Ing. Aravindh Kulandaivel

Thema: Verwendung von Machine Learning Algorithmen in Verbindung mit FEM Simulationen für die Optimierung von Aggregatelagergeometrien in Automobilbau • Hauptziel: FEM durch ein trainiertes ML-Modell ersetzen • Analyse der FEM-Daten und Vorbereitung der Trainingsdaten • Training von verschiedenen Machine Learning Algorithmen • Optimierung von Motorlager unter Verwendung des trainierten ML-Modell • Erstellung einer GUI mit 3D-Darstellung der Motorlager

• Machine Learning und FEM Simulationen • Programmierung von Abaqus-Berechnungsmodellen in Python • Erzeugung von Trainingsdaten für die Verwendeten Berechnungsmodelle

• Simulationsgestützte Bewertung der Bauteileigenschaften beim partiellen Presshärten mit unterbrochenem Werkzeugkontakt. • Datenanalyse und Datenvisualisierung zum besseren Verständnis der Simulationsergebnisse

• Erfassung von Flugzeugleistungsdaten aus der verfügbaren Datenbank • Anwendung verschiedener Machine Learning Algorithmen zur Vorhersage des Luftwiderstandsbeiwerts und des Auftriebsbeiwerts (z.B. Multi-Linear Regression, Polynomial Regression)

Entwicklung eines Frameworks für die Optimierung der Form von Multi-Elementen Tragflächenprofile. Das Frameworks besteht aus dem Geometrie-Generator, dem Netz-Degenerator/Verformer, dem CFD-Solver und dem Optimierer.

• Erfassung von Windkraftanlagenbezogenen Daten aus verfügbaren Quellen • Datenanalyse • Datenvisualisierung

Computational Fluid Dynamics, Optimierung, Finite-Elemente-Methoden, Aerodynamik

Computational Fluid Dynamics, Aerodynamik