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

Hybride Simulations- und Lernverfahren

Zur Modulseite PDF generieren

#51120 / #2

Seit WiSe 2025/26

Deutsch, Englisch

Hybrid Simulations and Learning Methods
Hybride Simulations- und Lernverfahren

6

Stender, Merten

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät V

Institut für Maschinenkonstruktion und Systemtechnik (IMS)

35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Maschinenbau

Kontakt


H 66

Stender, Merten

merten.stender@tu-berlin.de

http://www.tu.berlin/cpsme

Lernergebnisse

Die Studierenden werden zunächst die grundlegenden Modellierungsansätze in physikbasierten Simulationen (basierend auf der Diskretisierung physikalischer Gleichungen) und datengetriebenen Modellen (basierend auf dem universellen Approximations-Theorem) betrachten. Basierend auf den zugrundeliegenden Annahmen, Beschränkungen und individuellen Vorteilen werden die Studierenden hybride Ansätze kennenlernen, die physikbasierte und datengetriebene Modelle auf unterschiedlichen Integrationsebenen kombinieren. Die theoretische Einführung wird durch umfangreiche praktische Implementierungen in Python begleitet, die sich sowohl an synthetische als auch experimentelle Daten richten. Nach Teilnahme an diesem Kurs können die Studierenden eine fundierte Entscheidung über Modellierungsansätze in Situationen mit begrenztem physikalischen Verständniss und/oder begrenztem Zugang zu Daten treffen. Der Kurs hat einen starken Forschungsfokus und behandelt neueste wissenschaftliche Erkenntnisse.

Lehrinhalte

- Numerische Diskretisierungstechniken für gewöhnliche und partielle Differentialgleichungen - Grundlagen des Deep Learning: Universal Approximation Theorem, Bias-Variance-Tradeoff, Fehler-Rückführung - Automatische Differentiation und differenzierbare Modelle - Datengetriebene Bestimmung von grundlegenden Gleichungen aus Daten: Compressive Sensing; Sparse Identification of Nonlinear Dynamics (SINDy) - Einschränkung von Deep Learning Methoden: Soft und Hard Constraints - Prinzipien der Physics-Informed Neural Networks (PINNs) - Fortgeschrittene Optimierungs- und Trainingsstrategien - Neural Operators und Deep Operator Networks (DeepONet) - Neural Differential Equations und Universal Differential Equations - Graph Neural Networks für graphstrukturierte numerische Berechnungsnetze - Geometry-Informed Neural Networks (GINNs) - Neural Implicit Fields - Anwendungen in Wissenschaft und Technik

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Hybrid Simulations and Learning MethodsVLWiSeen2
Hybrid Simulations and Learning MethodsUEWiSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Hybrid Simulations and Learning Methods (VL):

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

Hybrid Simulations and Learning Methods (UE):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.03.0h45.0h
Bearbeitung und Vorstellung praktische Arbeit1.015.0h15.0h
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 (theoretischer Input) und Übung (Programmieraufgaben) Prüfung: schriftliche digitale Prüfung in Präsenz (50 Pkt), sowie Bearbeitung einer praktischen Aufgabe aus dem Bereich der Systemidentifikation (25 Pkt, Abgabe eines selbst erzeugten Datensatzes und eines Jupyter Notebook) mit anschließender Vorstellung der praktischen Aufgabe und der erreichten Modelierung (25 Pkt, entweder 1 Seite schriftlich, oder 20min Gespräch, oder 3min Video).

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Keine formalen Voraussetzungen. Vorkenntnisse in neuronalen Netzwerken sind hilfreich.Fundierte Programmierkenntnisse in Python sind notwendig für die Bearbeitung der Übungsaufgaben.

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
Schriftliche digitale Prüfung50schriftlich60
Abgabe praktische Arbeit25schriftlich20
Präsentation der praktischen Arbeit25flexibel20

Notenschlüssel

Notenschlüssel »Notenschlüssel 7: Fak V«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt89.0pt85.0pt80.0pt76.0pt72.0pt67.0pt63.0pt59.0pt54.0pt50.0pt

Dauer des Moduls

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

Dieses Modul kann in folgenden Semestern begonnen werden:
Wintersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Der Kurs wird über ISIS organisiert. Prüfungsanmeldung über MOSES.

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.)11WiSe 2025/26WiSe 2025/26
Luft- und Raumfahrttechnik (M. Sc.)11WiSe 2025/26WiSe 2025/26
Maschinenbau (M. Sc.)11WiSe 2025/26WiSe 2025/26
Physikalische Ingenieurwissenschaft (M. Sc.)22WiSe 2025/26WiSe 2025/26

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe