Die Anwendung von Künstlicher Intelligenz zur Vorhersage von Fließpressprozessen hat gezeigt, dass sich Simulationsergebnisse präzise vorhersagen lassen und somit zeitaufwändige Simulationen reduziert werden können. Eine aktuelle Herausforderung besteht jedoch darin, entwickelte Modelle effizient auf neue Prozesse und Datensätze zu übertragen, ohne jedes Mal erneut eine umfangreiche Datenbasis aufbauen zu müssen.

Im Rahmen dieser Arbeit soll untersucht werden, wie Transfer Learning für Fließpressprozesse eingesetzt werden kann. Ziel ist es, bestehende Modelle so weiterzuentwickeln, dass sie auf neue Prozesse und Produkte übertragbar sind und dennoch eine hohe Prognosegenauigkeit erreichen. Damit soll insbesondere die Anwendbarkeit für Unternehmen verbessert werden, die regelmäßig neue Produkte einführen und dabei auf bestehenden Erkenntnissen aufbauen möchten.

Die Arbeitspakete und die individuelle Anpassung der Aufgabenstellung werden in einem persönlichen Gespräch festgelegt. Auf persönliche Interessen und Vorerfahrungen des Bewerbenden wird gerne eingegangen.

Forschungsmethode

Experimentell, theoretisch, numerisch