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
[dsn2002]
NEW!!! Verteilte Netzwerke mit RFID Kommunikation- Es soll stndardisierte RFID Kommunikationstechnologie für nachrichtenbasierte P2P und P2N Kommunikation in Sensornetzwerken (oder allg. Netzwerke aus eingebetteten Rechnern) erstellt und evaluiert werdenn. Neben dem Einsatz und der Untersuchung verschiedener RFID Protokolle soll ein Router entwickelt werden der mehrere RFID Trnaspondersysteme verbindet, aber auch Multi-device Kommunikation über einen Transponder unterstützen soll.
[vis1001]
Visualisierung und Analyse von Künstlichen Neuronalen Netzwerken (KNN). KNN nähern sich mit zunehmender Graphenkomplexität immer mehr einem Black-Box Modell. Es gibt keine Nachverfolgbarkeit und Erklärbarket zwischen Ein- und Ausgabe. Was beim Training passiert ist nur an äußeren Aggregatvariablen ablesbar (Fehler). Hilfreich wäre eine Visualisierung des Innenlebens eines KNN. Klassischen Graphenmodell und 3D Algrotihmen auf Graphen sind keine Lösung. Es sollen Visualisierungsansätze und Methoden untersucht werden die einem beim Verständnis des Graphen unterstützen (Training und Inferenz) Nebene klassichen KNN sollen auch Faltungsnetzwerke (CNN) betrachtet werden. Die Arbeitsplattform ist der WEB Browser, die Programmiersprache ist JavaScript.
[ml1099]
NEW!!! Skalierung von ML Modellen auf ressourcenbeschränkte Rechnersysteme mit reduzierter Rechengenauigkeit Häufig werden maschinelle Klassifikatoren und Prädiktorfunktionen (ML Modelle) mit hohen Speicher- und Rechenressourcen erzeugt und vor allem mit Rechenoperationen hoher Genauigkeit (float 64 bit). Für den technischen Einsatz werden jedoch häufig Rechnersysteme (oder sogar Digitallogik mit FPGAs) verwendet die beschränkt sind in ihrer Rechenleistung, Speicherkapaziät, und meistens auch im elektrischen Energiebedarf. Mikrokontroller bieten häufig Rechenoperationen mit geringerer Genauigkeit (bis hin zu reiner Ganzzahlarithmetik). In dieser Arbeit sollen die Möglichkeiten der Skalierung und Reduktion von ML Modellen sowohl hinsichtlich Ressourcenbedarf als auch Rechengenauigkeit untersucht werden. Denkbar wäre auch eine FPGA Implementierung von ML Modellen.
[ml1098]
Untersuchung der Robustheit von ML Modellen (Klassifikatoren und Regressionsfunktionen) mit verrauschten und unzuverlässigen Sensordaten ML Modelle können nur so gut sein wie ihre Trainingsdaten. In der physikalischen Welt gemessene Sensoren (Dehnung, Kraft, Temperatur, Bilder usw) sind mit Rauschen überlagert. Viele ML Verfahren sind statistische Mittelwertbilder und können gaußverteiltes Rauschen kompensieren. Aber systematische Verzerrung und aperiodische und periodische Messartifakte können die Qualität und Robustheit erheblich beeinflussen, gerade bei Künstlichen Neuronalen Netzwerken zu beobachten. In dieser Arbeit soll der Einfluß von Rauschen, systematischen Messfehlern, und Sensorfehlfunktionen auf die Ausgabe von ML Modellen untersucht werden.
[dam1010]
Anomaliedetektion in Faserverbundwerkstoffen mit Tomografiedaten und Autoencoder Lernen aus Röntgenuntersuchungen von verschiedenen Proben im Rahmen der DFG Forschungsgruppe 3022. Ziel ist die automatische Erkennung von Anomalien, d.h. Materialveränderungen, Schäden, Ablösungen u.s.w, durch trainierte zustandsbasierte neuronale Netzwerke die auf auf dreidimensionale Tomografiedaten.
Dabei ist die Hypothese dass eine einzige Prädiktorfunktion )Modellinstanz) anhand von punktuellen oder kreisflächigen Tiefenschnitten der 3D Daten Abweichungen von der Baseline erkennt. Die Baseline ist eine als anerkannt intakte Faserverbundstruktur. Da Faserverbundwerkstoffe aber strukturellen Schwankungen unterliegt ist diese Baseline Struktur weich. Autoencoder sind i.A. auf KNN basierende Datenkompressoren. Dabei wird hier ein Kodierer (mit Dimensionalitätsreduktion) mit einem nachfolgenden Dekodierer kombiniert, so dass der Ausgang des Netzwerkes ein rekonstruiertes Eingangssignal ist. Das Training ist ein "Nullsummenspiel", da das Netzwerk auf die Identitätsfunktion trainiert wird. Wenn nun Abweichungen im Signal von der Baseline auftreten wird erwartet dass der Autoencoder diese Signal nicht mehr richtig rekonstruieren kann; es entsteht ein Fehler als mögliches Anomaliemerkmal. Dieses muss nachfolgend weiter verarbeitet werden. Wird die Prädiktorfunktion auf alle Bildpunkte (oder Segmente) der Bauteiloberfläche angewendet, erhält man ein räumlich aufgelöstes Anomaliebild, welches für die Erkennung von Schäden und Materialveränderung verwendet werden kann (inkl. Ortslokalisation).
[mla1003]
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.
[mla1004]
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. Weiterhin soll das inverse Problem der Prognostik von Prozessparametern aus Zielgrößen (des Materials) untersucht werden. PDF
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-mla1004
[mla1005]
Damage mechanisms during loading of ceramic composites: Classification of AE signals via machine learning. The main objective of the thesis is the classification and diagnostocs of damages in ceramic matrix composites by using acoustic emission (AE) signals and machine learning (ML). Unsupervised clustering by Self-organizing Maps (Kohonen SOMs) shoudl be used primarily to perform a classification of different damage classes automatically. Secondary, supervised learning should be used to classify the AE signals, based on damage classifications retrieved from the unsupervised clustering. The main tasks to be performed is feture selction and the application of standard ML algorithms and models for damage classification. There are three basic tasks (that can be split into multiple theses): (1) Feature selection (2) Unsupervised clustering to get a damage-AE classification grouping (3) Supervised learning of AE signals to damage classification mapping. PDF
Ceramic matrix composites (CMC) have been developed to improve the low damage tolerance of ceramic materials. These fiber-reinforced ceramics show considerably high fracture toughness, along other properties like high hardness and thermal and chemical resistance. The high fracture toughness and, consequently, damage tolerance of these composites is normally achieved with the use of either porous matrices or fiber coatings. This allows for several crack deflection mechanisms to take place before fiber failure, such as: matrix microcracking, fiber debonding and fiber pull-out. As a result, CMCs show a quasi-plastic behavior when mechanically loaded. Even though CMCs show enough maturity to be present in several industrial applications, crack propagation/deflection during loading of CMCs is still not fully understood, which is pivotal for the further development of these materials. Different models relating crack deflection with the fracture energy ratio of interface and fiber and the difference between the elastic properties of fiber and matrix can be found in the literature. However, most of them lack of support from experimental data. In addition, it is still unclear how crack propagation happens exactly under loading. Therefore, the objective of this work is to analyze the damage development during loading with in-situ acoustic emission (AE) monitoring. AE is a useful tool during mechanical tests since the measured AE signals can be related to different mechanical responses and damage mechanisms of the tested material. One of the main challenges of this technique is to relate the measured AE data to their respective damage mechanisms. For that, different evaluation methods can be found in the literature; the most common being related to supervised or unsupervised classification of the AE signals. On supervised clustering, the data to be classified is compared to a training dataset containing already labeled signals. In other words, this method requires a previous knowledge of the features of each possible group of AE signals, which may not be valid for different composites or types of mechanical loading. On the other hand, unsupervised classification can be considered a more general approach, in which AE signals are grouped depending on their features and, later, each group is related to a different mechanism. The main problem of this approach is to identify each cluster and the relation with the correspondent mechanism. In both cases, the choice of the correct features used for classification is also a challenge. Hence, this projects aims on developing a clustering method via machine learning, which can be used to classify AE signals measured during different mechanical loadings of composites. To this end, previously measured data from quasi-static tensile tests and fatigue tests on different types of CMCs will be used in the analyses.
[mla1006]
Maschinelles Lernen von zustandsbasierten Prädiktorfunktionen für zeitaufgelöstene Sensorsignale aus Ultraschallmessungen für die Schadensdetektion von technischen Bauteilen (z.B. aus Faserlaminaten). Ziel ist die automatische Erkennung von Anomalien, d.h. Materialveränderungen, durch trainierte zustandsbasierte neuronale Netzwerke die auf Zeitserien von Sensordaten angewendet werden sollen.
[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). Aufbau eines verteilten Netzwerkes mit Bluetooth Baken und Kleinstrechnern die über Smartphones verbunden werden. Agenten sind in der Lage via Bluetooth zu migrieren und den geospatialien und personalen Erfassungsbereich signifikant zu erweitern.
Die JavaScript Plattform JAM unterstützt mobile Softwareagenten (programmiert in JavaScript) die zwischen Plattformen nahtlos migrieren können. Neben üblicher LAN/WLAN Vernetzung soll eine Erweiterung der JAM Agentenplattform für Smartphones und stationäre Kleinstrechner (Baken) mit einer BlueTooth LE Anbindung erfolgen. Dadurch können temporäre ad-hoc Netzwerke von Agentenplattformen on-the-fly aufgebaut werden (Verbindungszeit minimal von einige Sekunden). Agenten wären in der Lage "vorbeigehende" mobile Geräte von Baken aus zu erreichen, um dort z.B. Daten zu sammeln oder Nutzer zu benachrichtigen. Diese Möglichkeit ist vor allem beim mobilen Crowdsensing und user tracking von großer Bedeutung. Grundlegende Programmierkenntnisse und optimal erste Erfahrung in der Smart Phone App Erstellung (Cordova SDK) sollten vorhanden sein.
[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
[agi1002]
Intelligente Agenten: Erweiterung von reaktiven zustandsbasierten Dialogrobotern (mobile Agenten) mit natürlicher Sprachverrabeitung, einer Wissensdatenbank und Logik erster Ordnung für adaptive und narrative Chat Dialoge. Verwendung von Javascript Agenten (JAM), PROLOG, und compromoise.js
[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
[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
[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)?
[mla1001]
Maschinelles Lernen von Prädiktorfunktionen mit zeitaufgelöstenen Sensorsignalen (z.B. aus Ultraschallmessungen) für die Schadensdetektion von technischen Bauteilen (z.B. aus Faserlaminaten)
[mla1003]
Maschinelles Lernen von Prädiktorfunktionen für mechanische Zugversuche (Werkstoffprüfung). Ziel ist eine Vorhersage des Bruchpunktes mit Methiden des Maschinellen Lernens von verschiedenen Materialien und Probekörpern aus Messdaten von Zugversuchen oder Dehnungsmessung im elastischen und ggfs. vom Beginn des inelastischen Materialbereiches. Dabei sollen möglichst generalisierte Prädiktorfunktionen algorithmisch (d.h. duch üverwachtes Training) bestimmt werden.
Finished
[t23.1]
Alpay Yildiray, Bachelor Thesis, Unifying Access to Distributed Data by Containerized Agent Cluster and Event Streaming, Informatik, 2023, Universität Bremen
[t22.2]
Kai Alexander Diek, Bachelor Thesis, Mobiles Crowdsensing: Entwicklung von dezentralen miteinander vernetzten, webbasierten Chat Bots für eine verbesserte Benutzererfahrung, Informatik, 2022, University of Bremen
[t22.1]
Clara Odinius, Bachelor Thesis, Verteilte Tupelraumkommunikation über Bluetooth Low Energy Netzwerke durch verbindungsloses Broadcasting, Informatik, 2022, University of Bremen
[t21.2]
Mika Altmann, Master Thesis, Betrachtung eines inversen Problems zur Dichtemodifikation metallischer laseradditiv gefertigter Bauteile, Fertigungstechnik, Systems Enginnering, Informatik, 2021, University of Bremen
[t21.1]
Dennis Weiss, Master Thesis, Maschinelles Lernen mit rekurrenten neuronalen Netzen auf zeitaufgel¨osten Sensorsignalen für die Schadensdetektion von technischen Bauteilen, Informatik, 2021, University of Bremen
[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
[t20.6]
Eike Trumann, Master Thesis, Merkmalsextraktion und Visualisierung von Messdaten auf einer Mikrocontrollerplattform, 2020, University of Bremen
[t20.7]
Edgar Kalwait, Bachelor Thesis, Entwicklung einer Prädiktorfunktion zur Vorhersage einer Zielvariablen aus Sensordaten im Kontext der Materialprüfung, 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
Universität Koblenz - FB Informatik
Universität Koblenz - FB Informatik