Vergleich neuronaler Netzarchitekturen zur Vorhersage elektrisch deformierter Polymertropfen
- Aalen School of Applied Photonics, Hochschule Aalen
lucas [dot] fischer [at] studmail [dot] htw-aalen [dot] de
Diese Arbeit untersucht die Vorhersage elektrisch deformierter UV-Polymertropfen mittels Deep Learning. Ein 1D U-Net und ein 1D Transformer rekonstruieren Tropfenkonturen auf Basis experimenteller Prozessparameter. Die Ergebnisse verdeutlichen unterschiedliche Modellierungseigenschaften beider Architekturen und deren Eignung für elektrohydrodynamische Deformationsprozesse.
@inproceedings{fischer2026p4,
author = {Fischer, Lucas and Dehm, Annika and Dohmen, Mike and Heinrich, Andreas},
title = {{Vergleich neuronaler Netzarchitekturen zur Vorhersage elektrisch deformierter Polymertropfen}},
booktitle = {DGaO-Proceedings 2026},
series = {DGaO-Proceedings},
eventtitle = {127. Jahrestagung der DGaO},
eventdate = {2026-05-27/2026-05-29},
venue = {Hamburg},
publisher = {Deutsche Gesellschaft für angewandte Optik e.V.},
year = {2026},
pages = {P4},
langid = {ngerman},
doi = {10.83229/127-p004},
url = {https://dgao-proceedings.de/paper/127-p4}
}
127. Jahrestagung der DGaO · Hamburg · 2026
DOI: 10.83229/127-p004