Dirk Mohr: Katalogdaten im Frühjahrssemester 2023 |
| Name | Herr Prof. Dr. Dirk Mohr |
| Lehrgebiet | Künstliche Intelligenz in Mechanik und Fertigung |
| Adresse | KI in Mechanik und Fertigung ETH Zürich, CLA J 23.2 Tannenstrasse 3 8092 Zürich SWITZERLAND |
| Telefon | +41 44 632 26 12 |
| dmohr@ethz.ch | |
| URL | http://mohr.ethz.ch |
| Departement | Maschinenbau und Verfahrenstechnik |
| Beziehung | Ordentlicher Professor |
| Nummer | Titel | ECTS | Umfang | Dozierende | |
|---|---|---|---|---|---|
| 151-0075-21L | Formula Student Electric  Voraussetzung: Besuch der Lerneinheit 151-0075-20L Formula Student Electric im HS22. | 14 KP | 15A | D. Mohr | |
| Kurzbeschreibung | Im Team ein Produkt von A-Z entwickeln und realisieren! Anwenden und Vertiefen des bestehenden Wissens, Arbeiten in Teams, Selbständigkeit, Problemstrukturierung, Lösungsfindung in unscharfen Problemstellungen, Systembeschreibung und -simulation, Präsentation und Dokumentation, Realisationsfähigkeit, Werkstatt- und Industriekontakte, Anwendung modernster Ingenieur-Werkzeuge (Matlab, Simulink usw). | ||||
| Lernziel | Die vielfältigen Lernziele dieses Fokus-Projektes sind: - Synthetisieren und Vertiefen des theoretischen Wissens aus den Grundlagenfächern des 1.-4. Semesters - Teamorganisation, Arbeiten in Teams, Steigerung der sozialen Kompetenz - Selbständigkeit, Initiative, selbständiges Lernen neuer Themeninhalte - Problemstrukturierung, Lösungsfindung in unscharfen Problemstellungen, Suchen von Informationen - Systembeschreibung und -simulation - Präsentationstechnik, Dokumentationserstellung - Entscheidungsfähigkeit, Realisationsfähigkeit - Werkstatt- und Industriekontakte - Erweiterung und Vertiefung von Sachwissen - Beherrschung modernster Ingenieur-Werkzeuge (Matlab, Simulink, CAD, CAE, PDM) | ||||
| 151-0502-00L | Mechanik II | 6 KP | 4V + 2U | D. Mohr | |
| Kurzbeschreibung | Spannungstensor, Verzerrungen, linearelastische Körper, spezielle Biegung prismatischer Balken, numerische Methoden, allgemeinere Biegeprobleme, Torsion, Arbeit und Deformationsenergie, Energiesätze und -verfahren, Knickung. | ||||
| Lernziel | Für die mechanische Auslegung von Systemen sind die Kenntnisse aus der Kontinuumsmechanik notwendige Voraussetzung. Dazu gehören insbesondere die Begriffe Spannungen, Deformationen, etc. welche an einfachen Systemen sowohl mathematisch sauber wie auch intuitiv verständlich werden. In dieser Vorlesung werden die Voraussetzungen für die Analyse deformierbarer Körper erarbeitet, so dass die Studierenden sie anschliessend in Fächern wie Dimensionen, die näher bei der Anwendung liegen. | ||||
| Inhalt | Spannungstensor, Verzerrungen, linearelastische Körper, spezielle Biegung prismatischer Balken, numerische Methoden, allgemeinere Biegeprobleme, Torsion, Arbeit und Deformationsenergie, Energiesätze und -verfahren, Knickung. | ||||
| Literatur | Mahir B. Sayir, Jürg Dual, Stephan Kaufmann Ingenieurmechanik 2: Deformierbare Körper, Teubner Verlag | ||||
| 151-0840-00L | Optimization and Machine Learning | 4 KP | 2V + 2U | B. Berisha, D. Mohr | |
| Kurzbeschreibung | The course teaches the basics of nonlinear optimization and concepts of machine learning. An introduction to the finite element method allows an extension of the application area to real engineering problems such as structural optimization and modeling of material behavior on different length scales. | ||||
| Lernziel | Students will learn mathematical optimization methods including gradient based and gradient free methods as well as established algorithms in the context of machine learning to solve real engineering problems, which are generally non-linear in nature. Strategies to ensure efficient training of machine learning models based on large data sets define another teaching goal of the course. Optimization tools (MATLAB, LS-Opt, Python) and the finite element program ABAQUS are presented to solve both general and real engineering problems. | ||||
| Inhalt | - Introduction into Nonlinear Optimization - Design of Experiments DoE - Introduction into Nonlinear Finite Element Analysis - Optimization based on Meta Modeling Techniques - Shape and Topology Optimization - Robustness and Sensitivity Analysis - Fundamentals of Machine Learning - Generalized methods for regression and classification, Neural Networks, Support Vector machines - Supervised and unsupervised learning | ||||
| Skript | Lecture slides and literature | ||||