Deep Learning in der numerischen Akustik

Institute
Lehrstuhl für Akustik mobiler Systeme
Type
Bachelor's Thesis / Semester Thesis / Master's Thesis / Student Job /
Content
theoretical /  
Description

In der Numerischen Akustik führen die Finiten Elemente (FE) für die Helmholtz-Gleichung zu Dispersionseffekten. Der numerische Fehler wird dadurch immer größer, je mehr Wellen im akustischen Gebiet eingeschlossen sind. Dies ist insbesondere bei hohen Frequenzen der Fall, wodurch die Finite Elemente Methode in diesem Frequenzbereich ihre Relevanz verliert. Einen vielversprechenden Ansatz um die parasitären Dispersionseffekte zu beseitigen, liefern  Algorithmen aus der künstlichen Intelligenz (KI). Die KI wird dabei auf Basis von Simulationsdaten aus dem niederfrequenten Bereich trainiert. Dazu kommen noch sog. Feature Vektoren hinzu, die Informationen und Erkenntnisse aus dem hochfrequenten Bereich beinhalten. Auf Grundlage dieses Trainingsets soll die KI die Simulationsergebnisse im hochfrequenten Bereich hervorsagen.

Ziel dieser Arbeit ist es ein KI-Modell zu entwickeln, welches das Schallfeld im hochfrequenten Bereich berechnen soll. Dazu soll zunächst eine Datenbasis mit dem Open Source FE-Code FEniCS erstellt und die Feature Vektoren bestimmt werden. Dann wird ein geeigneter KI-Algorithmus (Neural Networks, Generative Adversarial Networks, Random Forests, o.ä.) ausgewählt und trainiert. Als Anwendungsbeispiele werden schließlich einfache numerische Modelle und Problemstellungen aus der Industrie (z.B. PKW-Innenraum) analysiert. Da Trainingsprozesse generell sehr rechenaufwändig sind, kann optional noch eine GPU-beschleunigte Implementierung erfolgen.
Die Bearbeitung der Studienarbeit gibt tiefgründige Einblicke in die numerische Akustik und datengetriebene Modelle. Darüber hinaus werden Fachkenntnisse im Bereich KI und Programmierung vermittelt.

Requirements

  - Programmierkenntnisse, idealerweise in Python
  - Erfahrungen in der Finite Elemente Methode
  - Vorkenntnisse in Akustik oder KI sind nicht zwingend erforderlich

Possible start
sofort
Contact
Caglar Gürbüz, M.Sc.
Room: MW1536
Phone: +49 (89) 289-55134
caglar.guerbueztum.de
Announcement