Blätter-Navigation

Offre 18 sur 226 du 24/03/2023, 15:06

logo

Fraun­ho­fer-Insti­tut für Kera­mi­sche Tech­no­lo­gien und Sys­teme IKTS

Das Fraun­ho­fer IKTS betreibt anwen­dungs­ori­en­tierte For­schung für Hoch­leis­tungs­ke­ra­mik. Die drei Stand­orte in Dres­den und Herms­dorf (Thü­rin­gen) for­men das größte Kera­mik­for­schungs­in­sti­tut Euro­pas. Als For­schungs- und Tech­no­lo­gie­dienst­leis­ter ent­wi­ckeln wir moderne kera­mi­sche Hoch­leis­tungs­werk­stoffe, indus­trie­re­le­vante Her­stel­lungs­ver­fah­ren sowie pro­to­ty­pi­sche Bau­teile und Sys­teme in voll­stän­di­gen Fer­ti­gungs­li­nien bis in den Pilot­maß­stab. Dar­über hin­aus umfasst das Port­fo­lio die Kom­pe­ten­zen Werk­stoff­dia­gnose und -prü­fung.

Bache­lor-/Mas­ter-/Diplom-/Bele­g­ar­beit im Bereich „Ker­a­mo­gra­phie und Pha­sen­ana­lyse"

Aufgabenbeschreibung:

Die Arbeits­gruppe „Ker­a­mo­gra­phie und Pha­sen­ana­lyse" hat ein umfang­rei­ches Know-how zur schä­di­gungs­ar­men Prä­pa­ra­tion von Werk­stof­fen und ihrer hoch­auf­lö­sen­den Ana­lyse von Mikro­struk­tu­ren erar­bei­tet. In Zusam­men­ar­beit mit ande­ren Arbeits­grup­pen und Kun­den erfolgt die stän­dige Wei­ter­ent­wick­lung die­ser Metho­den. Das Spek­trum der bear­bei­te­ten Auf­ga­ben und Werk­stoffe reicht von der Cha­rak­te­ri­sie­rung von Nano­struk­tu­ren (Schich­ten und nano­struk­tu­rierte Werk­stoffe) bis zu kon­ven­tio­nel­len Kera­mi­ken, von extrem wei­chen Werk­stof­fen (h-BN, Metall­kom­po­site) über mul­ti­funk­tio­nelle Schicht­sys­teme bis zu super­har­ten Werk­stof­fen auf Basis von Dia­mant und Bori­den.

Die Qua­li­tät kera­mi­scher Werk­stoffe und deren Eigen­schaf­ten hän­gen stark von den Gefü­gen bzw. deren Mikro­struk­tur ab. Daher ist die genaue Quan­ti­fi­zie­rung bestimm­ter Gefü­ge­kenn­werte, wie Pha­sen­ge­halte oder Korn­grö­ßen von ent­schei­den­der Bedeu­tung. Für die quan­ti­ta­tive Ana­lyse der Korn­größe ist es not­wen­dig, Korn­gren­zen zuver­läs­sig von Kör­nern zu unter­schei­den. Klas­si­sche Metho­den der Bild­ver­ar­bei­tung erfor­dern teils auf­wen­dige manu­elle Ein­stel­lun­gen und Kor­rek­tu­ren. Zudem kom­men diese bei gewis­sen Gefü­gen an ihre Gren­zen. Sub­jek­tive Ein­schät­zun­gen beein­flus­sen an vie­len Stel­len die zu mes­sen­den Werte. Neben klas­si­schen Metho­den der Bild­ver­ar­bei­tung kom­men daher auch zuneh­mend moderne Deep-Lear­ning-basierte Ansätze der Com­pu­ter Vision zur Anwen­dung, die einen höhe­ren Auto­ma­ti­sie­rungs­grad bei redu­zier­tem sub­jek­ti­vem Ein­fluss auf die Ergeb­nisse ver­spre­chen. Kon­kret wer­den Con­vo­lu­tio­nal Neural Net­works (CNN) für die Bild­seg­men­tie­rung genutzt.

Am Fraun­ho­fer IKTS wur­den bereits Vor­ar­bei­ten zu die­sem Thema durch­ge­führt. Dafür wurde für ein ein­pha­si­ges kera­mi­sches Bei­spiel­ge­füge ein gela­bel­ter Daten­satz erstellt und ein Work­flow für das Trai­ning von Seg­men­tie­rungs­mo­del­len ent­wi­ckelt. Dem Work­flow fol­gend wur­den meh­rere Model­va­ri­an­ten trai­niert und eva­lu­iert. Einen Schwer­punkt der bis­he­ri­gen Tätig­kei­ten bil­det die Ent­wick­lung von Ver­lust­funk­tio­nen, mit denen die phy­si­ka­li­schen Spe­zi­fika von Korn­gren­zen abge­bil­det wer­den kön­nen.

Im Rah­men einer stu­den­ti­schen Arbeit sol­len nun wei­tere Unter­su­chun­gen durch­ge­führt wer­den. Dazu zäh­len bei­spiels­weise:

o Die Über­tra­gung des Work­flows auf mehr­pha­sige kera­mi­sche Gefüge
o Die Unter­su­chung der Mög­lich­kei­ten des Trans­fer­ler­nens zwi­schen ver­schie­de­nen Gefü­gen
o Die quan­ti­ta­tive Unter­su­chung des Ein­flus­ses der Anzahl an Trai­nings­da­ten auf die Model­per­for­mance

Dabei kann auf fol­gende Vor­ar­bei­ten/Infra­struk­tur zurück­ge­grif­fen wer­den:

o Umfang­reich kom­men­tierte Code­ba­sis in Python unter Nut­zung von Ten­sor­Flow 2.x
o Gra­fik­ta­blett zur erleich­ter­ten Ers­tel­lung von Labeln
o Gela­bel­ter Daten­satz für eine bei­spiel­hafte Kera­mik

Erwartete Qualifikationen:

o Ein Stu­dium im Bereich Maschi­nen­bau, Werk­stoff­wis­sen­schaft, Mathe­ma­tik, Infor­ma­tik, Phy­sik oder Ver­gleich­ba­res
o Vor­kennt­nisse im Bereich Com­pu­ter Vision (spe­zi­elle Vor­kennt­nisse der Bild­seg­men­tie­rung sind nicht zwin­gend erfor­der­lich)
o Fort­ge­schrit­tene Pro­gram­mier­kennt­nisse in Python
o Erfah­rung im Umgang mit Deep-Lear­ning- sowie Com­pu­ter-Vision-Biblio­the­ken (bevor­zugt Ten­sor­Flow 2.x, Keras und OpenCV)
o Ein hohes Maß an Selbst­stän­dig­keit
o Idea­ler­weise erste Erfah­rung im Bereich des auto­ma­ti­sier­ten Hyper­pa­ra­me­ter­tu­nings

Unser Angebot:

Wir bie­ten die Gele­gen­heit, in einem Team jun­ger For­scher an aktu­el­len wis­sen­schaft­li­chen Fra­ge­stel­lun­gen mit­zu­ar­bei­ten und unter­stüt­zen Sie beim Aus­bau Ihrer theo­re­ti­schen und prak­ti­schen Fähig­kei­ten.

Hinweise zur Bewerbung:

Haben wir Ihr Inter­esse geweckt? Dann bewer­ben Sie sich noch heute über den But­ton "Bewer­ben".

Passt die Stelle nicht zu Ihrem Pro­fil? Fin­den Sie wei­tere span­nende Stel­len­an­ge­bote auf unse­rer Kar­rie­re­seite https://www.ikts.fraunhofer.de/de/karriere.html.