile dieser Elementarzellen als iteratives Minimierungsproblem einer Zielgrößenfunktion.
Im einfachsten Fall gibt es zwei verschiedene Elementarzellen A und B die geeignet angeordnet werden müssen um bestimmte Materialeigenschaften des Bauteils zu erfüllen (wie z.B. Dichte, Zugfestigkeit, Biegefestigkeit, Steifigkeit usw.). Das Problem liegt in der großen Anzahl von Möglichkeiten der Anordnung der Zellen. Es soll eine Software entwickelt werden die dieses Kompositionsproblem automatisch iterativ löst (quasi ein Randbedingungslöser). Die Randbedingungen sind vorgegeben. Ein etablierter Lösungsansatz ist das statistische thermodynamische Verfahren der simulierten Abkühlung (d.h. eine Zielfunktion wird iterativ minimiert, siehe weiter untern). Dieser Lösungsansatz soll mit dem KI Verfahren der Evolution und Permutation verglichen werden. Beide Algorithmen müssen implementiert werden (mit der Programmiersprache JavaScript damit WEB Anwengungen unterstützt wird).
Von der materialwissenscftlichen Seite kann die Auslegung struktureller und funktionaler maschinenbaulicher Komponenten von einer Kombination unterschiedlicher Materialeigenschaften in einem Bauteil profitieren. Verbundwerkstoffe aller Art sind ein Beispiel für dieses Prinzip, das die Möglichkeiten in Bezug auf den Leichtbau lasttragender Strukturen veranschaulicht. Herkömmliche Verbundwerkstoffe sind jedoch häufig ungeordnet aufgebaut oder nur vergleichsweise oder weisen nur beschränkte Möglichkeiten einer dreidimensionalen Strukturierung auf (vgl. Laminataufbau mit schichtweise unterschiedlichen Orientierungen der Verstärkungsfasern).
Dies gilt weniger für Poymermatrix-Verbunde, für die dreidimensionale textile Verstärkungen vielfältige Optionen für einen belastungsgerechte Auslegung bieten, um so mehr jedoch für Verbunde mit metallischer Matrix. Hier eröffnen neue Fertigungsansätze wie der Verbundguss sowie Ansätze der additiven Fertigung neue Möglichkeiten. Lokal unterschiedliche Materialeigenschaften lassen sich etwa durch eine gezielt lokal eingestellte Porosität (z. B. über innere Gitterstrukturen in der additiven Fertigung) oder durch lokale Variation der Zusammensetzung (über das Eingießen separat, ggf. auch additiv, gefertigter Komponenten im Verbundguss oder die lokale Modifikation der Materialzusammensetzung in der additiven Fertigung, ggf. im Zusammenspiel mit nachgeschalteten thermischen oder thermomechanischen Behandlungen) erzielen. Gemeinsam ist diesen Ansätzen, dass die Definition der Geometrie einer Verstärkung eine Auslegungsmethodik erfordert, die einerseits die wichtigsten Bauteilbelastungen und andererseits die Unterschiede im Materialverhalten berücksichtigt.
Einen grundlegenden Ansatz in diese Richtung liefert die Mehrphasen-Topologieoptimierung (MPTO). Die Grundlage des Verfahrens bildet die Vorab-Auswahl der innerhalb des Bauteils auftretenden Materialeigenschaften und zugehörigen -anteile. Diese werden zunächst zufällig über die Elemente eines FEM-Modells des Bauteils verteilt. Auf dieser Basis wird eine linear-elastische FEM-Simulation des Bauteils unter der auslegungskritischen Belastung durchgeführt, aus der für jedes Element der Wert der "total strain energy" (elastische Energie im Bauteil unter Last) gewonnen wird. Anschließend wird ein Tausch der Elementeigenschaften in der Weise durchgeführt, dass Elementen mit hohem Wert der elastischen Energie höhere Steifigkeiten zugeordnet werden. Konvergiert dieser Optimierungsansatz, führt das Ergebnis zu einer Verteilung der Materialeigenschaften, die unter den vorgegebenen Randbedingungen zu einer Auslegung mit maximaler Steifigkeit führt.
[mat1001]
Modellierung und Simulation der Wellenausbreitung (Ultraschall) ausgewählter hybrider Materialien (Faser-Metall Lamninate) mit Defekten unter Verwendung eines einfachen Masse-Feder- und Mehrkörperphysikmodells (MBP). Evaluation der Genauigkeit im Vergleich zu FEM. Ziel ist es approximierte MBP für die echtzeitfähige Simulation dieser Materialien zu ermöglichen (vor allem für die Investigation von Maschinellen Lernen). Die MBP Modelle werden mit dem CANNON Löser berechnet (JavaScript).
Aufgabe ist die Modellierung und Simulation der Wellenausbreitung (geführter Wellen, Ultraschall) in ausgewählten Materialien (z.B. hybrid, Faser-Metall Lamninate) mit Defekten unter Verwendung eines einfachen Masse-Feder- und Mehrkörperphysikmodells (MBP).
Es soll eine Evaluation der Möglichkeiten und der Genauigkeit im Vergleich zu FEM erfolgen. Ziel ist es approximierte MBP Modelle für die echtzeitfähige Simulation dieser Materialien zu ermöglichen (vor allem für die Investigation von Maschinellen Lernen um synthetische Trainingsdaten zu erzeugen). Die MBP Modelle werden mit dem CANNON Löser berechnet (JavaScript).
Als Master- oder Bachelorarbeit (nur homogene Materialien) möglich.
Kennziffer: MA-mat1001
[mla1003]
Maschinelles Lernen von Prädiktorfunktionen für die Prozessoptimierung in der additiven Fertigung. Aus Prozessdaten der additiven Fertigung sollen Zielgrößen wie z.B. die Dichte oder Porosität aus Prozess- und Objektparametern prognostiziert werden. Es werden i.A. neuronale Netze eingesetzt, SVM und Entscheidungsbäume sind ebenso denkbar.
Maschinelles Lernen von Prädiktorfunktionen für die Prozessoptimierung in der additiven Fertigung ist ein aktuelles Thema. Eine Prädiktorfunktion kann durch ein bekanntes numerisches Modell (meist nicht verfügbar) oder wie hier durch ein trainiertes maschinelles Modell gegeben werden.
Ziel ist aus Prozessdaten der additiven Fertigung bestimmte Zielgrößen wie z.B. die Dichte oder Porosität aus Prozess- und Objektparametern prognostizieren zu können. Es werden i.A. neuronale Netze eingesetzt, SVM und Entscheidungsbäume sind ebenso denkbar.
Kennziffer: MA-mla1003
[app1001]
Mobile Agenten und JavaScript Plattform JAM: Erweiterung der JAM Agentenplattform für Smartphones und stationäre Kleinstrechner (Baken) mit einer BlueTooth LE Anbindung (als GeoTracking Sensor und Kommunikationsverbindung zw. Geräten).
[agi1001]
Intelligente Agenten: Erweiterung von reaktiven zustandsbasierten mobilen Agenten mit einer Wissensdatenbank und Logik erster Ordnung für übergeordnetes Schlussfolgern und Planen. Verwendung von Javascript Agenten (JAM), MiniSAT und dem Meteor Logiklöser
[mla1001]
Maschinelles Lernen von Diskriminatorfunktionen auf zeitaufgelöstenen Sensorsignalen (z.B. aus Ultraschallmessungen) für die Schadensdetektion von technischen Bauteilen (z.B. aus Faserlaminaten)
[mla1002]
Maschinelles Lernen von Zeitserienprädiktion bei mechanischen Zugversuchen (Werkstoffprüfung). Ziel ist eine Vorhersage der weiteren Entwicklung des aufzunehmenden Spannungs-Dehnungsverlaufs.
[sim1001]
Agentenbasiertes Simulieren von Segregation und Mobilität im städtischen Bereich gekoppelt mit mobilen Crowdsensing. Wie kann die reale Welt Simulationen pratisch in Echtzeit beeinflussen (und umgekehrt vielleicht auch)?
[cws1001]
Mobiles Crowdsensing mit Agenten: Durchführung von mobilen selbstorganisierenden und ereignisbasierten Umfragen. Der Mensch als Sensor.
[cws1002]
Mobiles Crowdsensing mit Agenten: Erfassen von mobilen sensorischen ubiquitären Sensordaten über Bluetooth Baken

Finished

[t20.1]
Martin Schorfmann, Bachelor Thesis, Markdown Meta Extension: Providing programmable Content in Markdown, 2020, University of Bremen
[t20.2]
Stefan Hill, Bachelor Thesis, Simulation von adaptivem Verkehrsmanagement mit Multi-Agentensystemen, 2020, University of Koblenz
[t20.3]
Delzar Habash, Bachelor Thesis, Adaptive Machine Learning: A Crowd Sensing Based Multi-Agent Framework for Survey Data Analysis, 2020, University of Koblenz
[t20.4]
Arne Püster, Master Thesis, Automatisches Verfolgen von Schwimmern mit mehreren Kameras in stark perspektivischen Bildern, 2020, University of Bremen
[t20.5]
Lucas Klemmer, Master Thesis, XbNN: A Novel Approximate Hardware Architecture for the Automated Generation of High Accuracy CNN Accelerators, 2020, University of Bremen
[t19.1]
Ramneek Singh, Master Thesis, Digital Media, 4K Image Stereo Reconstruction Using Semi-Global Matching on the GPU, 2019, University of Bremen
[t19.2]
Moritz Schult, Bachelor Thesis, Echtzeit-Klassifikation interner und externer Aufmerksamkeit aus EEG- und Eye-Tracking-Daten mittels maschinellen Lernens, 2019, University of Bremen
[t18.1]
Lucas Klemmer, Bachelor Thesis, Implementierung eines flexiblen H.264/AVC Baseline Decoder IP Cores auf Basis eines ASIC Designs, 2018, University of Bremen
[t18.2]
Atra Surya Gemilang, Master Thesis, Approaches for Adaptive Property Control in Smart Load-bearing Structures, 2018, University of Bremen/Fraunhofer IFAM
[t18.3]
Waldemar Zeitler, Bachelor Thesis, Simulationsbasierte Datensammlung zur Parametrisierung von Alltagsaktivitäten, 2018, University of Bremen
[t15.1]
Jeroen van Kempen, Bachelor Thesis, Design of inkjet printed transistor devices with adapted printing technology, 2015, University of Bremen/Fraunhofer IFAM