Vergleich neuronaler Netzarchitekturen zur Vorhersage elektrisch deformierter Polymertropfen

Flüssige UV-Polymertropfen lassen sich elektrisch verformen, wodurch mikrooptische Bauteile additiv gefertigt werden können. Die resultierende Tropfengeometrie wird durch ein nichtlineares Zusammenspiel von angelegter Spannung, Elektrodengeometrie und der Materialeigenschaften des Polymers bestimmt, wodurch klassische Modellierungsansätze nur eingeschränkt einsetzbar sind. Deep-Learning-Methoden eröffnen hier eine datengetriebene Möglichkeit, diese komplexe Dynamik abzubilden. In dieser Arbeit wird die Vorhersage von elektrisch deformierten Tropfenprofilen mit zwei komplementären neuronalen Netzwerkarchitekturen verglichen: einem 1D U-Net sowie einem Global Shape Transformer. Beider Modelle werden diskret vorgegebene elektrische und geometrische Randbedingungen bereitgestellt, um die räumlich aufgelöste Oberflächengeometrie des Polymertropfens vorherzusagen. Während das 1D U-Net primär lokale geometrische Strukturen verarbeitet, adressiert der Global Shape Transformer formweite Zusammenhänge auf Basis der gegebenen Eingangsgrößen. Die Leistungsfähigkeit der beiden Ansätze wird anhand experimenteller Messdaten quantitativ bewertet. Der Vergleich liefert Einblicke in die Eignung unterschiedlicher Deep-Learning-Architekturen zur Modellierung elektrisch induzierter Deformationsprozesse und ermöglicht eine strukturierte Gegenüberstellung lokaler und globaler geometrischer Modellierungsaspekte. Damit bildet die Arbeit eine fundierte Grundlage für weiterführende datengetriebene und physikalisch informierte Lernansätze in der Mikrooptik. 96