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

Machine Learning in Computational Mechanics

Zur Modulseite PDF generieren

#51078 / #1

Seit WiSe 2023/24

Deutsch

Machine Learning in Computational Mechanics

6

Klinge, Sandra

Benotet

Mündliche Prüfung

Deutsch

Zugehörigkeit


Fakultät V

Institut für Mechanik

35371300 FG Mechanik, insbes. Strukturmechanik

Physikalische Ingenieurwissenschaft

Kontakt


C 8-3

Keine Angabe

Keine Angabe

Keine Angabe

Lernergebnisse

Auch in der Mechanik wird zunehmend Machine Learning eingesetzt, zur Beschleunigung und Stabilisierung zeitintensiver numerischer Berechnungen, zur Nutzbarmachung umfangreicher Messdaten, in der Mehrskalensimulation als Materialmodell und in vielen weiteren Kombinationen zur Beschleunigung oder Vereinfachung von Arbeitsweisen. In diesem Modul werden die Grundlagen des maschinellen Lernens vermittelt und ausgewählte Anwendungen in der Mechanik implementiert und diskutiert. Der Fokus liegt dabei auf der selbstständigen Auseinandersetzung mit den Verfahren und der Implementierung, um später selbstständig anwendungsbezogen geeignete Methoden auswählen und einsetzen zu können. Nach erfolgreichem Bestehen des Moduls verfügen die Studierenden über folgende Kenntnisse Wissen: - Kenntnis der grundlegenden Kategorien der Künstlichen Intelligenz und des Machine Learning - Verständnis der Struktur und Funktionsweise von Neuronalen Netzen - Vertrautheit mit wesentlichen Funktionen von PyTorch Fertigkeiten: - Implementierung Neuronaler Netzwerk-Architekturen mit PyTorch - Anpassung von Hyperparametern - Geeignete visuelle Darstellung der Ergebnisse Kompetenzen: - Auswahl von Techniken des maschinellen Lernens, die für den Zweck und die Komplexität der Aufgabe geeignet sind - Einbettung von Machine Learning-Methoden in den Aufgabenkontext und geeignete Reduktion/ Vorentlastung - Beurteilung der Ergebnisqualität und der Performance einer Machine Learning-Anwendung

Lehrinhalte

• Kategorisierung und Teilbereiche des Machine Learning • Überblick über Anwendungsgebiete von ML in der Mechanik • Neuronale Netze, autograd, Optimierer, Hyperparameter • Verwendung von PyTorch • Anwendung in Materialmodellierung (Elastizität und Plastizität)

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Machine Learning in Computational MechanicsVLk.A.de2
Machine Learning in Computational MechanicsPJk.A.de2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Machine Learning in Computational Mechanics (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Machine Learning in Computational Mechanics (PJ):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

• Vorlesung mit Tafel und Projektionen; Erläuterung der theoretischen Grundlagen und Lösungsverfahren • Projekttreffen • Rücksprache mit der Betreuungsperson • Eigenständiges Arbeiten, Selbststudium • Einreichung eines Abschlussberichts

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Numerische Implementierung der linearen FEM Einführung in die FEM Grundlagen der Numerik (z.B. Differentialgleichungen und Numerik für den Maschinenbau) Programmierkenntnisse (z.B. in Octave/ Matlab/ Python/ …)

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Mündliche Prüfung

Sprache(n)

Deutsch, Englisch

Dauer/Umfang

ca. 20 Minuten

Dauer des Moduls

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

Dieses Modul kann in folgenden Semestern begonnen werden:
Unregelmässig.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 30.

Anmeldeformalitäten

keine

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  verfügbar

 

Literatur

Empfohlene Literatur
J. Bonet, R. D. Wood: Nonlinear Continuum Mechanics for Finite Element Analysis. Second edition, Cabridge University Press, 2008.
O. C. Zienkiewicz, R. L. Taylor, J. Z. Zhu: The Finite Element Method: Its Basis and Fundamentals. Butterworth-Heinemann, 2013.
S. Kollmannsberger et al.: Deep Learning in Computational Mechanics - An introductory course. Springer, 2021.

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computational Engineering Science (Informationstechnik im Maschinenwesen) (B. Sc.)14WiSe 2023/24SoSe 2025
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)14WiSe 2023/24SoSe 2025
Fahrzeugtechnik (M. Sc.)14WiSe 2023/24SoSe 2025
Maschinenbau (M. Sc.)15WiSe 2023/24SoSe 2025
Physikalische Ingenieurwissenschaft (B. Sc.)28WiSe 2023/24SoSe 2025
Physikalische Ingenieurwissenschaft (M. Sc.)216WiSe 2023/24SoSe 2025

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe