Wir freuen uns sehr über die Zusammenarbeit mit den Studenten und wir möchten euch kurz vorstellen, in welchen Themengebieten wir uns besonders über eure Unterstützung freuen würden. Kommt gerne mit euren Ideen und Vorstellungen vorbei und wir suchen gemeinsam nach Möglichkeiten, wie ihr eure Abschlussarbeiten, Seminararbeiten, Forschungs- und Projektmodule bei uns erledigen könnt. Für Fragen stehen wir euch jederzeit zur Verfügung.
Comparison of Data Generation Methods for training of Balanced Neural ODEs
Die Energiewende stellt uns vor die Herausforderung, Energie effizient zu nutzen und flexibel auf die schwankende Erzeugung aus erneuerbaren Quellen zu reagieren. Hochaufgelöste Simulationen physikalischer Systeme (z. B. CFD) sind für die Optimierung dieser Prozesse unverzichtbar – aber oft zu rechenintensiv für den praktischen Einsatz in iterativen Optimierungen. Die Lösung: Model Order Reduction – vereinfachte Ersatzmodelle, die schnell und zuverlässig einsetzbar sind.
Hier setzt das spannende Feld des Scientific Machine Learning an: Statt mühsamer manueller Vereinfachungen ermöglichen Methoden wie Variational Autoencoder (VAE) kombiniert mit Neural Ordinary Differential Equations (Neural ODEs) die automatisierte Ableitung dynamischer Ersatzmodelle. In diesem Projekt untersuchst du das Training solcher Modelle – speziell sogenannter Balanced Neural ODEs, die vielseitig einsetzbar sind, z. B. bei Wärmepumpen oder Kraftwerken.
In dieser Arbeit wirst du dich mit einem Vergleich verschiedener Sampling Verfahren auseinandersetzen. Es geht darum herauszufinden, welche Stellgrößen-Signale(control inputs) sich am besten eignen, das Wärmepumpenmodell abzutasten. Dazu wirst du verschiedene Verfahren implementieren, Experimente durchführen und auswerten.
Wenn du neugierig auf moderne Modellierung, Machine Learning und echte Anwendungsrelevanz bist, ist das dein Projekt! Komm gerne auf mich zu, um mehr zu erfahren.
Iterative Data Generation for training of Balanced Neural ODEs
Die Energiewende stellt uns vor die Herausforderung, Energie effizient zu nutzen und flexibel auf die schwankende Erzeugung aus erneuerbaren Quellen zu reagieren. Hochaufgelöste Simulationen physikalischer Systeme (z. B. CFD) sind für die Optimierung dieser Prozesse unverzichtbar – aber oft zu rechenintensiv für den praktischen Einsatz in iterativen Optimierungen. Die Lösung: Model Order Reduction – vereinfachte Ersatzmodelle, die schnell und zuverlässig einsetzbar sind.
Hier setzt das spannende Feld des Scientific Machine Learning an: Statt mühsamer manueller Vereinfachungen ermöglichen Methoden wie Variational Autoencoder (VAE) kombiniert mit Neural Ordinary Differential Equations (Neural ODEs) die automatisierte Ableitung dynamischer Ersatzmodelle. In diesem Projekt untersuchst du das Training solcher Modelle – speziell sogenannter Balanced Neural ODEs, die vielseitig einsetzbar sind, z. B. bei Wärmepumpen oder Kraftwerken.
Ziel dieser Arbeit ist es, eine Ansatz zu iterativen Trainingsdatenerzeugung der Ersatzmodelle zu erzeugen. Spezifisch soll speziell an Stellen, an denen das Ersatzmodell schlecht performet, gezielt zusätzliche Daten erzeugt werden.
Wenn du neugierig auf moderne Modellierung, Machine Learning und echte Anwendungsrelevanz bist, ist das dein Projekt! Komm gerne auf mich zu, um mehr zu erfahren.
Linear Controllers Development for nonlinear models via Koopman Operator
Ein klassisches Prolem in praktischer und simulativer Anwendung ist die Parametrisierung von PID-Reglern. Diese sind notwendig, um Zielgrößen einzuregeln, die von bestimmten Stellgrößen abhängen. Für lineare Systeme besteht eine große Menge regelungstechnischer Theorie, optimale und stabile Regler zu entwickeln. In der Praxis herrschen jedoch nichtlineare Systeme vor, für die, ungeachtet dieser Tatsache, trotzdem versucht wird, klassische Regler anzuwenden, was oft in einem stark iterativen (nervenaufreibendem) Tuning der Reglerparameter resultiert.
Die an unserem Lehrstuhl untersuchten und entwickelten Balanced Neural ODEs (BNODEs) erlauben es, nichtlineare System (approximativ) zu linearisieren. Ziel dieser Arbeit ist es, für einen industrienahen Anwendungsfall (Wärmepumpe) die Entwicklung linearer Regler mithilfe eines durch BNODEs linearisierten Modells zu untersuchen.
Wenn du neugierig auf moderne Modellierung, Machine Learning und echte Anwendungsrelevanz bist, ist das dein Projekt! Komm gerne auf mich zu, um mehr zu erfahren.
SciML against AML
Jeder sechste Mensch stirbt laut WHO an Krebs. Dem gegenüber steht der stetige wissenschalftliche Fortschritt auf dem Gebiet der Krebsforschung, sodass viele Krebsarten geheilt werden können wenn sie frühzeitig erkannt und effektiv behandelt werden.
Der Lehrstuhl Mechatronik startet 2025 zusammen mit dem Universitätsklinikum Augsburg Forschung im Bereich der Akuten myeloischen Leukämie (AML). Wir untersuchen, in wie weit wir unseren etablierten Methoden aus dem Scientific Machine Learning (SciML) auch für die Vorhersage des Krankheitsverlaufs bei AML in Behandlung einsetzen können - und idealwerweise sogar neue Erkenntnisse zu dieser Krankheit generieren können.
Bei dieser herausfordernden Forschungsaufgabe kommen verschiedene fachliche Schwerpunkte zusammen, sowohl aus der Medizin selbst, als auch aus dem maschinellen Lernen. Gute Forschung beginnt mit dem Erfassen des aktuellen, internationalen Forschungsstandes. Einen wesentlichen Teil zu diesem ersten Schritt trägst du mit deiner Seminararbeit bei.