Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen
Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen
Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen
Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen
Magna
Automobil- und Fahrzeugbau
St. Valentin
- Art der Beschäftigung: Studierende
- Vor Ort
Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen
Über diesen Job
Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen page is loaded
Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen
Apply
- locations
- St. Valentin, AT
- time type
- Part time
- posted on
- Posted 27 Days Ago
- job requisition id
- R00226057
Job descriptions may display in multiple languages based on your language selection.
What we offer:
At Magna, you can expect an engaging and dynamic environment where you can help to develop industry-leading automotive technologies. We invest in our employees, providing them with the support and resources they need to succeed. As a member of our global team, you can expect exciting, varied responsibilities as well as a wide range of development prospects. Because we believe that your career path should be as unique as you are.
Group Summary:
Transforming mobility. Making automotive technology that is smarter, cleaner, safer and lighter. That’s what we’re passionate about at Magna Powertrain, and we do it by creating world-class powertrain systems. We are a premier supplier for the global automotive industry with full capabilities in design, development, testing and manufacturing of complex powertrain systems. Our name stands for quality, environmental consciousness, and safety. Innovation is what drives us and we drive innovation. Dream big and create the future of mobility at Magna Powertrain.
Job Responsibilities:
Hintergrund
Bei gedruckten elektronischen Schaltungen werden die elektronischen Bauteile auf die Leiterplatte aufgelötet, wobei die Leiterplatten eine komplexe Struktur aus Kupferschichten und faserverstärktem Epoxid darstellt. Die Kupferschichten bilden dabei die Leiterbahnen zwischen den elektrischen Bauteilen ab und das faserverstärkte Epoxid dient als Trägermaterial. Da alle diese Strukturen sehr kleine geometrische Abmessungen zur Gesamtgröße der Leiterplatte besitzen, müsste man ein extrem feines Netz verwenden, um die Strukturen auflösen zu können. Dies resultiert in Simulationsmodellen mit sehr vielen Freiheitsgraden und großen Rechenzeiten. Für dynamische Untersuchungen der Leiterplatte ist eine Näherung durch eine grobe Elementierung ausreichend, wobei jedoch jedem Element ein orthotropes Material zugewiesen wird, das die Eigenschaften der im Element eingeschlossenen Feinstrukturen möglichst gut annähert. Dies nennt man Materialhomogenisierung.
Ziel dieser Arbeit
Für die Materialhomogenisierung existiert eine Berechnungsvorschrift sowie eine voxelbasierte Implementierung in Python. Um den Materialhomogenisierungsprozess zu beschleunigen, soll in einer Machbarkeitsstudie untersucht werden, wie die Homogenisierung mit Hilfe von künstlichen neuronalen Netzen (KNN) durchgeführt werden kann und welche Geschwindigkeitszuwächse und Genauigkeiten erreicht werden können. Dazu sollen mit dem Materialhomogenisierungsprozess Testdaten zum Training des KNN generiert werden. Für die Implementierung und das Training des KNN soll auf frei zugängliche Python Implementierungen zurückgegriffen werden. Abschließend soll eine Gegenüberstellung der klassischen Materialhomogenisierung mit dem von der KKN generierten Material – in Bezug auf Geschwindigkeit und Genauigkeit – erfolgen.
Gute Programmierkenntnisse in Python erforderlich. Kenntnisse der FEM erwünscht. Tools: Python, ANSA, Meta, Abaqus
Arbeitsumfang
Recherche von vorhandenen und geeigneten KNN-Implementierungen in Python
Modellaufbereitungen von Leiterplatten und Erstellung von Trainingsdaten
Implementierung eines KNN mit freier Python Distribution, Training des KNN
Ergebnisbeurteilung des KNN generierten Materials, Vergleich zum klassischen Berechnungsalgorithmus
Dokumentation
Wir bieten
Aufwandsentschädigung
Umfangreiche Betreuung
Kollegiale Atmosphäre
Zusätzliche Informationen
Die Aufgabenstellung kann als Praktikum in Kombination mit einer Bachelorarbeit oder als Masterarbeit bearbeitet werden.
Beginn: nach Vereinbarung (Dauer ca. 5-6 Monate)
Honorar: Bachelorarbeit: €450 pro Monat / Masterarbeit €700 pro Monat