Modulbeschreibung

Computational Engineering II

Kürzel:
M_CoE_II
Durchführungszeitraum:
FS/25
ECTS-Punkte:
12
Arbeitsaufwand:
360
Lernziele:

Die Studierenden

  • können mechanische Systeme eines Massenpunktes als ODE modellieren.
  • können ODEs höherer Ordnung auf ein System erster Ordnung reduzieren.
  • können die Phasenraum- und Zustandsraumdarstellung linearer Systeme aufstellen.
  • können den Matrix-Exponential-Kalkül zur Lösung linearer, autonomer Systeme anwenden und deren Stabilität bestimmen.
  • kennen die Grundkonzepte der Feedback-Regelung von linearen Systemen
  • können nichtlineare Bilanzgleichungen und Gleichungen der Populationsdynamik aufstellen und lösen.
  • können ODEs anhand chemischer Reaktionsgleichungen aufstellen.
  • können ODEs zur Modellierung realer Systeme verwenden.
  • können ODE Modelle mittels Experimenten verifizieren.

 

  • können Zufallsexperimente mithilfe von Zufallsvariablen und deren Verteilungen beschreiben.
  • können Erwartungswert und Varianz von Zufallsvariablen berechnen.
  • kennen die Bedeutung des zentralen Grenzwertsatzes.
  • können die Kovarianz und Korrelation von multivariaten Zufallsvariablen berechnen.
  • können Punkt- und Intervallschätzer für die wichtigsten statistischen Parameter berechnen.
  • können das Konzept des Bootstrapping zur Bewertung von Schätzern anwenden.
  • können für eine gegebene Fragestellung den richtigen statistischen Test auswählen und ausführen.
  • können einen einfaktorielle und mehrfaktorielle ANOVA durchführen und interpretieren.
  • können eine lineare Regressionsgleichung aufstellen und die Parameter berechnen.
  • können die Güte eines Regressionsmodells bewerten.
  • können aus verschiedenen linearen Regressionsmodellen das beste auswählen.

 

  • können Optimierungsprobleme korrekt klassifizieren und die entsprechenden Lösungsmethoden wählen.
  • können ein- und mehrdimensionale nichtrestringierte glatte Optimierungsprobleme lösen.
  • kennen die KKT Bedingung und können diese für restringierte Optimierungsprobleme aufstellen.
  • kennen die grundlegenden numerischen Verfahren zur Lösung von restringierten und nichtrestringierten Optimierungsproblemen.
  • können lineare Optimierungsprobleme in zwei Dimensionen graphisch lösen.
  • können lineare Optimierungsprobleme mit dem Simplex Algorithmus lösen.
  • kennen den Unterschied zwischen diskreter und kontinuierlicher Optimierung.

 

  • kennen die theoretischen Grundlagen des Internets der Dinge. 
  • kennen wichtige IoT-Kommunikationsprotokolle, IoT-Plattformen und Interaktionsmuster. 
  • wissen, wie die intelligenten Dinge des IoT aufgebaut sind und wie sie sicher via Internet kommunizieren.
  • können einfache intelligente Gegenstände für das Internet der Dinge entwerfen und entwickeln.
Verantwortliche Person:
Prof. Dr. Würsch Christoph
Telefon/EMail:
+41 58 257 3452
/ christoph.wuersch@ost.ch
Standort (angeboten):
Buchs
Fachbereiche:
Mathematik, Physik, Informatik
Vorausgesetzte Module:
Modultyp:
Standard-Modul für Systemtechnik BB STD_05(Empfohlenes Semester: 6)
Standard-Modul für Systemtechnik VZ STD_05(Empfohlenes Semester: 4)
Bemerkungen:

Dieses Modul gliedert sich in die vier Kurse Computational Physics: Einführung in die Modellierung, Optimierung, Messen und Statistik sowie Internet of Things.

Kurse in diesem Modul