Porträt von Sumanth Reddy Settipalli

Sumanth Reddy Settipalli

Ingenieur für Simulation und Machine Learning

Ich mache Simulationen schneller und günstiger, mit Machine Learning.

Reutlingen, Deutschland · Master Computational Engineering, FAU Erlangen-Nürnberg (08/2026)

Projekte

Kontext
Masterarbeit, FAU Erlangen-Nürnberg
Zeitraum
10/2025 – 02/2026
Feld
Faserverstärkte Verbundwerkstoffe

Inverse Parameteridentifikation an Faser-Matrix-Grenzflächen

Die Parameter der Interphase zwischen Faser und Matrix entscheiden über das Bauteilverhalten, lassen sich messtechnisch aber kaum direkt erfassen. Ich habe ein physikinformiertes neuronales Netz entwickelt, das sie aus den effektiven Kompressions- und Schubmoduli zurückrechnet. Die Mikromechanik der Homogenisierung steckt dabei in der Verlustfunktion selbst.

Vorhersagefehler unter 5 %

Schema der dreischichtigen Interphase zwischen Faser und Matrix
Vorhergesagte gegen referenzierte Grenzflächenparameter.
PyTorch · NumPy · SciPy
Fallstudie lesen Code Masterarbeit
Kontext
Eigenes Projekt, öffentlich auf GitHub
Zeitraum
seit 03/2026
Feld
FEA-Vorverarbeitung

SimReady: von der STEP-Datei zum vernetzungsfähigen Bauteil

Ein Bauteil für die FE-Rechnung vorzubereiten kostet erfahrene Berechnungsingenieure Stunden, und was dabei übersehen wird, fällt erst im Solver auf. SimReady prüft eine STEP-Datei in zwölf Geometrieprüfungen, begründet jeden Befund farbig am 3D-Modell und sagt über ein Graph Neural Network voraus, welche Flächen eine Netzverfeinerung brauchen.

Graph Neural Network, trainiert auf 1.100 Bauteilen

SimReady-Oberfläche mit farbig markierten Befundflächen am 3D-Modell
Zwölf Geometrieprüfungen, jeder Befund am Modell markiert und im Chat begründet.
PyTorch Geometric · pythonocc · LLM-Fine-Tuning · Streamlit
Fallstudie lesen Code
Kontext
Lehrstuhl für Konstruktionstechnik (KTmfk), FAU Erlangen-Nürnberg
Zeitraum
04/2025 – 02/2026
Feld
CAD-Automatisierung, Mehrkörpersimulation

Von der NX-Baugruppe zum simulationsfähigen Simscape-Modell

Der Weg von der NX-Baugruppe ins Simscape-Modell war Handarbeit: Bauteile, Zwangsbedingungen und Gelenke wurden manuell übertragen. Meine Pipeline liest die Baugruppe über die NXOpen API aus, ordnet jede Zwangsbedingung über ein Transformer-Modell dem passenden Gelenk in PTC Creo zu und prüft am Ende die Gelenkpositionen gegen das Original.

Aus Stunden manueller Übertragung werden Minuten

NX-Baugruppe neben dem erzeugten Simscape-Blockdiagramm
Baugruppe und erzeugtes Simscape-Modell. Die Pipeline vergleicht beide Gelenkpositionen automatisch.
TensorFlow · NXOpen API · Siemens NX · PTC Creo · MATLAB Simscape
Fallstudie lesen Code

Hackathons und Engagement: DigiDorf, der DEHN Hackathon, die Gründung von TEA und ein Go-Kart-Wettbewerb stehen auf der Projektseite. Die KI-Automatisierungen haben eine eigene Seite.

Über mich

Ich komme aus dem Maschinenbau. Mein Bachelor in Indien war klassische Konstruktion und Fertigung: Zeichnungen, Bauteile, Prüfstände. Im Master Computational Engineering an der FAU habe ich gelernt, dieselben Fragen numerisch zu stellen: nicht „hält das", sondern „was sagt das Modell, und wie weit traue ich ihm".

Zum Machine Learning bin ich nicht aus Begeisterung für Machine Learning gekommen, sondern aus Ungeduld. In der Simulation ist zu vieles Routine, das trotzdem jemand mit Erfahrung von Hand macht: Geometrie aufräumen, Gelenke übertragen, entscheiden, wo das Netz feiner werden muss. Genau diese Stellen lassen sich lernen, und genau dort arbeite ich am liebsten.

Seit 2022 lebe ich in Deutschland, inzwischen in Reutlingen. Deutsch habe ich neben dem Studium gelernt und arbeite weiter daran. Was ich baue, baue ich meistens, weil mich etwas im Alltag gestört hat. Deshalb steht auf der Projektseite auch Software, die mit Simulation nichts zu tun hat.

Im September 2024 habe ich TEA mitgegründet, eine Studierendeninitiative in Erlangen, die internationale Studierende beim Start in Deutschland begleitet: Ankunft, Behördengänge, erste Wochen. Sechs Personen im Kernteam, bis heute aktiv.

Ich suche eine Festanstellung in Simulation und angewandtem Machine Learning.

In Berechnung, Simulation und Machine Learning für mechanische Anwendungen, in und um Deutschland. Wenn das zu Ihrer Stelle oder Ihrem Projekt passt, schreiben Sie mir gern.