Deep Learning und Industrielle Anwendungen

Prognose des Energiebedarfs

Ein erklärtes Ziel der AG Technomathematik und des Zentrums für Technomathematik ist der Transfer moderner mathematischer Methoden in Industrie und Wissenschaft. Von besonderer Bedeutung sind dabei Kooperationsprojekte mit Unternehmen, um sie für konkrete Anwendungen nutzbar zu machen. Ein großes Anliegen ist dabei, auch mittelständischen Unternehmen moderne mathematische Methoden zur Problemlösung zugänglich zu machen.

In zahlreichen industriellen Forschungsprojekten wird - in enger Zusammenarbeit mit Expert*innen der jeweiligen Anwendungsfelder - der gesamte Problemlösungsprozess von der Modellierung des Ausgangsproblems über die mathematische Analyse des Modells bis zur Softwareentwicklung bearbeitet.

Zu den Unternehmen, mit denen die Arbeitgruppe seit Jahren kooperiert gehören unter anderem: Airbus SAS, ArcelorMittal Bremen GmbH, ArianeGroup GmbH, atacama blooms GmbH & Ko. KG, Bruker Daltonik GmbH, ELISE GmbH, Siemens AG und SIKORA AG.

 

Leitung

Bild Peter Maaß

Prof. Dr. Dr. h.c. Peter Maaß

Leiter der AG Technomathematik

Direktor des ZeTeM

Team

Bild Sören Dittmer

Dr. Sören Dittmer

Deep Learning und Inverse Probleme

Bild Henrik Harms

Henrik Harms

Team Deep Learning und Inverse Probleme

Bild Derick Nganyu Tanyu

Derick Nganyu Tanyu

Deep Learning und Industrielle Anwendungen

Bild Maximilian Schmidt

Maximilian Schmidt

Deep Learning und Inverse Probleme
 

Studentische Hilfskräfte

Kein Bild

Julius Arkenberg

Deep Learning und Industrielle Anwendungen
 

Bild Saurabh Band

Saurabh Band

Deep Learning und Industrielle Anwendungen
 

Kein Bild

Marvin Walther

Deep Learning und Industrielle Anwendungen

Projekte

Prognose des Energiebedarfs

AGENS - Analytisch-generative Netzwerke zur Systemidentifikation

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maaß

Die Prognose des Energiebedarfs von individuellen Akteuren anhand von Zeitreihen kennzeichnet sich durch eine gewaltige Datenlage. Das Ziel von AGENS liegt in der Entwicklung sowie Analyse dynamischer Neuronaler Netze mit Fokus auf die Energieprognose. Um eine robuste Prognose pro Akteur zu ermöglichen, ist eine Verbesserung der Datenqualität für jeden individuellen Konsumenten nötig.

Schematisches Bild für Design-KIT

Design-KIT - Künstliche Intelligenz in der mechanischen Bauteilentwicklung

BMBF-Projekt
Laufzeit: 01.10.2020 - 31.03.2022
Leitung: Peter Maaß

Im Projekt Design-KIT werden Methoden der künstlichen Intelligenz und des maschinellen Lernens für die Konstruktion von Bauteilen für Trägerraketen wissenschaftlich untersucht und ihr Nutzen für die entsprechende industrielle Anwendung evaluiert.

HYDAMO Bild

HYDAMO - Hybride datengetriebene und modellbasierte Simulation komplexer Strömungsprobleme in der Fahrzeugindustrie

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maaß

Auf komplexen Materialien wie Sand, Schlamm oder Schnee ist die Fahrzeugstabilität nicht immer gegeben: Kollisionen oder ein Überschlagen des Fahrzeugs sind unter Umständen unvermeidlich. Ziel von HYDMAO ist es, anhand eines bisher unzureichend verstandenen kontinuumsmechanischen Problems aus der Fahrzeugindustrie datengetriebenes und modellbasiertes Vorgehen beispielhaft zu einer Gesamtlösung zu integrieren. Damit soll die rechnergestützte Abbildung des zugehörigen Prozesses entscheidend verbessert werden.

ZeTeM Logo ohne Text

KIDOHE - KI-gestützte Dokumentation für Hebammen

BAB-Projekt
Laufzeit: 01.05.2020 - 28.02.2022
Leitung: Peter Maaß

KIDOHE hat zum Ziel die Belastungs- und Regresssituation der Hebammen mittels eines innovativen, intelligenten, entscheidungsunterstützenden Systems zu verbessern. Dieses System soll sowohl wissenschaftlich fundiertes Fachwissen als auch Erfahrungswissen der Hebammen in Netzen (z.B. semantischen Netzen, Bayes-Netzen oder neuronalen Netzen) repräsentieren.

Wellrohre

ML-X-RAY - Maschinelles Lernen und Röntgentechnologie zur Messung von inhomogenen Kabel- und Rohrprodukten

BAB-Projekt
Laufzeit: 01.03.2021 - 31.10.2022
Leitung: Peter Maaß

In der Produktionsentwicklung spielen die Reinheit eines Produkts und die damit verbundene Qualitätskontrolle eine zentrale Rolle. Um eine maximale Material- und Kostenersparnis zu gewährleisten,
ist die zuverlässige Vermessung der gefertigten Produkte sowie die Detektion von Abweichungen hinsichtlich der vorgegebenen Produktspezifikation unabdingbar. Das Ziel von ML-X-RAY ist die Erforschung und Weiterentwicklung eines Vermessungssystems für die Prüfung von inhomogenen Kabel- und Rohrprodukten mit Hilfe von innovativen Ansätzen aus dem Bereich Machine Learning bzw. Deep
Learning in Form von Convolutional Neural Networks. Das Projekt wird in Kooperaton mit dem Industriepartner SIKORA AG durchgeführt.