Projektseminar
| Umfang, Credits | 10 SWS, 10 ECTS |
| Kontakt | Gregor Döhner und Axel Zimmermann |
| Vorlesung, Übung | Dienstag und Donnerstag, Vorlesung und hands-on 13:30-15:00 für 4 Wochen, dann eigenständige Projektphase |
| Raum | MW 1701 und 1702 (Vorlesung und hands-on) |
| Das Projektseminar kann als Alternative zum Industriepraktikum gewählt werden. Informationen zum Bewerbungsprozess | |
| Art | Proseminar |
|---|---|
| Semester | Wintersemester 2024/25 |
| Unterrichtssprache | Englisch |
Inhalte des Projektseminars und abgeschlossene Arbeiten
Verstehe die Dynamik von H2-Flammen
Schaue hinter die Fassade von Machine Learning
Entwickle ordnungsreduzierte Modelle
Entwerfe Tools zur Flammenpropagation
Reduziere komplizierte Wasserstoff-Reaktionsmechanismen
Teilnahmekriterien
Siehe TUMonline
Anmerkung: Bewerbung mit Lebenslauf und Leistungsnachweis. Aufnahme in den Kurs erfolgt nach Bewerbungsgespräch (in Gruppen).
Anmerkung: Bewerbung mit Lebenslauf und Leistungsnachweis. Aufnahme in den Kurs erfolgt nach Bewerbungsgespräch (in Gruppen).
Lernziele
Nach erfolgreichem Abschluss des Moduls haben die Studierenden Kenntnisse im Bereich der Theorie von Thermoakustik, fundamentale Sachkenntnis im Bereich der "Data Science" und Machine Learning sowie fortgeschrittene Fähigkeiten im Umgang mit Python. Zudem wird die Arbeitsweise in einer Projektgruppe geschult.
Beschreibung
Die Studierenden werden in die Grundlagen der Flammenmodellierung eingeführt, um dann, in Eigenarbeit, Softwarepakete zur Modellierung von (zum Teils) turbulenten Verbrennungsprozessen zu entwerfen. Zunächst werden die zugrundeliegende Physik und aktuelle Modellierungsstrategien behandelt. Anschließend werden aktuelle Modelle aus dem Bereich des Machine Learnings erläutert und implementiert.
Als Programmierumgebung wird Python genutzt.
Im Rahmen des Projektseminars werden zu Beginn die folgenden theoretischen Schwerpunkte gelegt:
(1) Relevanz von Verbrennung
(2) Grundlagen der Verbrennung
(3) Grundlagen der Akustik
(4) Grundlagen der Thermoakustik
(5) Grundlagen Machine Learning
(6) Fortgeschrittene Machine Learning Methoden
Gleichzeitig dazu werden die Studierenden durch Coding-Sessions mit Python vertraut gemacht und erarbeiten sich so die Grundzüge dieser Programmiersprache in kleinen praktischen Aufgaben.
Anschließend folgt die Arbeit in kleinen Projektgruppen und die Studierenden entwerfen in Eigenverantwortlichkeit eine Lösungsstrategie für ihre Aufgabenstellung. Die Protokollierung der gewonnenen Ergebnisse erfolgt in einem sauber kommentiertem Python Code und einer schriftlichen Ausarbeitung (Umfang 10 Seiten).
Als Programmierumgebung wird Python genutzt.
Im Rahmen des Projektseminars werden zu Beginn die folgenden theoretischen Schwerpunkte gelegt:
(1) Relevanz von Verbrennung
(2) Grundlagen der Verbrennung
(3) Grundlagen der Akustik
(4) Grundlagen der Thermoakustik
(5) Grundlagen Machine Learning
(6) Fortgeschrittene Machine Learning Methoden
Gleichzeitig dazu werden die Studierenden durch Coding-Sessions mit Python vertraut gemacht und erarbeiten sich so die Grundzüge dieser Programmiersprache in kleinen praktischen Aufgaben.
Anschließend folgt die Arbeit in kleinen Projektgruppen und die Studierenden entwerfen in Eigenverantwortlichkeit eine Lösungsstrategie für ihre Aufgabenstellung. Die Protokollierung der gewonnenen Ergebnisse erfolgt in einem sauber kommentiertem Python Code und einer schriftlichen Ausarbeitung (Umfang 10 Seiten).