Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Machine Learning in Engineering - Theoretical FoundationsModulbeschreibung #51147 / Version 1

← Zur Modulseite English version
Modul / Version#51147 / #1
GültigkeitSeit SoSe 2025
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rKlinge, Sandra
BenotungBenotet
PrüfungsformMündliche Prüfung
Lehrsprache(n)Deutsch

Zugehörigkeit

FakultätFakultät V
InstitutInstitut für Mechanik
Fachgebiet35371300 FG Mechanik, insbes. Strukturmechanik

Kontakt

SekretariatKeine Angabe
Ansprechpartner*inKeine Angabe
E-Mail-AdresseKeine Angabe
WebseiteKeine 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

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

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Machine Learning in Engineering - Theoretical FoundationsVorlesung51147 Sommersemester[de]2 ISIS
Machine Learning in Engineering - Theoretical FoundationsProjekt51147 Sommersemester[de]2 ISIS

Arbeitsaufwand und Leistungspunkte

Machine Learning in Engineering - Theoretical Foundations (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Machine Learning in Engineering - Theoretical Foundations (Projekt)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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

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/ …)

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformMündliche Prüfung
SpracheEnglisch, Deutsch
Dauer/Umfang20 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 / StuPOSemesterStudiengangsbereich
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
SoSe 20251. Kernbereich 1: Informatik und Mathematik
WiSe 2025/261. Kernbereich 1: Informatik und Mathematik
SoSe 20261. Kernbereich 1: Informatik und Mathematik
WiSe 2026/271. Kernbereich 1: Informatik und Mathematik
Fahrzeugtechnik
StuPO 2017
SoSe 20252. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
WiSe 2025/262. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
SoSe 20262. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
WiSe 2026/272. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
Maschinenbau
StuPO 2017
SoSe 2025Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
WiSe 2025/26Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
SoSe 2026Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
WiSe 2026/27Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
Physikalische Ingenieurwissenschaft
StuPO 2007 (19.12.2007)
SoSe 20251. Mathematische Methoden
WiSe 2025/261. Mathematische Methoden
Physikalische Ingenieurwissenschaft
StuPO 2020
SoSe 20251. Mathematische Methoden
WiSe 2025/261. Mathematische Methoden
SoSe 20261. Mathematische Methoden
WiSe 2026/271. Mathematische Methoden

Sonstiges

Keine Angabe