Data Science and Artificial Intelligence for Urban Water ManagementModulbeschreibung #50905 / Version 7
- 6 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Englisch
| Modul / Version | #50905 / #7 |
|---|---|
| Gültigkeit | Seit SoSe 2025 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Cominola, Andrea |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Strömungsmechanik und Technische Akustik |
| Fachgebiet | 35311100 FG Fluidsystemdynamik-Strömungstechnik der Maschinen und Anlagen |
Kontakt
| Sekretariat | FSD |
|---|---|
| Ansprechpartner*in | Cominola, Andrea |
| E-Mail-Adresse | andrea.cominola@tu-berlin.de |
| Webseite | 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.
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.
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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Data Science and Artificial Intelligence for Urban Water Management | Integrierte Veranstaltung | Sommersemester | [en] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Data Science and Artificial Intelligence for Urban Water Management (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfung | 7 | 8 h | 56 h |
| Teilnahme | 7 | 8 h | 56 h |
| Vor-/Nachbearbeitung | 8 | 7,5 h | 60 h |
| Vorbereitung auf die Prüfung | 1 | 8 h | 8 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 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.
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.
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 | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Wöchentliche Quizze | 20 | schriftlich | 1 hour maximum every week |
| Präsentation eines wissenschaftlichen Artikels | 30 | mündlich | 30 minutes (includes question time) + preparation time (max 3 days) |
| Schriftliche Prüfung | 50 | schriftlich | Estimated duration for written exam: 2 hours + preparation time |
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.
- 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
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 2. Kernbereich: Simulation und Optimierung |
| WiSe 2025/26 | 2. Kernbereich: Simulation und Optimierung | |
| SoSe 2026 | 2. Kernbereich: Simulation und Optimierung | |
| WiSe 2026/27 | 2. Kernbereich: Simulation und Optimierung | |
| Geotechnologie StuPO 2019 (20.02.2019) | SoSe 2026 | Vertiefungsbereich › Vertiefung Wasser und Umwelt › Wahlpflichtbereich Wasser und Umwelt |
| WiSe 2026/27 | Vertiefungsbereich › Vertiefung Wasser und Umwelt › Wahlpflichtbereich Wasser und Umwelt | |
| Maschinenbau StuPO 2017 | SoSe 2025 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| WiSe 2025/26 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| SoSe 2026 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| WiSe 2026/27 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| Patentingenieurwesen StuPO 2015 | SoSe 2025 | 2.2. Ingenieurwissenschaftliche Profilmodule › 2.2.2. Informationstechnische und rechnergestützte Modellierung |
| WiSe 2025/26 | 2.2. Ingenieurwissenschaftliche Profilmodule › 2.2.2. Informationstechnische und rechnergestützte Modellierung | |
| SoSe 2026 | 2.2. Ingenieurwissenschaftliche Profilmodule › 2.2.2. Informationstechnische und rechnergestützte Modellierung | |
| WiSe 2026/27 | 2.2. Ingenieurwissenschaftliche Profilmodule › 2.2.2. Informationstechnische und rechnergestützte Modellierung | |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| WiSe 2026/27 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
Sonstiges
Keine Angabe