Modulbeschreibung
Computational Engineering IV
Kurzzeichen:
Unterrichtssprache:
ECTS-Credits:
Arbeitsaufwand (h):
Leitidee:
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.
Modulverantwortung:
Lehrpersonen:
Standort (angeboten):
Vorausgesetzte Module:
Modultyp:
Bemerkungen:
Dieses Modul gliedert sich in die vier Kurse „Computational Physics: Strukturmechanik und Strömung“, „Machine Learning“, „Praktikum Machine Learning“ und „Digital Product Design“.
Modulbewertung:
Leistungsnachweise und deren Gewichtung
Modulschlussprüfung:
Bemerkungen zur Prüfung:
Am Ende des Semesters findet eine abgesetzte Modulschlussprüfung in einem Teil statt. Der Kurs Machine Learning bildet den Teil der Modulschlussprüfung.
Während der Unterrichtsphase:
Während des Semesters werden im Kurs Computational Physics: Strukturmechanik und Strömung zwei Projekte bewertet. In den Kursen Digital Product Design sowie Praktikum Machine Learning wird ein Projekt bewertet. Im Kurs Digital Product Design erfolgt eine Gruppenpräsentation am Ende des Semesters.
Bewertungsart:
Gewichtung:
Während des Semesters werden im Kursen Computational Physics: Strukturmechanik und Strömung zwei Projekte (Gewicht 21.666%) bewertet. In den Kursen Digital Product Design (Gewicht 11.667%) sowie Praktikum Machine Learning (Gewicht 10%) wird ein Projekt bewertet. Im Kurs Digital Product Design erfolgt eine Gruppenpräsentation (Gewicht 5%) am Ende des Semesters.
Am Ende des Semesters findet eine abgesetzte Modulschlussprüfung in einem Teil statt. Der Kurs Machine Learning (Gewicht 30%) bildet den Teil der Modulschlussprüfung.
Bemerkungen:
Inhalte
Angestrebte Lernergebnisse (Abschlusskompetenzen):
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 Werkzeug 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.
Modul- und Lerninhalt:
Strukturmechanik
- Mechanische Spannungen
- Tensorkalkül
- Hydrostatischer und deviatorischer Anteil
- Mohr`scher Spannungskreis
- Bewegungsgleichungen und Gleichgewicht
- Deformationen und Dehnungen: Hooke‘sches Gesetz
- Cauchy-Navier Gleichungen
- Ebene Spannungszustände
Strömungsmechanik
- Materielle Ableitung
- Navier-Stokes Gleichung
- Kopplung Wärme und Strömung
Multi-Physics Tool
- Einführung in toolbasiertes Lösung der Grundgleichungen
- Vernetzung
- Randbedingungen
- Konvergenz
Lehr- und Lernmethoden:
Unterricht im Klassenverband, Übungen, Selbststudium, Labor
Lehrmittel/-materialien:
Sebastian Raschka , Yuxi (Hayden) Liu , Vahid Mirjalili: Machine Learning with PyTorch and Scikit-Learn, packt publishing (2022)
Bemerkungen:
Unterrichtssprache Deutsch und teilweise englischsprachige Literatur.