Sphärische Detektorflächen als Unterstützung der Produktentwicklung zur Datenanalyse im Rahmen des Digital Engineering
| dc.contributor.author | Sprügel, Tobias | |
| dc.date.accessioned | 2025-11-20T09:33:43Z | |
| dc.date.available | 2025-11-20T09:33:43Z | |
| dc.date.issued | 2022 | |
| dc.identifier | ONIX_20251120T102856_9783961474769_33 | |
| dc.identifier.uri | https://library.oapen.org/handle/20.500.12657/108245 | |
| dc.language | German | |
| dc.relation.ispartofseries | FAU Studien aus dem Maschinenbau | |
| dc.subject.classification | thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGB Mechanical engineering | |
| dc.subject.classification | thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TB Technology: general issues::TBC Engineering: general | |
| dc.subject.classification | thema EDItEUR::U Computing and Information Technology::UX Applied computing::UXT Computer applications in industry and technology | |
| dc.subject.other | Produktionstechnik | |
| dc.subject.other | Neuronales Netz | |
| dc.subject.other | Maschinenbau | |
| dc.subject.other | Ingenieurwissenschaften | |
| dc.subject.other | Produktentwicklung | |
| dc.subject.other | Maschinelles Lernen | |
| dc.subject.other | Finite-Elemente-Methode | |
| dc.subject.other | Datenanalyse | |
| dc.subject.other | Convolutional Neural Network | |
| dc.title | Sphärische Detektorflächen als Unterstützung der Produktentwicklung zur Datenanalyse im Rahmen des Digital Engineering | |
| dc.type | book | |
| oapen.abstract.otherlanguage | Die Bedeutung von Daten nimmt in allen Lebensbereichen eine immer größere Rolle ein. Diese Entwicklung kann ebenso in der Produktentwicklung und Produktentstehung beobachtet werden. Die Verknüpfung der virtuellen Produktentwicklung mit der durchgängigen und ganzheitlichen Datennutzung wird als «Digital Engineering» bezeichnet. Die Umsetzung des Digital Engineering geht mit einem starken Wandel und einer Veränderung der bisherigen Rollen der beteiligten Personen und der verwendeten Werkzeuge einher. Dabei gilt es, möglichst alle zur Verfügung stehenden Daten zu nutzen und diese Daten mittels Algorithmen des Maschinellen Lernens zu verarbeiten. In der Produktentstehung existieren zahlreiche Geometriedaten (z.B. CAD Modelle oder Messdaten) oder mit einer Geometrie verknüpfte Daten (z.B. numerische Simulationen und deren Ergebnisse). Im Rahmen der vorliegenden Dissertation wurde die Methode der sphärischen Detektorflächen entwickelt, welche es ermöglicht, beliebige Geometrien in eine einheitliche numerische Matrix zu überführen. Die entwickelte Methode kann ebenfalls genutzt werden, um Informationen, die mit der Geometrie verknüpft sind, in weitere dieser einheitlichen Matrizen umzuwandeln und so Algorithmen des Maschinellen Lernens zur Verfügung zu stellen. Das entwickelte Vorgehen wird anhand von drei unterschiedlichen Anwendungsbeispielen umgesetzt und es werden alle notwendigen Teilschritte detailliert beschrieben. Dies umfasst auch die Ableitung der sogenannten «DNA einer FE-Simulation». | |
| oapen.identifier.doi | 10.25593/978-3-96147-476-9 | |
| oapen.relation.isPublishedBy | 54ed6011-10c9-4a00-b733-ea92cea25e2d | |
| oapen.relation.isbn | 9783961474769 | |
| oapen.relation.isbn | 9783961474752 | |
| oapen.series.number | 379 | |
| oapen.pages | 213 | |
| oapen.place.publication | Erlangen |
