Modulbeschreibung

Leitidee: Das Modul "Modeling and Simulation" (MOSIM) zielt darauf ab, Studierenden ein Verständnis von (u.a. simulierbaren) Modellen und Modellierungsprozessen zu vermitteln. Aufbauend auf mathematischen und programmiertechnischen Grundlagen werden die Studierenden befähigt, mithilfe geeigneter Modelle, anwendungsbezogene Fragestellungen qualitativ u./o. quantiativ zu untersuchen und geeignete Lösungsvorschläge abzuleiten.
 
Ausbildungsziel: Ziel des Moduls ist es, Studierende in die Lage zu versetzen, reale Systeme (im unternehmerischen Kontext) durch geeignete Modelle zu beschreiben und diese im gegebenen Kontext sinnstiftend anzuwenden. Dies umfasst die Wahl einer (zur Fragestellung passenden) Modellierungs-Methode, die Anwendung eines zielgerichteten Modellierungsprozesses (= Modellierungskreislauf inkl. Modell-Validierung) sowie die Erarbeitung von (zur Fragestellung passenden) Lösungsvorschlägen. 

Vision: Studierende werden zu kompetenten "Modellierern / Modelliererinnen" ausgebelidet, die sowohl die theoretischen als auch die praktischen Aspekte des Modellierens beherrschen und in der Lage sind, diese Fähigkeiten in verschiedenen beruflichen Kontexten anzuwenden. Die Studierenden haben ein Bewusstsein dafür, was Modelle leisten können / sollen - und was nicht. Dadurch sind sie in der Lage, die iterative Natur eines Modellierungsprozess anzuerkennen und den eigenen Modellierungsprozess stets kritisch zu hinterfragen. 

• Musterstudienplan Wirtschaftsingenieurwesen TZ – Semester 4
• Musterstudienplan Wirtschaftsingenieurwesen VZ – Semester 2

40% Projektarbeit

60% schriftliche Prüfung während der Prüfungssession

Schriftliche Prüfung:

60 Minuten, Gewichtung 60%

Erlaubte Hilfsmittel:

• Zusammenfassung auf 2 A4 Blätter, beidseitig beschrieben (= 4 Seiten)
• Taschenrechner (keine kommunikationsfähigen Geräte)

Projektarbeit:

Gewichtung 40%

Fachkompetenzen

Die Teilnehmenden können:

• Modellannahmen herleiten, fachlich begründen und überprüfen 
• Modellparameter identifizieren und quantifizieren 
• Simulationsszenarien erstellen und auswerten 
• Ergebnisse fachllich korrekt interpretieren 
• Modellierungsfehler erkennen und korrigieren 
• Systemverhalten und Variation von Parametern analysieren 

Methodenkompetenzen

• Problemverständnis & -definition 
• Festlegung von Systemgrenzen, Zerlegung komplexer Systeme in Teilprobleme und Abstraktion von Teilproblemen für die Modellierung.
• Auswahl geeigneter Modellierungsparadigmen
• Strukturierung und Analyse von Daten
• Darstellung von Ergebnissen
• Kritische Reflexion des eigenen Modellierungsprozesses und erzeugter Resultate inkl. Dokumentation von Simulationsprojekten
  
  

Selbstkompetenzen

Die Teilnehmenden können:

• Eigenverantwortlich an Modellierungsaufgaben arbeiten (zielorientiert und strukturiert arbeiten unter Berücksichtigung des Zeitmanagements)
• Modellparadigmen gezielt einsetzen
• Mit Unsicherheit und unvollständiger Information umgehen
• Feedback konstruktiv annehmen und integrieren
• Selbstreflexion bei der Modellvalidierung einsetzen, Fehler analysieren und daraus lernen

Sozialkompetenzen 

Die Teilnehmenden können im Rahmen der Projektarbeit: 

• Modellierungsaufgaben im Team lösen 
• Fachliche Diskussionen über Modelle und Ergebnisse führen 
• Gemeinsame Entscheidungen über Modellierungsstrategien treffen
• Kritik konstruktiv äußern und annehmen
• Arbeitsergebnisse klar und kooperativ präsentieren
• Konflikte bei unterschiedlichen Modellansätzen lösen

Teil1 - Einführung und zentrale Wissensstrukturen: 

• System, Experiment, Modell, Simulation
• Modellandschaft
• Modellierungskreislauf (Problem-Verständnis & -definition / System- & Modellgrenzen / Modellierung (Absraktion + Datenformat) / Verifikation & Validierung / Simulation & Anwendung des Modells (Szenarien-Analyse) / Darlegung von Erkenntnissen)
• Modell-Verifikation & Modell-Validierung
• Modellwahl und Anwendungen des Modellierungskreislaufs

Teil2 - Anwendung der Wissensstruktur in verschiedenen Modellierungs-Kontexten:

1. Mathematische Modelle -> (OPTIM) 
2. Datenbasierte/stastistische Modelle -> Data Science  & Machine Learning (MACHL)
3. Simulationsmodelle 
      - Monte Carlo Simulation (PCALC)
      - Diskrete Ereignissimulation (inkl. Projektarbeit - vgl. Teil3)
      - AgentBasedSimulation 
      - Systemdynamik (SDYNA)

Teil3 - Projektarbeit (Fallstudie "Apfelsaft GmbH")
Erstellung und vertiefte Anwendung einer diskreten Ereignissimulation mit Python. 

Pflichtliteratur wie Skript, Bücher

• Folienskript
• Zusammengestellte Unterlagen

Weiterführende Literatur (Empfehlung an Studierende) 

• Hedtstück, U. (2013). Simulation diskreter Prozesse: Methoden und Anwendungen; Springer. ISBN 978-3-642-34871-6
• Duda, R., Hart, P., Stork, E. (2000). Pattern Classification; Wiley & Sons. ISBN 978-0-471-05669-0