Modulbeschreibung

Computational Engineering IV

Kürzel:
M_CoE_IV
Durchführungszeitraum:
FS/23
ECTS-Punkte:
10
Arbeitsaufwand:
360
Lernziele:

Die Studierenden

  • können den Spannungstensor zur Modellierung mechanischer Spannungen verwenden.
  • können den Zusammenhang zwischen einfachen Spannungszuständen und dem Spannungstensor herstellen.
  • kennen das Hooke’sche Gesetz als Zusammenhang zwischen Dehnungen und Spannungen.
  • können die Cauchy-Navier Gleichungen aus Gleichgewichts- und Randbedingungen ableiten.
  • können praktische Messungen von mechanischen Zuständen mit Simulationsergebnissen abgleichen.
  • kennen die materielle Ableitung als Wekrzeug zur Modellierung von fluiddynamischen Systemen.
  • wissen, wie Strömungsprobleme mit der Navier-Stokes Gleichung modelliert werden können.
  • können die Navier-Stokes Gleichungen mit Software Tools numerisch lösen.
  • können Wärmeleitungs- und Strömungsprobleme gekoppelt modellieren.
  • können praktische Messungen von Strömungsphänomenen mit Simulationsergebnissen vergleichen.

 

  • kennen die grundsätzlichen Arten des Machine Learnings, insbesondere supervised learning, unsupervised learning, semi-supervised learning und reinforcement learning.
  • kennen die Bedeutung der Datenvorverarbeitung und können Transformationen zur Vorverarbeitung auswählen und anwenden.
  • kennen das Problem des Overfittings und den Unterschied zwischen Training eines Modelles und Tuning der Hyperparameter.
  • können mittels Kreuzvalidierung die Qualität eines Modelles auf dem Trainingsdatensatz evaluieren.
  • können Klassifikations- und Regressionsprobleme modellieren, geeignete Methoden auswählen und lösen.
  • können die Methode der Hauptkomponentenanalyse zur Dimensionsreduktion anwenden.
  • können geeignete Clustering-Verfahren für praktische Problemstellungen auswählen und anwenden.
  • kennen das Grundprinzip der künstlichen neuronalen Netze und können einfache Netzarchitekturen trainieren. 
  • können praktische Probleme mit geeigneten Software-Paketen lösen.
  • kennen die notwendigen Schritte eines End-2-End Machine Learning Projektes.
  • können ein End-2-End Machine Learning Projekt selbständig durchführen und dokumentieren.

 

  • kennen das Mindset des Service Designs.
  • kennen die Begriffe Design Thinking, User-centered Design und Co-Creation.
  • können mit geeigneten Methoden aus einer Ausgangsfragestellung eine konkrete Gestaltungsherausforderung ableiten.
  • können Ideation Methoden zur Lösung von Problemstellungen auswählen und durchführen.
  • kennen verschiedene Prototyping Methoden.
  • können funktionale Prototypen im Zusammenhang mit Algorithmen erstellen.
  • können ein reale Use-Cases bis zu einem MVP umsetzen.
  • können einen Implementierungsplan erstellen und Design Iterationen planen und durchführen.
Verantwortliche Person:
Prof. Dr. Frick Klaus
Telefon/EMail:
+41 58 257 3404
/ ?@?.tld
Standort (angeboten):
Buchs, Waldau St.Gallen
Fachbereiche:
Mathematik, Physik, Informatik
Vorausgesetzte Module:
Modultyp:
Standard-Modul für Systemtechnik BB STD_05(Empfohlenes Semester: 8)
Fach-Pflichtmodul für Computational Engineering STD_05 (PF)
Standard-Modul für Systemtechnik VZ STD_05(Keine Semesterempfehlung)
Fach-Pflichtmodul für Computational Engineering STD_05 (PF)
Bemerkungen:

Dieses Modul gliedert sich in die vier Kurse „Computational Physics: Strukturmechanik und Strömung“, „Machine Learning“, „Praktikum Machine Learning“ und „Digital Product Design“.

Kurse in diesem Modul