1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Data Science and Artificial Intelligence for Urban Water Management

Zur Modulseite PDF generieren

#50905 / #7

Seit SoSe 2025

Englisch

Data Science and Artificial Intelligence for Urban Water Management

6

Cominola, Andrea

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät V

Institut für Strömungsmechanik und Technische Akustik

35311100 FG Fluidsystemdynamik-Strömungstechnik der Maschinen und Anlagen

Physikalische Ingenieurwissenschaft

Kontakt


FSD

Cominola, Andrea

andrea.cominola@tu-berlin.de

https://www.tu.berlin/en/swn

Lernergebnisse

Während dieses Kurses erwerben die Studenten zunächst Grundkenntnisse und dann fortgeschrittene Kenntnisse über Modellierung, Data Science (DS) und künstliche Intelligenz (KI) mit Anwendungen im Zusammenhang mit der Modellierung und Verwaltung städtischer Wassersysteme. DS- und KI-Techniken werden anhand von Theorie, Methoden und Anwendungen erläutert. Sie lernen die Grundlagen der mathematischen Modellierung und Simulation (Modellbildung, Modellkalibrierung, Bewertung der Modellleistung) sowie anspruchsvollere DS- und KI-Techniken zur Modellierung, Simulation und Steuerung städtischer Wasserverteilungsnetze und zur Modellierung des Wasserbedarfs und seiner Muster kennen. Sie lernen, was die aktuellen Forschungsherausforderungen im Bereich der Bewirtschaftung städtischer Wassersysteme sind, wobei der Schwerpunkt auf den neuesten DS- und KI-Technologien liegt. Sie lernen, wie man ein Modell eines Wasserverteilungsnetzes in einer virtuellen Umgebung erstellt und wie man Data-Science-Aufgaben wie Clustering, Feature Selection und räumliche Analyse auf der Grundlage von Luft-/Satellitenbildern durchführt. Sie lernen Beispiele für datenwissenschaftliche Techniken kennen, die bei der Modellierung und Identifizierung von hydroklimatischen Extremereignissen (z. B. Hochwasser und Dürren) eingesetzt werden. Sie werden sich der praktischen Umsetzung von Lösungen für aktuell relevante Probleme bei der Modellierung und dem Betrieb städtischer Wassersysteme mit angeleiteten praktischen Aktivitäten nähern. Sie lernen, wie sie wissenschaftliche Literatur lesen können. Sie lernen, wie sie eine Forschungsarbeit prägnant analysieren und präsentieren können.

Lehrinhalte

Der digitale Wandel der städtischen Wassernetze hin zu datengesteuerten und intelligenten Systemen ist eine große Chance, die Herausforderungen zu bewältigen, die sich aus der wachsenden Bevölkerung, der Verstädterung und dem Klimawandel ergeben. Da der datengesteuerte Wandel in Wirtschaft und Gesellschaft Einzug hält, werden immer größere Datenmengen von Maschinen oder Prozessen erzeugt, die auf neuen Technologien wie dem „Internet der Dinge“ (IoT), vernetzten Systemen und fortschrittlicher Modellierung basieren. Während die digitale Disruption bereits eine Reihe anderer Branchen weltweit verändert hat, hat der Wassersektor den digitalen Wandel erst vor kurzem für sich entdeckt. Dies ist der Schlüssel zur Entwicklung geeigneter Anpassungsstrategien, die, gestützt auf bessere Informationen als in der Vergangenheit, Management- und Entscheidungsfindungsmaßnahmen unterstützen, um Anpassungsstrategien zu planen, die die Widerstandsfähigkeit städtischer Wassersysteme unter unsicheren zukünftigen Klima- und Gesellschaftsszenarien verbessern. Das Phänomen der Digitalisierung städtischer Wassersysteme wird analysiert, ausgehend von den grundlegenden Begriffen der Modellierung von Wasserverteilungsnetzen und dann mit einem stärkeren Fokus auf Data Science und Artificial Intelligence-Ansätze zur Modellierung und Steuerung solcher Netze. Der Kurs wird um das Hauptthema der Modellierung und des Managements von Wasserverteilungsnetzen strukturiert sein. Darüber hinaus werden im Laufe des Kurses weitere Unterthemen behandelt, die es den Studierenden ermöglichen, einen Überblick über die verschiedenen Elemente moderner städtischer Wassersysteme zu erhalten, Wissen über die besten Technologien zu erwerben, zu lernen, wie man Anomalien (z. B. Leckagen) im normalen Betrieb dieser Systeme erkennt, und Einblicke in die Rolle und den Einfluss menschlichen Verhaltens in solchen Systemen und bei der Modellierung und Identifizierung hydroklimatischer Extremereignisse (z. B. Hochwasser und Dürren) zu erhalten. Die folgenden Kernthemen werden behandelt: 1. Mathematische Modellierung und hydraulische Modellierung von Wasserverteilungsnetzen 2. Modellkalibrierung, -validierung und Leistungsbewertung 3. Modellierung des Wasserbedarfs, Clustering und Feature Selection 4. Simulation und Optimierung des WDN-Betriebs. Bei der Behandlung der oben genannten Themen werden Begriffe zu den folgenden DS- und KI-Techniken eingeführt: 1. Clustering-Techniken 2. Feature selection 3. Control theory und Optimierung 4. Tree-based Modelle 5. Künstliche neuronale Netze 6. Luft-/Satellitenbildverarbeitung. Weitere Themen und Beispiele betreffen die Modellierung und Identifizierung von hydroklimatischen Extremereignissen (z.B. Hochwasser und Dürren) Zusätzlich wird ein Modul dieses Kurses - der Journal Club - auf die Entwicklung von Fähigkeiten zum Lesen und Analysieren von wissenschaftlicher Literatur ausgerichtet sein. Während der Projektaktivität werden die Studenten aktiv dazu angehalten, eigene Lösungen für eine Reihe verschiedener Probleme zu entwickeln, die während der angeleiteten praktischen Laboraktivitäten eingeführt wurden. Diese Aktivitäten werden sich auf frei verfügbare Datensätze und einführende Beispiele stützen. Jupyter Notebooks und Python werden bei den Laboraktivitäten verwendet. Die Bewertung umfasst wöchentliche Quizze, eine mündliche Zwischen- und Abschlusspräsentation sowie eine schriftliche Abschlussprüfung. Die Vorlesung wird in englischer Sprache gehalten und beinhaltet einen Vortrag eines Gastredners von einer unserer Partnerinstitutionen.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Data Science and Artificial Intelligence for Urban Water ManagementIVSoSeen4
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Data Science and Artificial Intelligence for Urban Water Management (IV):

AufwandbeschreibungMultiplikatorStundenGesamt
Prüfung7.08.0h56.0h
Teilnahme7.08.0h56.0h
Vor-/Nachbearbeitung8.07.5h60.0h
Vorbereitung auf die Prüfung1.08.0h8.0h
180.0h(~6 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die Vorlesungen werden hauptsächlich in Form von Frontalvorträgen gehalten. Die Folien werden den Studierenden zur Verfügung gestellt. Das Projekt umfasst Tutorensitzungen, in denen die Studierenden durch mathematische Modellierungsaufgaben geführt werden, angefangen bei den Grundlagen des Aufbaus eines einfachen Wasserverteilungsnetzes in einer virtuellen Umgebung bis hin zu komplexeren Aufgaben wie der Simulation und Steuerung des Betriebs eines solchen Netzes, der Clusterbildung von Daten und der Modellierung von Wassernachfragemustern sowie dem Aufbau und der Nutzung künstlicher Intelligenz zur Simulation städtischer Wassernetze. Die angeleiteten Aktivitäten werden durch offene Aufgaben ergänzt, die von den Studierenden unter Anleitung und mit Feedback der Tutoren zu lösen sind. Am Ende des Kurses findet eine schriftliche Abschlussprüfung statt, die persönlich abgelegt wird. Weitere Anweisungen zum endgültigen Zeitplan, zu den Vorlesungsräumen und dazu, wie man Zugang zu den Vorlesungen und den Übungsmaterialien für den Kurs erhält, werden den angemeldeten Studierenden über die E-Learning-Plattform ISIS mitgeteilt.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Grundlegende/mittlere Programmierkenntnisse und frühere Erfahrungen mit Python/Matlab/R sind erforderlich und werden für die Laboraktivitäten benötigt. Geführte praktische Aktivitäten werden im Kurs mit Python und Jupyter Notebooks durchgeführt. Bevorzugte Kompetenzen (nicht obligatorisch): Konzepte der mathematischen Modellierung, Konzepte der Statistik und Datenanalyse sowie Grundkenntnisse über Wassersysteme.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
Wöchentliche Quizze20schriftlich
Präsentation eines wissenschaftlichen Artikels30mündlich
Schriftliche Prüfung50schriftlich

Notenschlüssel

Notenschlüssel »Notenschlüssel 4: Fak I, Fak VII«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt90.0pt85.0pt80.0pt76.0pt72.0pt67.0pt63.0pt59.0pt54.0pt50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Die Bewertung umfasst: - wöchentliche Quizze, die von jedem Schüler nach jeder Woche einzeln ausgefüllt werden müssen; - eine mündliche Abschlusspräsentation, die in kleinen Gruppen vorbereitet und gehalten wird; - eine schriftliche Prüfung.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 40.

Anmeldeformalitäten

Kursanmeldung über das Prüfungsamt.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)11SoSe 2025SoSe 2025
Maschinenbau (M. Sc.)11SoSe 2025SoSe 2025
Patentingenieurwesen (M. Sc.)11SoSe 2025SoSe 2025
Physikalische Ingenieurwissenschaft (M. Sc.)22SoSe 2025SoSe 2025

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe