Bachelor-/Masterarbeit: Materialhomogenisierung bei Leiterplatten mit künstlichen neuronalen Netzen

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
Kontakt
Für Fragen zum Bewerbungsprozess:
Jessica Pfaffeneder
Telefon: +43 7435 501 3711
Email: [email protected]
Für Fragen zum Themenbereich:
Dr. Walter Hinterberger
Telefon: +43 7435 501 2316
E-Mail: [email protected]
Awareness, Unity, Empowerment:
At Magna, we believe that a diverse workforce is critical to our success. That's why we are proud to be an equal opportunity employer. We hire on the basis of experience and qualifications, and in consideration of job requirements, regardless of, in particular, color, ancestry, religion, gender, origin, sexual orientation, age, citizenship, marital status, disability or gender identity. Magna takes the privacy of your personal information seriously. We discourage you from sending applications via email or traditional mail to comply with GDPR requirements and your local Data Privacy Law.
Notice regarding the use of AI:
As part of our commitment to a fair, consistent, and efficient recruitment process, we may use artificial intelligence (AI) tools to assist in the initial screening of applications submitted through our Workday system.
These tools help identify qualifications and experience that align with the role requirements. Please note that AI is used solely to support our recruiters. Final decisions are always made by the hiring manager and the hiring team.
Importantly, no applicant data is shared externally through these AI tools. All information remains securely within our systems and is handled in accordance with our privacy and data protection policies.
If you have any questions or concerns about this process, feel free to contact our Talent Attraction team.
Worker Type:
Student / Co-Op
Group:
Magna Powertrain