Modulbeschreibung
Computational Engineering II
Kürzel:
Durchführungszeitraum:
ECTS-Punkte:
Arbeitsaufwand:
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:
Telefon/EMail:
Standort (angeboten):
Fachbereiche:
Vorausgesetzte Module:
Modultyp:
Bemerkungen:
Dieses Modul gliedert sich in die vier Kurse Computational Physics: Einführung in die Modellierung, Optimierung, Messen und Statistik sowie Internet of Things.
ECTS-Punkte pro Kategorie
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Bemerkungen zur Prüfung:
Am Ende des Semesters findet eine abgesetzte Modulschlussprüfung in drei Teilen statt. Die Kurse Computational Physics: Einführung in die Modellierung, Optimierung sowie Messen und Statistik bilden je einen Teil der Modulschlussprüfung.
Während des Semesters:
Der Kurs Internet of Things wird mit einer Prüfung während der Unterrichtsphase bewertet. Im Kurs Computational Physics: Einführung in die Modellierung wird ein Projekt bewertet.
Bewertungsart:
Gewichtung:
Der Kurs Internet of Things wird mit einer Prüfung (Gewicht 16.667%) während der Unterrichtsphase bewertet. Im Kurs Computational Physics: Einführung in die Modellierung wird ein Projekt (Gewicht 12.037%) bewertet.
Am Ende des Semesters findet eine abgesetzte Modulschlussprüfung in drei Teilen statt. Die Kurse Computational Physics: Einführung in die Modellierung (Gewicht 24.074%), Optimierung (Gewicht 19.444%) sowie Messen und Statistik (Gewicht 27.778%) bilden je einen Teil der Modulschlussprüfung.
Bemerkungen:
Teilbewertung:
Kurse in diesem Modul
Computational Physics: Einführung in die Modellierung
Kürzel:
Arbeitsaufwand:
Semester:
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.
Plan und Lerninhalt:
1. Lineare gekoppelte Systeme
- Mechanik des Massenpunkts
- Systeme höherer Ordnung und Reduktion
- Übertragungsfunktion gekoppelter Systeme
2. Matrix-Exponentialkalkül
- Lösung Lineare autonome Systeme
- Inhomogene lineare Systeme
- Matrix-Transferfunktion
3. Stabilität und Regelung
- Stabilität stationärer Lösungen
- Feedback-Regelung
4. Nichtlineare Systeme
- Bilanzgleichungen und Populationsdynamik
- Deterministisches Chaos
- Reaktionskinetik (Chemie)
Ansprechspersonen:
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Während dem Semester wird eine Projektarbeit bewertet. Zusätzlich findet eine abgesetzte Modulschlussprüfung zusammen mit den Kursen Messen und Statistik sowie Optimierung statt.
Lehr- und Lernmethoden:
Unterricht im Klassenverband, Übungen, Selbststudium, Labor
Bibliographie:
Ali Ümit Keskin: Ordinary Differential Equations for Engineers Problems with MATLAB Solutions, Springer (2019)
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und/oder Englisch
Messen und Statistik
Kürzel:
Arbeitsaufwand:
Semester:
Lernziele:
Die Studierenden
- 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.
Plan und Lerninhalt:
- Wahrscheinlichkeitstheorie
- Verteilung diskreter und stetiger Zufallsvariablen
- Erwartungswert, Varianz, Schiefe
- Mehrdimensionale Verteilungen, Kovarianz, Korrelation - Schätzer und statistische Tests
- Intervall- und Punktschätzer
- Erwartungstreue, Konsistenz und Konvergenz
- Bootstrapping
- T-Tests - ANOVA
- Einfaktorielle ANOVA
- Mehrfaktorielle ANOVA - Regression
- Einfache lineare Regression
- Multivariate lineare Regression
- Residuenanalyse
- Modellgüte
- Modellwahl
Ansprechspersonen:
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Es findet eine abgesetzte Modulschlussprüfung zusammen mit den Kursen Computational Physics: Einführung in die Programmierung sowie Optimierung statt.
Lehr- und Lernmethoden:
Unterricht im Klassenverband, Übungen, Selbststudium, Vorträge
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und/oder Englisch
Optimierung
Kürzel:
Arbeitsaufwand:
Semester:
Lernziele:
Die Studierenden
- 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.
Plan und Lerninhalt:
- Nichtlineare Optimierung
- Eindimensionale Optimierung
- Mehrdimensionale Optimierung ohne Nebenbedingung
- Gleichungs- und Ungleichungsnebenbedingungen
- Karush-Kuhn-Tucker Bedingunge - Numerik der Optimierung
- Numerik eindimensionaler Probleme: Newton Algorithmus, Bisektion
- Gauss-Newton und Quasi-Newton Verfahren
- Line Search und SQP - Lineare Programme
- Graphische Lösung 2 dimensionaler Probleme
- Simplex Algorithmus
Ansprechspersonen:
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Es findet eine abgesetzte Modulschlussprüfung zusammen mit den Kursen Computational Physics: Einführung in die Programmierung sowie Messen und Statistik statt.
Lehr- und Lernmethoden:
Lehrgespräch im Klassenverband, Laborübungen, Selbststudium
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und/oder Englisch
Internet of Things
Kürzel:
Arbeitsaufwand:
Semester:
Lernziele:
Die Studierenden
- 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.
Plan und Lerninhalt:
Das Internet der Dinge (engl. Internet of Things, IoT) besteht aus „intelligenten“ Gegenständen, die den Menschen bei seinen Tätigkeiten unterstützen, ohne abzulenken oder aufzufallen. Zu diesen „intelligenten“ Objekten gehören Kühlschränke, Backöfen, Kaffeemaschinen, Briefkästen, Abfalleimer, Strassenlaternen, Regenschirme, Produktionsanlagen, etc.
Dieser Kurs vermittelt die theoretischen Grundlagen des Internets der Dinge. Das Internet der Dinge wird definiert und seine Bestandteile werden erläutert. Dann erfolgt eine Einführung in die Welt der Computerkommunikation, wobei der Fokus auf die entscheidenden IoT- Kommunikationsprotokolle gelegt wird. Praxisnahe Übungen ergänzen die theoretischen Grundlagen zwischendurch.
Ansprechspersonen:
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Während dem Semester wird eine Prüfung bewertet.
Lehr- und Lernmethoden:
Kontaktstudium, begleitetes Selbststudium
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und/oder Englisch