Machine Learning in Engineering - Theoretical FoundationsModulbeschreibung #51147 / Version 1
- 6 LP
- Mündliche Prüfung
- Benotet
- Sommersemester
- Deutsch
| Modul / Version | #51147 / #1 |
|---|---|
| Gültigkeit | Seit SoSe 2025 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Klinge, Sandra |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Mechanik |
| Fachgebiet | 35371300 FG Mechanik, insbes. Strukturmechanik |
Kontakt
| Sekretariat | Keine Angabe |
|---|---|
| Ansprechpartner*in | Keine Angabe |
| E-Mail-Adresse | Keine Angabe |
| Webseite | Keine Angabe |
Lernergebnisse
Im Ingenieurwesen werden zunehmend und in wachsender Vielfalt Machine Learning-Methoden eingesetzt, zur Beschleunigung und Stabilisierung zeitintensiver numerischer Berechnungen, zur Nutzbarmachung umfangreicher Messdaten, als Materialmodelle und in vielen weiteren Kombinationen zur Beschleunigung oder Vereinfachung von Arbeitsweisen.
In diesem Modul werden die theoretischen und mathematischen Grundlagen des maschinellen Lernens und von ausgewählten Anwendungen in der Mechanik vermittelt. Dazu gehören einseits automatische Differentiation mit dualen Zahlen, Optimierungsalgorithmen für neuronale Netzwerke und andere derzeit beforschte Machine Learning-Architekturen, Verfahren zur Regularisierung, Qualitätsbetrachtungen bei multivariatem Regressionslernen sowie Kombinationsmöglichkeit für Machine Learning-Verfahren. Andererseits werden nichtlineare Kinematik, die mechanische Gleichgewichtsbedingung als PDE sowie nichtlineares Materialverhalten und das Konzept der Polykonvexität behandelt. Der Fokus liegt dabei auf dem vertieften Verständnis der mathematisch-physikalischen Konzepte und der Vorbereitung auf die verantwortungsbewusste Methodenauswahl, Anwendung und Implementierung.
Nach erfolgreichem Bestehen des Moduls verfügen die Studierenden über folgende Kenntnisse
Wissen:
- Kenntnis wesentlicher Machine Learning-Methoden und -Techniken inkl. relevanter Algorithmen
- Verständnis der Struktur und Funktionsweise von Neuronalen Netzen und anderer Machine Learning-Architekturen
- Kenntnis der nichtlinearen Kinematik und der mechanischen Gleichgewichtsbedingung
- Kentnnis nichtlinearer Materialmodelle
Fertigkeiten:
- Auswahl, Implementierung und Optimierung Neuronaler Netzwerk-Architekturen
- Auswahl und Implementierung von Regularisierungs-Methoden
- Berechnung und Implementierung von nichtlinearer Kinematik
- Implementierung konventioneller nichtlinearer Materialmodelle
- Herleitung und Behandlung der mechanischen Gleichgewichtsbedingung
- Geeignete visuelle Darstellung der Ergebnisse
Kompetenzen:
- Selbstständiger Umgang und Aufbau geeigneter Machine Learning-Techniken
- Modellierung von nichtlinearem Materialverhalten mit Methoden des Machine Learnings
- Lösung von partiellen Differentialgleichungen mittels Physics-Informed Machine Learning-Techniken
In diesem Modul werden die theoretischen und mathematischen Grundlagen des maschinellen Lernens und von ausgewählten Anwendungen in der Mechanik vermittelt. Dazu gehören einseits automatische Differentiation mit dualen Zahlen, Optimierungsalgorithmen für neuronale Netzwerke und andere derzeit beforschte Machine Learning-Architekturen, Verfahren zur Regularisierung, Qualitätsbetrachtungen bei multivariatem Regressionslernen sowie Kombinationsmöglichkeit für Machine Learning-Verfahren. Andererseits werden nichtlineare Kinematik, die mechanische Gleichgewichtsbedingung als PDE sowie nichtlineares Materialverhalten und das Konzept der Polykonvexität behandelt. Der Fokus liegt dabei auf dem vertieften Verständnis der mathematisch-physikalischen Konzepte und der Vorbereitung auf die verantwortungsbewusste Methodenauswahl, Anwendung und Implementierung.
Nach erfolgreichem Bestehen des Moduls verfügen die Studierenden über folgende Kenntnisse
Wissen:
- Kenntnis wesentlicher Machine Learning-Methoden und -Techniken inkl. relevanter Algorithmen
- Verständnis der Struktur und Funktionsweise von Neuronalen Netzen und anderer Machine Learning-Architekturen
- Kenntnis der nichtlinearen Kinematik und der mechanischen Gleichgewichtsbedingung
- Kentnnis nichtlinearer Materialmodelle
Fertigkeiten:
- Auswahl, Implementierung und Optimierung Neuronaler Netzwerk-Architekturen
- Auswahl und Implementierung von Regularisierungs-Methoden
- Berechnung und Implementierung von nichtlinearer Kinematik
- Implementierung konventioneller nichtlinearer Materialmodelle
- Herleitung und Behandlung der mechanischen Gleichgewichtsbedingung
- Geeignete visuelle Darstellung der Ergebnisse
Kompetenzen:
- Selbstständiger Umgang und Aufbau geeigneter Machine Learning-Techniken
- Modellierung von nichtlinearem Materialverhalten mit Methoden des Machine Learnings
- Lösung von partiellen Differentialgleichungen mittels Physics-Informed Machine Learning-Techniken
Lehrinhalte
· Historische Entwicklung der KI, Kategorisierung und Teilbereiche des Machine Learning
· Überblick über Anwendungsgebiete von ML in der Mechanik
· Neuronale Netze, autograd, Optimierer, Hyperparameter, Regularisierungstechniken
· Weitere Machine Learning-Algorithmen (z.B. Kolmogorov-Arnold-Netzwerk, Transformer)
· Nichtlineare Kontinuumsmechanik
o Große Dehnungen
o Mechanische Gleichgewichtsbedingung als PDE
o Hyperelastizität, Polykonvexität, Plastizität
· Überblick über Anwendungsgebiete von ML in der Mechanik
· Neuronale Netze, autograd, Optimierer, Hyperparameter, Regularisierungstechniken
· Weitere Machine Learning-Algorithmen (z.B. Kolmogorov-Arnold-Netzwerk, Transformer)
· Nichtlineare Kontinuumsmechanik
o Große Dehnungen
o Mechanische Gleichgewichtsbedingung als PDE
o Hyperelastizität, Polykonvexität, Plastizität
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Machine Learning in Engineering - Theoretical Foundations (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning in Engineering - Theoretical Foundations (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 180 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
· 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)
Grundlagen der Analysis und linearen Algebra (z.B. Analysis I für Ingenieure, Analysis II für Ingenieure, Lineare Algebra für Ingenieure)
Programmierkenntnisse (z.B. in Octave/ Matlab/ Python/ …)
Einführung in die FEM
Grundlagen der Numerik (z.B. Differentialgleichungen und Numerik für den Maschinenbau)
Grundlagen der Analysis und linearen Algebra (z.B. Analysis I für Ingenieure, Analysis II für Ingenieure, Lineare Algebra für Ingenieure)
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 | Englisch, Deutsch |
| Dauer/Umfang | 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: Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 60.
Anmeldeformalitäten
keine
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 1. Kernbereich 1: Informatik und Mathematik |
| WiSe 2025/26 | 1. Kernbereich 1: Informatik und Mathematik | |
| SoSe 2026 | 1. Kernbereich 1: Informatik und Mathematik | |
| WiSe 2026/27 | 1. Kernbereich 1: Informatik und Mathematik | |
| Fahrzeugtechnik StuPO 2017 | SoSe 2025 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden |
| WiSe 2025/26 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden | |
| SoSe 2026 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden | |
| WiSe 2026/27 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden | |
| 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 | |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | SoSe 2025 | 1. Mathematische Methoden |
| WiSe 2025/26 | 1. Mathematische Methoden | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | 1. Mathematische Methoden |
| WiSe 2025/26 | 1. Mathematische Methoden | |
| SoSe 2026 | 1. Mathematische Methoden | |
| WiSe 2026/27 | 1. Mathematische Methoden |
Sonstiges
Keine Angabe