Aufgabenstellung

In mechanischen Prüfungen, wie Zug , Kriech- und Biegekriech- (Cantilever) Versuchen, wird das Verformungsverhalten von Proben unter Last untersucht. Für moderne, bildbasierte Messverfahren unter Verwendung von Speckle Mustern ist die exakte Zuordnung zwischen undeformierten und deformierten Oberflächenpunkten entscheidend. Ziel dieser Masterarbeit ist es, neuronale Netze zu entwickeln und zu evaluieren, die diese Abbildungen (Displacement/Registrierung) lernen und anschließend eine automatisierte Daten- und Bildauswertung ermöglichen. Weiterhin kann ein Benchmarking dieser Vorgehensweise hinsichtlich Genauigkeit und Laufzeit gegen klassische Verfahren (z. B. DIC) vorgenommen werden.

Dazu sind die folgenden Herausforderungen zu adressieren:

  • Analyse von Zug und Kriechversuchen mit Speckle musterbasierter Oberflächenstruktur
  • Aufbereitung vorhandener Bild /Messdaten und Definition eines Ground Truth Setups
  • Entwicklung eines ML Ansatzes zur Verschiebungsfeld Vorhersage (Image to Image/Flow)

  • Evaluierung existierender Konzepte/Repositories als Startpunkt:

    • USL_DIC (GitHub): https://github.com/cxn304/USL_DIC
    • Referenzartikel: https://doi.org/10.1016/j.optlastec.2024.111414
    • CNN basierte Ansätze: https://arxiv.org/ftp/arxiv/papers/2110/2110.13720.pdf
  • Explorativ: Nutzung selbstüberwachter Bildrepräsentationen (z. B. DINO) für robuste Korrespondenzen
  • Optional: „Fingerprint“-Konzept zur robusten Identifikation von Merkmalen

  • Mögliche Evaluation

    • Aufbau Baseline: Klassische DIC/analytische Methoden
    • Metriken: RMSE der Verschiebung, Korrelation gegenüber Ground Truth, Speedup Faktor (Laufzeit), Robustheit bei Rauschen/Beleuchtung

Anforderungsprofil

  • Studium in Technischer Informatik, Informatik, Werkstoffwissenschaften, Physikalischer Ingenieurwissenschaften oder vergleichbar
  • Sehr gute Programmierkenntnisse in einer Skript‑ bzw. Analysesprache (Python, MATLAB); Erfahrung mit typisierten Programmiersprachen (z. B. C++/Java) wünschenswert
  • Grundkenntnisse Software Engineering (z. B. Design Patterns, Tests, Versionsverwaltung) wünschenswert
  • Kenntnisse in digitaler Signal /Bildverarbeitung und Maschinellem Lernen vorteilhaft
  • Interesse an der Unterstützung wissenschaftlicher Projekte; experimentelles Geschick und Erfahrung mit Messtechnik von Vorteil
  • Selbstständigkeit, Teamfähigkeit, gute Deutsch- und Englischkenntnisse

Wir bieten

  • Aktuelle und anwendungsbezogene Einblicke in spannende Themen zur Forschung und Entwicklung, hier vorwiegend in der zerstörungsfreien Prüfung
  • Intensive fachliche Betreuung, kollegiales Arbeitsklima
  • Möglichkeit zur Einbringung eigener Ideen und Erarbeitung kreativer, interdisziplinärer Lösungsstrategien

BAM Fachbereiche

Referat eScience (ausführend & betreuend)

Koordiniert und berät zu Digitalisierung und data driven Science in allen Forschungsbereichen der BAM. Schwerpunkte u. a.:
Kommunikation/Koordination in interdisziplinären Digital Projekten, Data Science & KI/ML, Optimierung und Data Mining, internes Forschungsdatenmanagement, Referenzdaten Strukturen, Unterstützung bei Softwareentwicklung und Prototyping für wissenschaftliche Anwendungen, Begleitung von Vorhaben mit Data Science Bezug.

Fachbereich Metallische Hochtemperaturwerkstoffe (inhaltliche Domäne)

Forschung an Prozess Struktur Eigenschafts Beziehungen neuartiger Hochtemperatur Legierungen. Mechanische Prüfungen unter realitätsnahen Bedingungen (u. a. Zug/Kriech, mehrachsige Ermüdung, thermomechanische Lastpfade) zwischen Raum- und Hochtemperatur (bis zu 1200 °C), Rissfortschritt bei hoher Temperatur, Online Monitoring (Elektropotential, Digitale Bildkorrelation, Thermografie) und mikrostrukturelle Analysen zur Identifikation von Schädigungsmechanismen. Werkstoffspektrum u. a. additiv gefertigte Legierungen, Superlegierungen, Hochentropie Legierungen.

Rahmen & Bewerbung

  • Start: baldmöglichst
  • Dauer: 6 Monate
  • Ort/Hybrid: BAM UE
  • Bewerbung: Lebenslauf, aktueller Notenauszug, Immatrikulationsbescheinigung, kurzer Motivations Pitch (5–7 Sätze), präferierter Starttermin
  • Kontakt: Alexander Kister, VP.1, E Mail: alexander.kister@bam.de

Weiterführende Informationen