Laufende Projekte

BMBF-Projekt
Leitung: Tobias Kluth

In naher Zukunft werden viele Windenergieanlagen (WEA) das Ende ihrer Auslegungslebensdauer von typischerweise 20 Jahren erreichen. Im Verbundprojekt KIWi werden daten- und modellbasierten Verfahren zur Modellkorrektur und zur Parameteridentifikation in inexakten Modellen eingesetzt, um eine exaktere Bestimmung der Lastabsch?tzung in Windenergieanlagen und somit deren m?gliche Lebensdauerverl?ngerung zu erm?glichen.

Differentialgleichungen treten in so gut wie allen physikalischen Zusammenh?ngen auf und müssen in den verschiedensten Anwendungsgebieten mittels numerischer Simulation gel?st werden. Klassische Verfahren, wie die Finite-Elemente-Methode, haben sich dabei für eine Vielzahl an Problemen bew?hrt. Einige Differentialgleichungen lassen sich jedoch mit klassischen Verfahren nur mit gro?em Aufwand l?sen. Ziel des Projektes ist es daher ein Software-Paket zu erschaffen, welches verschiedene Deep-Learning-Ans?tze für Differentialgleichungen vereint, um deren Anwendung, Vergleich und Erweiterung zu erm?glichen. Das Projekt wird in Kooperation mit der Robert Bosch GmbH bearbeitet und ist im Rahmen eines Modellierungsseminars entstanden.

DFG-Projekt
Laufzeit: 01.10.2016 - 30.09.2025
Leitung: Peter Maa?

Im Graduiertenkolleg π3 Parameter Identification – Analysis, Algorithms, Implementations konzentrieren sich Promovierende an der Schnittstelle von Angewandter Mathematik und Wissenschaftlichem Rechnen auf Fragen der Parameteridentifikation, die im Kern durch die Minimierung geeigneter Zielfunktionale modelliert werden.

BAB-Projekt
Laufzeit: 06.02.2023 - 31.10.2023
Leitung: Peter Maa?

In der Produktionsentwicklung spielen die Reinheit eines Produkts und die damit verbundene Qualit?tskontrolle eine zentrale Rolle. Um eine maximale Material- und Kostenersparnis zu gew?hrleisten,
ist die zuverl?ssige Vermessung der gefertigten Produkte sowie die Detektion von Abweichungen hinsichtlich der vorgegebenen Produktspezifikation unabdingbar. Das Ziel des durch die Bremer Aufbau-Bank (BAB) gef?rderten Projektes PY2DLL ist eine weitgehend automatisierte Strategie zur Portierung forschungsnaher Python-Software in eine DLL-Bibliothek zum Aufruf aus der bestehenden in C++ implementierten Kontrollanwendung.  Das Projekt wird in Kooperaton mit dem Industriepartner SIKORA AG durchgeführt.
 

DFG-Projekt
Laufzeit: 01.01.2021 - 31.12.2023
Leitung: Peter Maa?

Die Forschung an inversen Probleme ist seit Jahrzehnten ein wichtiges, aktives Feld in der angewandten Mathematik mit einem starken Einfluss auf viele Disziplinen. In diesem deutsch-chinesischen Mobilit?tsprogramm werden Wissen und Ideen ausgetauscht und dadurch die Grundlage für eine langfristige Zusammenarbeit geschaffen.

BMBF-Projekt
Laufzeit: 01.10.2020 - 31.03.2022
Leitung: Peter Maa?

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

BAB-Projekt
Laufzeit: 01.05.2020 - 28.02.2022
Leitung: Peter Maa?

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) repr?sentieren.

DFG-Projekt
Laufzeit: 01.05.2020 - 30.04.2023
Leitung: Tobias Kluth

Magnetic Particle Imaging (MPI) ist ein bildgebendes Verfahren mit vielversprechenden medizinischen Anwendungen, welches auf dem Verhalten superparamagnetischer Eisenoxid-Nanopartikeln basiert. In D-MPI werden die dynamischen Aspekte Konzentrationsdynamik, Magnetfelddynamik und Dynamik der Partikelmagnetisierung untersucht, um die Modellierung und Rekonstruktion der Daten zu vereinfachen.

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Tobias Kluth

In DELETO soll die mathematische Forschung von Deep Learning bei der L?sung inverser Probleme entscheidend vorangetrieben werden, um die aufgrund der gro?en Datenmengen rechenaufw?ndigen Rekonstruktionsmethoden, basierend auf Structural Priors und Motion Correction im Bereich der korrelativen MR und der Hochdurchsatz-NanoCT, exakter und effizienter zu gestalten. Ziel ist es diese Methoden in den Ger?ten der n?chsten Generation zu integrieren.

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maa?

Auf komplexen Materialien wie Sand, Schlamm oder Schnee ist die Fahrzeugstabilit?t nicht immer gegeben: Kollisionen oder ein ?berschlagen des Fahrzeugs sind unter Umst?nden unvermeidlich. Ziel von HYDMAO ist es, anhand eines bisher unzureichend verstandenen kontinuumsmechanischen Problems aus der Fahrzeugindustrie datengetriebenes und modellbasiertes Vorgehen beispielhaft zu einer Gesamtl?sung zu integrieren. Damit soll die rechnergestützte Abbildung des zugeh?rigen Prozesses entscheidend verbessert werden.

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maa?

In SPAplus werden mathematisch fundierte Verfahren zur Datenaugmentation über Deep Learning für die digitale Pathologie entwickelt. Zudem sollen in programmbegleitenden Ma?nahmen Konzepte zur Ausbildung mathematischer Datenanalyst*innen sowie Informations- und Netzwerkveranstaltungen erarbeitet und umgesetzt werden.

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maa?

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 erm?glichen, ist eine Verbesserung der Datenqualit?t für jeden individuellen Konsumenten n?tig.

BMBF-Projekt
Laufzeit: 01.01.2020 - 31.12.2022
Leitung: Peter Maa?

In DIAMANT werden die molekularen Informationen aus MALDI IMS Daten mit den detaillierten anatomischen Informationen aus digitalen Mikroskopiebildern kombiniert. Mithilfe einer integrierten Analyse der Daten aus beiden komplement?ren Modalit?ten wird ein Klassifikationsmodell zur Krebsdiagnostik entwickelt, das deutlich genauer ist als bestehende, nur auf einer der beiden Modalit?ten basierende Modelle.

Helmholtz-Projekt
Laufzeit: 01.12.2019 - 30.11.2022
Leitung: Peter Maa?

Computersimulationen k?nnen die volle Dynamik der realen Welt nicht vollst?ndig aufl?sen, so dass Verbesserungen der Realit?tsn?he von Klimamodellen immer angestrebt werden. In diesem Projekt sollen Methoden des maschinellen Lernens neue und robustere L?sungen zur Datenauswertung liefern. Dafür steht hier das FESOM2 (Finite Volume Sea Ice-Ocean Model) Eismodell zur Vefügung.

Helmholtz-Projekt
Laufzeit: 01.11.2019 - 31.10.2022
Leitung: Peter Maa?

In der Kryoseismologie werden Eisbeben genutzt, um die Auswirkungen der globalen Klimaerw?rmung auf die Eisschilde zu überwachen. Von der Neumayer-Station in der Antarktis liegen seismologische Daten aus 20 Jahren von Eis- und Erdbeben vor; um Ver?nderungen der küstennahen Schelfeisumgebung aufzudecken, sollen effiziente Algorithmen entwickelt werden, die Eisbeben automatisch erkennen und klassifizieren.

Helmholtz-Projekt
Laufzeit: 01.12.2019 - 30.11.2022
Leitung: Peter Maa?

Heutige chemische Modelle in der Erdsystemmodellierung sind in der Lage, physikalische und chemische Prozesse in den entsprechenden Dom?nen detailliert darzustellen. In diesem Projekt soll gezielt ein neuronales Netz trainiert und optimiert werden, um die stratosph?rische ?nderungsrate von Ozon zu untersuchen.

KTS-Projekt
Laufzeit: 01.07.2019 - 30.06.2022
Leitung: Peter Maa?

MALDI Imaging stellt eine etablierte Methode für die r?umliche Untersuchung von Biomolekülen dar. Trotz vieler Vorteile wird jedoch zunehmend deutlich, dass die Daten hoher Variabilit?t unterliegen. Aus diesem Grund werden in MALDISTAR Werkzeuge zur Qualit?tsbewertung sowie neue Kalibrierungs- und Cross-Normalisierungsmethoden entwickelt.

EU-Projekt
Laufzeit: 01.11.2017 - 31.08.2022
Leitung: Peter Maa?

Das wissenschaftliche Ziel des Doktorandenprogramms ist es, die mathematischen Grundlagen und Methoden bei der zunehmend virtuellen Entwicklung von industriellen Produkten und Prozessen zu entwickeln, wobei Kopplungsmethoden, Modellreduktionsverfahren und Optimierungsmethoden im Fokus stehen.