Simulation komplexer Prozesse am Beispiel Verbundguss Cu-Al
|
|
- Hermann Waltz
- vor 6 Jahren
- Abrufe
Transkript
1
2 Optimierungsaufgabe Beispiel: Sheldons Platz Im Winter ist der Platz nah genug an der Heizung, damit mir warm ist und dennoch nicht zu dicht, um ins schwitzen zu kommen. Im Sommer liegt er in einem angenehmen Durchzug, der entsteht, wenn man die Fenster öffnet. Er befindet sich weder direkt vor dem Fernseher, was einer eventuellen Konversation abträglich wäre, noch zu weit weg für eine paralaktische Verzerrung. The Big Bang Theory, Staffel 1, Folge 1 Mehrkriterielle Optimierung Nutzenfunktion F(x,y) = a*hz(x,y)+b*dz(x,y)+c*tv(x,y) Optimierungsaufgabe: max (F(x,y)) Einschränkungen (x, y) Wohnzimmer Ergebnis: (x, y) 2
3 Optimierungsaufgabe Beispiel: Sheldons Platz Optimaler Platz Quelle: 3
4 Inhalt Grundlagen: Prozessoptimierung durch Simulation Implementierung: Verbundguss Cu-Al 4
5 Prozessoptimierung durch Simulation Vorgehensweise Prozess Ziele und Einschränkungen Rechenmodell Prozessoptimierung Entwicklung Validierung Design Simulation Nein Ziel erreicht? Ja Optimaldesign (bzw. mehrere Alternativen) 5
6 Prozessoptimierung durch Simulation Ziele und Einschränkungen Kosten Gussfehler Mechanische Eigenschaften Ein Ziel (+ Einschränkungen) max F(x) x<x 0 x>x 1 mehrere Ziele (+ Einschränkungen) max F(x), max G(x) x<x 0 x>x 1 mehrere Einschränkungen F(x)> F 1 x<x 0 x>x 1 6
7 Prozessoptimierung durch Simulation Numerisches Modell: Entwicklung Mathematische Prozessbeschreibung Transportgleichungen Korrelationen, Quellen Definition des Designs Geometrie Rand- und Anfangsbedingungen Materialeigenschaften Implementierung Pre-prozessor Löser Post-prozessor 7
8 Prozessoptimierung durch Simulation Numerisches Modell: Validierung Simulationsergebnisse sind nicht allgemein vertrauenswürdig Fehler in der Definitionen Modellvalidierung ermöglicht die Fehler bei der Modellentwicklung zu berücksichtigen bzw. zu vermeiden 8
9 Parameter 2 Prozessoptimierung durch Simulation Optimierungsmethoden: DOE Immer die beste Lösung? Gut Komplexer Prozess => Mehr Designpunkte sind notwendig Meisten Punkte stellen keine guten Designs dar => Verlust der Rechenzeit Schlecht Gute Vorgehensweise: Methode findet die Punkte selber Parameter 1 9
10 Prozessoptimierung durch Simulation Optimierungsmethoden: Gradientenverfahren Brocken Je steiler der Berg, desto weiter zum Optimum Man muss sich in die Richtung der positiven Gradienten bewegen Die Geschwindigkeit ist abhängig vom Gradient Im Optimalpunkt ist der Gradient 0 Torfhaus 10
11 Prozessoptimierung durch Simulation Optimierungsmethoden: Gradientenverfahren Brocken Wurmberg Braunlage Nur Lokalverfahren! 11
12 Prozessoptimierung durch Simulation Optimierungsmethoden: Partikel Swarm Verfahren Viele Partikel werden initiiert Bei jeder Iteration wird der beste Partikel ausgewählt Alle fliegen zu dem besten Partikel Die Geschwindigkeit ist abhängig von der Entfernung zum Ziel Ein globales Optimum ist damit erreichbar 12
13 Prozessoptimierung durch Simulation Optimierungsmethoden: Evolutionäre Algorithmen Eine Generation der Zustände wird initiiert Die Fittisten werden ausgewählt Diese werden Kombiniert und zufällig mutiert Die Fittisten bilden eine neue Generation Solange, bis die Generation nicht mehr verbessert wird 13
14 Prozessoptimierung durch Simulation Optimierungsmethoden: Künstliche Neuronale Netze Input-Schicht Hidden-Schicht Output-Schicht G B KNN modelliert ein Teil eines Gehirns Neuronen werden anhand der Inputsignale aktiviert Trainiertes Netz erkennt die Muster und analysiert komplexe Eingangssignale 14
15 Verbundguss Cu-Al Kombinationen von Eigenschaften, die in einem Werkstoff nicht erreichbar sind Cu-Al Verbundguss: Cu: gute thermische Eigenschaften gute elektrische Eigenschaften Al: geringe Dichte niedriger Preis ebenfalls gute elektrische Eigenschaften 15
16 Verbundguss Cu-Al Gefüge Al Al+Al 2 Cu Al2Cu AlCu, Al 3 Cu 4, Al 4 Cu 9 Cu 16
17 17 Strömung Schmelze Wärmeübergang Schmelze Wärmeübergang Formmaterial Simulation des Verbundgusses Cu-Al Modellentwicklung b m ) div( ) div( ) ( S S p u u t u u b Ku S 3 2 m 1 ),0] ( max[ 1 s b T T g S h p p ) div( ) div( ) ( S T T c t T c u ) div( ) ( h u t L S ) div( ) ( p T t T c
18 Simulation des Verbundgusses Cu-Al Modellentwicklung Verteilung der Elemente Y t i div( uy ) div( DY ) R i i i Reaktionen R i k f M ' '' ( i i ) k E RT i Aexp f N j1 C '' j j j ' 4Al+9Cu = Al 4 Cu 9 11Al+4Al 4 Cu 9 = 9Al 3 Cu 4 Al+Al 3 Cu 4 = 4AlCu Al+AlCu = Al 2 Cu 18
19 Simulation Verbundguss Cu-Al Modellentwicklung: Implementierung Simulationsframework OpenFOAM Vorteile: Open-source (Einblick in Code von verfügbaren Lösern) Keine Lizenzkosten Hohe Flexibilität Nachteil: Nicht anwenderfreundlich Beispiel: Strömung ( u) udiv( u) div( u) p t fvvectormatrix UEqn ( fvm::ddt(u) + fvm::div(phi, U) - fvm::laplacian(nu, U) ); solve(ueqn == -fvc::grad(p)); 19
20 Simulation des Verbundgusses Cu-Al: Modellvalidierung Eintauchen eines Cu-Stabs in die Al-Schmelze 20
21 Simulation des Verbundgusses Cu-Al: Modellvalidierung Eintauchen eines Cu-Stabs in die Al-Schmelze REM Lichtmikroskop Simulation Al 2 Cu Al 2 Cu Al 2 Cu AlCu AlCu AlCu Al 4 Cu 9 Al 3 Cu Al 4 3 Cu 4 Al 3 Cu 4 Cu Al 4 Cu 9 Cu Al 4 Cu 9 Cu 50 m 50 m 21
22 Ausblick Bestimmung des Zusammenhangs zwischen Verbundschicht und technologischen Eigenschaften Optimierung der Prozessparameter zum Erzielen der besten technologischen Eigenschaften 22
23 Danke für Ihre Aufmerksamkeit 23
Maschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrSimulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung
Simulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung R. Kessler DLR-AS-CASE Simulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung Slide 1 > HPC 2009
MehrRelevanz moderner Optimierungsmethoden im Strömungsmaschinenbau
Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau Vorgestellt vom Akkreditierten Forschungsschschwerpunkt Computer Simulation im Maschinenbau Motivation Energieeffizienz Komplexe physikalische
MehrInstitut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik Universität Rostock.
Seite 1 Optimierung der Verbindungsstrukturen in Digitalen Neuronalen Netzwerken Workshop on Biologically Inspired Methods on Modelling and Design of Circuits and Systems 5.10.2001 in Ilmenau, Germany
MehrWärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen
Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing Einführung Wärmeversorgungsanlagen
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrSimulation von Klebverbünden in der Skiproduktion
Simulation von Klebverbünden in der Skiproduktion Forschung & Entwicklung CC Mechanische Systeme David Schiffmann Assistent T direkt +41 41 349 32 84 david.schiffmann@hslu.ch Horw 15.06.2016 Master Projekt
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrDie Finite-Elemente-Methode. Anwendungsbereiche Soft- und Hardwarevoraussetzungen Programmierbarkeit
Die Finite-Elemente-Methode Anwendungsbereiche Soft- und Hardwarevoraussetzungen Programmierbarkeit Inhalt Die Finite-Elemente-Methode Was ist das und wofür? Die Idee mit den Elementen Anwendung der FEM
MehrDer Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1
Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?
MehrExkurs Modelle und Algorithmen
Exkurs Modelle und Algorithmen Ansatz künstlich neuronaler Netze (KNN) Versuch, die Wirkungsweise menschlicher Gehirnzellen nachzubilden dabei wird auf formale mathematische Beschreibungen und Algorithmen
MehrArbeitsgemeinschaft-Metallguss
-Metallguss Stand Feb.07 Publikationen: Symposiums-Berichte Band Nr. 4 ISBN 978-3-932291-25-8 Band Nr. 11 ISBN 978-3-932291-28-9 4. Aalener ÄÅ Gießbedingungen zur Herstellung dünnwandiger Zinkdruckgussteile
MehrKennfeldverbreiterung eines Radialverdichters für Abgasturbolader durch multidisziplinäre CFD-FEM-Optimierung mit FINE /Turbo
2011 Kennfeldverbreiterung eines Radialverdichters für Abgasturbolader durch multidisziplinäre CFD-FEM-Optimierung mit FINE /Turbo Th. Hildebrandt, L. Gresser, M. Sievert Inhaltsverzeichnis 01 02 03 04
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
MehrDatenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
MehrZur Konstruktion künstlicher Gehirne
Ulrich Ramacher Christoph von der Malsburg (Hrsg.) Zur Konstruktion künstlicher Gehirne 4y Springer Inhaltsverzeichnis Vorwort 1 0.1 Hauptergebnisse 2 0.2 Vorgeschichte 6 0.3 Danksagung 8 Problematik der
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrEntwicklung optimaler Turbinen für Kleinwasserkraftwerke
Entwicklung optimaler Turbinen für Kleinwasserkraftwerke R. Schilling, S. Thum, A. Gantner, M. Hutter Lehrstuhl für Fluidmechanik TU München 16. Internationales Anwenderforum Kleinwasserkraftwerke Luzern/CH
MehrNeuronale Netzwerke. Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp. Betreuer: Michael Wilczek. 7. Februar 2011
Neuronale Netzwerke Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp Betreuer: Michael Wilczek 7. Februar 2011 1 Wiederholung 2 Modell 3 spikeabhängige Plastizität 4 Anwendung 5 Literatur Biologischer
MehrMathematische Modelle in der Biologie Biologische Wellen: Einzelspeziesmodell - Teil 1
Mathematische Modelle in der Biologie Biologische Wellen: Einzelspeziesmodell - Teil 1 Andrea Schneider 05.02.2013 Literatur: J.D. Murray: Mathematical Biology: I. An Introduction, Third Edition, Springer
MehrMultivariate Pattern Analysis. Jan Mehnert, Christoph Korn
Multivariate Pattern Analysis Jan Mehnert, Christoph Korn Übersicht 1. Motivation 2. Features 3. Klassifizierung 4. Statistik 5. Annahmen & Design 6. Similarity 7. Beispiel Grenzen & Probleme der klassischen
MehrGP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
Mehr! Modellierung und Simulation 1 (SIM1)
! Modellierung und Simulation 1 (SIM1) 1. Veranstaltung: Einführung 18.10.16 Andreas Vogel andreas.vogel@gcsc.uni-frankfurt.de!!! Organisatorisches Modellierung und Simulation 1 (M-SIM1c; evtl. M-SIM1a,
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrMehrzieloptimierung von PMSM für Hybrid- und Elektrofahrzeuge Florian Bittner, FEMAG Anwendertreffen 2013
Mehrzieloptimierung von PMSM für Hybrid- und Elektrofahrzeuge Agenda Motivation Kriging-gestützte multikriterielle Partikelschwarmoptimierung Kopplung mit FEMAG Optimierung einer 10-poligen PMSM Zusammenfassung
MehrAufgabe 2: Verifikation & Validierung
Aufgabe 2: Verifikation & Validierung Ziel der Übung - Untersuchung des Einflusses der räumlichen Diskretisierung (Netzfeinheit, Elementtyp) auf das Ergebnis der Simulation - Vergleich der theoretischen
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrPraktische Optimierung
Wintersemester 27/8 Praktische Optimierung (Vorlesung) Prof. Dr. Günter Rudolph Fakultät für Informatik Lehrstuhl für Algorithm Engineering Metamodellierung Inhalt Multilayer-Perceptron (MLP) Radiale Basisfunktionsnetze
MehrWärmequellen für Wärmepumpen im energetischen und wirtschaftlichen Vergleich
Institut für Gebäude- und Solartechnik Prof. Dr.-Ing. M. Norbert Fisch Mühlenpfordtstraße 23 D-38106 Braunschweig www.tu-braunschweig.de/igs Wärmequellen für Wärmepumpen im energetischen und wirtschaftlichen
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
MehrGenetische Algorithmen. Uwe Reichel IPS, LMU München 8. Juli 2008
Genetische Algorithmen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 8. Juli 2008 Inhalt Einführung Algorithmus Erweiterungen alternative Evolutions- und Lernmodelle Inhalt 1 Einführung
MehrEinfluss der Retrogressions und Reaging Behandlung auf Gefügeausbildung und Festigkeit einer AlZnMgCu Legierung
Werkstoff-Kolloquium 2008 Einfluss der Retrogressions und Reaging Behandlung auf Gefügeausbildung und Festigkeit einer AlZnMgCu Legierung D. Pöschmann [1], C. Melzer [2], M. Kühlein [1], M. Schaper [3]
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
Mehr5. Numerische Ergebnisse. 5.1. Vorbemerkungen
5. Numerische Ergebnisse 52 5. Numerische Ergebnisse 5.1. Vorbemerkungen Soll das thermische Verhalten von Verglasungen simuliert werden, müssen alle das System beeinflussenden Wärmetransportmechanismen,
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrModellierung und Simulation von Mischvorgängen in einem Rührer - Bachelorarbeit -
Modellierung und Simulation von Mischvorgängen in einem Rührer - Bachelorarbeit - Dies Mathematicus 211 25. November 211 Gliederung 1 Motivation: Mischvorgänge in einem Rührer 2 Mathematische Modellierung
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
MehrErworbene Tiefendyslexie: Simulation des Concreteness-Effekts
Erworbene Tiefendyslexie: KW²B² 1. Kognitionswissenschaftliches Simulation des Concreteness-Effekts Symposium Berlin-Brandenburg 30. Juni 2001 Erworbene Tiefendyslexie: Simulation des Concreteness-Effekts
MehrSimulation von Zufallszahlen. Grundlage: zufällige Quelle von Zufallszahlen, durch einfachen rekursiven Algorithmus am Computer erzeugt
Simulation von Zufallszahlen Grundlage: zufällige Quelle von Zufallszahlen, durch einfachen rekursiven Algorithmus am Computer erzeugt Definition: Eine Folge von Pseudo-Zufallszahlen U i ist eine deterministische
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrVergleich von Computational Fluid Dynamics-Programmen in der Anwendung auf Brandszenarien in Gebäuden. Frederik Rabe, Anja Hofmann, Ulrich Krause
Vergleich von Computational Fluid Dynamics-Programmen in der Anwendung auf Brandszenarien in Gebäuden Frederik Rabe, Anja Hofmann, Ulrich Krause Gliederung Einleitung Grundlagen Grundlagen CFD NIST FDS
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 11.12.2008 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Einführung Verfahren für
MehrSimulationsgestützte tzte Auslegung von Lineardirektantrieben mit MAXWELL, SIMPLORER und ANSYS. Matthias Ulmer, Universität Stuttgart
Simulationsgestützte tzte Auslegung von Lineardirektantrieben mit MAXWELL, SIMPLORER und ANSYS Matthias Ulmer, Universität Stuttgart Gliederung 1. Motivation und Zielsetzung 2. Elektrodynamische Lineardirektantriebe
MehrKNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren
KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren Holger Rahlf; Reiner Schubert www.baw.de Künstlich Neuronales Netz Gliederung Einleitung Grundlagen Möglichkeit und Grenzen Anwendung
MehrEine Welt aus Zahlen. Wie funktionieren Computersimulationen?
Eine Welt aus Zahlen. Wie funktionieren Computersimulationen? Steffen Börm Christian-Albrechts-Universität zu Kiel Night of the Profs 2016 S. Börm (CAU Kiel) Computersimulationen 18. November 2016 1 /
MehrLeseprobe. Werner Koehldorfer. Finite-Elemente-Methoden mit CATIA V5 / SIMULIA. Berechnung von Bauteilen und Baugruppen in der Konstruktion
Leseprobe Werner Koehldorfer Finite-Elemente-Methoden mit CATIA V5 / SIMULIA Berechnung von Bauteilen und Baugruppen in der Konstruktion ISBN: 978-3-446-42095-3 Weitere Informationen oder Bestellungen
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
MehrProduktionsbasiertes Energiemanagement in der Lebensmittelindustrie
Produktionsbasiertes Energiemanagement in der Lebensmittelindustrie Ansätze und Ergebnisse aus einem Forschungsprojekt, aufbereitet für die Lehrstuhl für Lebensmittelverpackungstechnik, Lehrstuhl für mathematische
MehrAbleitung thermischer Randbedingungen für lineare Antriebseinheiten
Ableitung thermischer Randbedingungen für lineare Antriebseinheiten Dipl.-Ing. Matthias Ulmer, Prof. Dr.-Ing. Wolfgang Schinköthe Universität Stuttgart, Institut für Konstruktion und Fertigung in der Feinwerktechnik
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS/ / Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung 6Das Newton-Verfahren
Mehr- - CodE 11 CodE 0 0 0 0 0 0 0 0 2.o C 1 10.0 C 2 off 3 3.0 4 2.0 5 off 6 1 8 20.0 9 60 C 7 4.0 10 80 C 1 38 C 12 8 k 13 on 14 30.0 15 10 16 - - CodE 11 CodE 0 0 0 0 0 0 0 0 2.o C 1 10.0 C 2
MehrOptimierung der Analytik nanostrukturierter Schichten
Projektverbund Umweltverträgliche Anwendungen der Nanotechnologie Zwischenbilanz und Fachtagung, 27. Februar 2015 Wissenschaftszentrum Straubing Optimierung der Analytik nanostrukturierter Schichten Prof.
MehrParameteroptimierung von Simulationsmodellen mit Evolutionären Algorithmen in optislang
Parameteroptimierung von Simulationsmodellen mit Evolutionären Algorithmen in optislang Kopplung mit CAE-Tools SimulationX und Simulink Dipl.-Ing. M. Koch Weimarer Optimierungs- und Stochastiktage 6.0
MehrNeuronale Netze Aufgaben 3
Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrStrömungen in Wasser und Luft
Strömungen in Wasser und Luft Strömungssimulationen im UZWR Daniel Nolte März 2009 Mathematische Strömungsmodelle Navier Stokes Gleichungen (Massenerhaltung, Impulserhaltung, Energieerhaltung) ρ + (ρ U)
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrRobust Design als Design for Six Sigma Baustein bei der Robert Bosch GmbH
Robust Design als Design for Six Sigma Baustein 1 Inhalt Entwicklungsprozess und DFSS-Methoden Schulungskonzept für DFSS-Methoden Inhalt des Seminars Robust Design Warum brauchen wir Robust Design? Definition
MehrNeuronale Netze, Fuzzy Control, Genetische Algorithmen. Prof. Jürgen Sauer. 5. Aufgabenblatt: Neural Network Toolbox 1
Neuronale Netze, Fuzzy Control, Genetische Algorithmen Prof. Jürgen Sauer 5. Aufgabenblatt: Neural Network Toolbox 1 A. Mit Hilfe der GUI vom Neural Network erstelle die in den folgenden Aufgaben geforderten
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
MehrAnalyse der Parameter beim CO 2 -Strahlen
Analyse der Parameter beim CO 2 -Strahlen Anke Opitz Gliederung Ausgangssituation Zielsetzung Vorgehensweise Ergebnisse Zusammenfassung Ausblick Ausgangssituation Prozessparameter Ausgangssituation Pelletparameter
MehrTUD Computer Poker Challenge
TUD Computer Poker Challenge The Challenge of Poker Björn Heidenreich 31. März 2008 The Challenge of Poker Björn Heidenreich 1 Anforderungen an einen guten Poker-Spieler Hand Strength Hand Potential Bluffing
MehrWerkstoffe und elektrische Verbindungen
Werkstoffe und elektrische Verbindungen N. Lücke, S. Dreier, T. Fuhrmann, C. Hildmann, S. Pfeifer, S. Schlegel Industrie-Partner-Symposium, 06. Oktober 2011 Gliederung 1. Einleitung 2. Vergleich von Kupfer
MehrIEE. Modellierung und Simulation der Zelleigenschaften auf Basis von zeitvarianten Stoffdaten (GEENI)
Problem: Eine erfolgreiche Modellierung von Lithium-Ionen-Batterien muss alle physikalischen und elektrochemischen Vorgänge, wie beispielsweise die elektrochemischen Reaktionen an den Elektroden, die Diffusion
MehrObjekterkennung mit künstlichen neuronalen Netzen
Objekterkennung mit künstlichen neuronalen Netzen Frank Hallas und Alexander Butiu Universität Erlangen Nürnberg, Lehrstuhl für Hardware/Software CoDesign Multicorearchitectures and Programming Seminar,
MehrGraphenbasierte Modellierung und Optimierung von Energieprozessen anhand einer Mikrogasturbine
Graphenbasierte Modellierung und Optimierung von Energieprozessen anhand einer Mikrogasturbine Fachtagung Prozesssimulation in der Energietechnik EnBW Energie Baden-Württemberg AG Marijke de Graaff 10.
MehrVorwort. 1 Druckgusslegierungen und ihre Eigenschaften 3. 1.1 Aluminiumdruckgusslegierungen 4. 1.2 Magnesiumdruckgusslegierungen 8
Inhaltsverzeichnis IX Inhaltsverzeichnis Vorwort Einleitung V XXIII 1 Druckgusslegierungen und ihre Eigenschaften 3 1.1 Aluminiumdruckgusslegierungen 4 1.2 Magnesiumdruckgusslegierungen 8 1.3 Kupferdruckgusslegierungen
MehrInterpretation von Drucksondierungen in nichtbindigen Böden mittels Hypoplastizität. Dr.-Ing. Thomas Meier BAUGRUND DRESDEN Ingenieurgesellschaft mbh
Interpretation von Drucksondierungen in nichtbindigen Böden mittels Hypoplastizität Dr.-Ing. Thomas Meier BAUGRUND DRESDEN Ingenieurgesellschaft mbh Inhaltsübersicht Einführung Kalibrierungskammerversuche
MehrMaterialdatenblatt. EOS StainlessSteel GP1 für EOSINT M 270. Beschreibung, Anwendung
EOS StainlessSteel GP1 für EOSINT M 270 Für die EOSINT M-Systeme sind mehrere Werkstoffe mit einem breiten Anwendungsbereich für e-manufacturing verfügbar. EOS StainlessSteel GP1 ist ein rostfreies Edelstahlpulver,
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Numerische Verfahren der nicht-linearen Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Line
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrIntegration externer PDE-Löser in Mathcad
in Mathcad Cathleen Seidel Dipl.-Wirtschaftsmath. GmbH Nürnberg Überblick 1. Erweiterung bestehender Software Warum? 2. inuech GmbH & Diffpack 3. Wärmeleitungsgleichung mit Diffpack 4. Erstellen einer
Mehr1 Debye-Abschirmung. 1.1 Grundlagen. Φ = q r exp ( r/λ D), λ D =
1 Debye-Abschirmung Bringt man eine zusätzliche estladung in ein Plasma ein, so wird deren elektrisches Feld durch die Ladungen des Plasmas mit entgegengesetztem Vorzeichen abgeschirmt. Die charakteristische
Mehrij. , d (k 1) + d (k 1)
Dabei war ja die Idee, dass wir unser k Schritt für Schritt erhöhen bis wir bei n angekommen sind, denn dann haben wir das Problem gelöst. Dies ist im Grunde unser Algorithmus. Wir müssen diesen nur noch
MehrThermische und schalltechnische Analysen von Klimazentralgeräten
Thermische und schalltechnische Analysen von Klimazentralgeräten von Dipl. Wirt.-Ing. Marco Fischbach Gliederung Einleitung Normative Anforderungen an Klimazentralgeräte Aufgabenstellung Thermische Analysen
MehrEine kleine Einführung in neuronale Netze
Eine kleine Einführung in neuronale Netze Tobias Knuth November 2013 1.2 Mensch und Maschine 1 Inhaltsverzeichnis 1 Grundlagen neuronaler Netze 1 1.1 Kopieren vom biologischen Vorbild...... 1 1.2 Mensch
MehrKombination von Optimierung und Robustheit in der Simulation mechanischer Systeme
Kombination von Optimierung und Robustheit in der Simulation mechanischer Systeme Markus Könning 1 1 Robert Bosch GmbH, CR/ARD4, 71701 Schwieberdingen Zusammenfassung Die Optimierung und Robustheitsbewertung
MehrOptimierung und Robustheitsbewertung mit OptiSLang bei der Robert Bosch GmbH
Optimierung und Robustheitsbewertung mit OptiSLang bei der Robert Bosch GmbH Markus Könning 1*, Henning Kreschel 1, Roland Schirrmacher 1, Andreas Plotzitza 2 1 Robert Bosch GmbH, FV/PLE4, Schwieberdingen
MehrEinführung in CAE-Systeme
Einführung in CAE-Systeme Dipl.-Ing. Mark Müller 1 Inhalt 1. Motivation für CAE-Werkzeuge 2. Modellierung technischer Prozesse 3. Übersicht über CAE-Simulationssysteme Kommerzielle Programme Freeware 4.
MehrInformatiCup 2009 EvolutionConsole
InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März 2010 1 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack
MehrDivergenz 1-E1. Ma 2 Lubov Vassilevskaya
Divergenz 1-E1 1-E2 Vektorfeld: Aufgabe 1 Stellen Sie graphisch folgende Vektorfelder dar x, y = x i y j a) F x, y = x i y j b) F Welcher Unterschied besteht zwischen den beiden Vektorfeldern? 1-A Vektorfeld:
MehrOptimaler Erzeugungsmix für 100% regenerativen Strom in Österreich
Optimaler Erzeugungsmix für 100% regenerativen Strom in Österreich IEWT 2011 Session 2D, 17.2.2010, TU Wien Martin Boxleitner, TU Wien, Institut für Energiesysteme und Elektrische Antriebe Agenda Motivation
MehrKapitel 2. Mathematik für Mikroökonomie
Kapitel Mathematik für Mikroökonomie 1 Mathematik der Optimierung Ökonomische Theorien basieren auf der Annahme, dass die Agenten versuchen, den optimalen Wert einer Funktion zu wählen. Konsumenten maximieren
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrC1/4 - Modellierung und Simulation von Neuronen
C 1 /4 - Modellierung und Simulation von Neuronen April 25, 2013 Motivation Worum geht es? Motivation Worum geht es? Um Neuronen. Motivation Worum geht es? Um Neuronen. Da ist u.a. euer Gehirn draus Motivation
MehrOptimierung des E-Antriebes für Thermiksegler. Inhalt
Optimierung des E-Antriebes für Thermiksegler In einem Antriebsakku steckt eine bestimmte elektrische Energie, die nach dem Energieerhaltungssatz in eine potentielle Energie umgewandelt werden kann, um
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
MehrMaterialdatenblatt. EOS StainlessSteel GP1 für EOSINT M 270. Beschreibung, Anwendung
EOS StainlessSteel GP1 für EOSINT M 270 Für die EOSINT M-Systeme sind mehrere Werkstoffe mit einem breiten Anwendungsbereich für e-manufacturing verfügbar. EOS StainlessSteel GP1 ist ein rostfreies Edelstahlpulver,
Mehr