Suchergebnis: Katalogdaten im Frühjahrssemester 2021

Rechnergestützte Wissenschaften Bachelor Information
Für alle Studienreglemente
252-0220-00LIntroduction to Machine Learning Information Belegung eingeschränkt - Details anzeigen
Limited number of participants. Preference is given to students in programmes in which the course is being offered. All other students will be waitlisted. Please do not contact Prof. Krause for any questions in this regard. If necessary, please contact Link
W8 KP4V + 2U + 1AA. Krause, F. Yang
KurzbeschreibungThe course introduces the foundations of learning and making predictions based on data.
LernzielThe course will introduce the foundations of learning and making predictions from data. We will study basic concepts such as trading goodness of fit and model complexitiy. We will discuss important machine learning algorithms used in practice, and provide hands-on experience in a course project.
Inhalt- Linear regression (overfitting, cross-validation/bootstrap, model selection, regularization, [stochastic] gradient descent)
- Linear classification: Logistic regression (feature selection, sparsity, multi-class)
- Kernels and the kernel trick (Properties of kernels; applications to linear and logistic regression); k-nearest neighbor
- Neural networks (backpropagation, regularization, convolutional neural networks)
- Unsupervised learning (k-means, PCA, neural network autoencoders)
- The statistical perspective (regularization as prior; loss as likelihood; learning as MAP inference)
- Statistical decision theory (decision making based on statistical models and utility functions)
- Discriminative vs. generative modeling (benefits and challenges in modeling joint vy. conditional distributions)
- Bayes' classifiers (Naive Bayes, Gaussian Bayes; MLE)
- Bayesian approaches to unsupervised learning (Gaussian mixtures, EM)
LiteraturTextbook: Kevin Murphy, Machine Learning: A Probabilistic Perspective, MIT Press
Voraussetzungen / BesonderesDesigned to provide a basis for following courses:
- Advanced Machine Learning
- Deep Learning
- Probabilistic Artificial Intelligence
- Seminar "Advanced Topics in Machine Learning"
402-0812-00LComputational Statistical Physics Information W8 KP2V + 2UM. Krstic Marinkovic
KurzbeschreibungSimulationsmethoden in der statistischen Physik. Klassische Monte-Carlo-Simulationen: finite-size scaling, Clusteralgorithmen, Histogramm-Methoden, Renormierungsgruppe. Anwendung auf Boltzmann-Maschinen. Simulation von Nichtgleichgewichtssystemen.

Molekulardynamik-Simulationen: langreichweitige Wechselwirkungen, Ewald-Summation, diskrete Elemente, Parallelisierung.
LernzielDie Vorlesung ist eine Vertiefung von Simulationsmethoden in der statistischen Physik, und daher ideal als Fortführung der Veranstaltung "Introduction to Computational Physics" des Herbstsemesters. Im ersten Teil lernen Studenten die folgenden Methoden anzuwenden: Klassische Monte-Carlo-Simulationen, finite-size scaling, Clusteralgorithmen, Histogramm-Methoden, Renormierungsgruppe. Ausserdem lernen Studenten die Anwendung der Methoden aus der Statistischen Physik auf Boltzmann-Maschinen kennen und lernen wie Nichtgleichgewichtssysteme simuliert werden.

Im zweiten Teil wenden die Studenten Methoden zur Simulation von Molekulardynamiken an. Das beinhaltet unter anderem auch langreichweitige Wechselwirkungen, Ewald-Summation und diskrete Elemente.
InhaltSimulationsmethoden in der statistischen Physik. Klassische Monte-Carlo-Simulationen: finite-size scaling, Clusteralgorithmen, Histogramm-Methoden, Renormierungsgruppe. Anwendung auf Boltzmann-Maschinen. Simulation von Nichtgleichgewichtssystemen. Molekulardynamik-Simulationen: langreichweitige Wechselwirkungen, Ewald-Summation, diskrete Elemente, Parallelisierung.
SkriptSkript und Folien sind online verfügbar und werden bei Bedarf verteilt.
LiteraturLiteraturempfehlungen und Referenzen sind im Skript enthalten.
Voraussetzungen / BesonderesGrundlagenwissen in der Statistischen Physik, Klassischen Mechanik und im Bereich der Rechnergestützten Methoden ist empfohlen.
402-0810-00LComputational Quantum Physics
Fachstudierende UZH müssen das Modul PHY522 direkt an der UZH buchen.
W8 KP2V + 2UM. H. Fischer
KurzbeschreibungThis course provides an introduction to simulation methods for quantum systems. Starting from the one-body problem, a special emphasis is on quantum many-body problems, where we cover both approximate methods (Hartree-Fock, density functional theory) and exact methods (exact diagonalization, matrix product states, and quantum Monte Carlo methods).
LernzielThrough lectures and practical programming exercises, after this course:
Students are able to describe the difficulties of quantum mechanical simulations.
Students are able to explain the strengths and weaknesses of the methods covered.
Students are able to select an appropriate method for a given problem.
Students are able to implement basic versions of all algorithms discussed.
SkriptA script for this lecture will be provided.
LiteraturA list of additional references will be provided in the script.
Voraussetzungen / BesonderesA basic knowledge of quantum mechanics, numerical tools (numerical differentiation and integration, linear solvers, eigensolvers, root solvers, optimization), and a programming language (for the teaching assignments, you are free to choose your preferred one).
227-0161-00LMolecular and Materials Modelling Information W4 KP2V + 2UD. Passerone, C. Pignedoli
KurzbeschreibungThe course introduces the basic techniques to interpret experiments with contemporary atomistic simulation, including force fields or ab initio based molecular dynamics and Monte Carlo. Structural and electronic properties will be simulated hands-on for realistic systems.
The modern methods of "big data" analysis applied to the screening of chemical structures will be introduced with examples.
LernzielThe ability to select a suitable atomistic approach to model a nanoscale system, and to employ a simulation package to compute quantities providing a theoretically sound explanation of a given experiment. This includes knowledge of empirical force fields and insight in electronic structure theory, in particular density functional theory (DFT). Understanding the advantages of Monte Carlo and molecular dynamics (MD), and how these simulation methods can be used to compute various static and dynamic material properties. Basic understanding on how to simulate different spectroscopies (IR, X-ray, UV/VIS). Performing a basic computational experiment: interpreting the experimental input, choosing theory level and model approximations, performing the calculations, collecting and representing the results, discussing the comparison to the experiment.
Inhalt-Classical force fields in molecular and condensed phase systems
-Methods for finding stationary states in a potential energy surface
-Monte Carlo techniques applied to nanoscience
-Classical molecular dynamics: extracting quantities and relating to experimentally accessible properties
-From molecular orbital theory to quantum chemistry: chemical reactions
-Condensed phase systems: from periodicity to band structure
-Larger scale systems and their electronic properties: density functional theory and its approximations
-Advanced molecular dynamics: Correlation functions and extracting free energies
-The use of Smooth Overlap of Atomic Positions (SOAP) descriptors in the evaluation of the (dis)similarity of crystalline, disordered and molecular compounds
SkriptA script will be made available and complemented by literature references.
LiteraturD. Frenkel and B. Smit, Understanding Molecular Simulations, Academic Press, 2002.

M. P. Allen and D.J. Tildesley, Computer Simulations of Liquids, Oxford University Press 1990.

C. J. Cramer, Essentials of Computational Chemistry. Theories and Models, Wiley 2004

G. L. Miessler, P. J. Fischer, and Donald A. Tarr, Inorganic Chemistry, Pearson 2014.

K. Huang, Statistical Mechanics, Wiley, 1987.

N. W. Ashcroft, N. D. Mermin, Solid State Physics, Saunders College 1976.

E. Kaxiras, Atomic and Electronic Structure of Solids, Cambridge University Press 2010.
Computational Finance
Die Kurse aus diesem Vertiefungsgebiet finden im Herbstsemester statt.
227-0707-00LOptimization Methods for EngineersW3 KP2GJ. Smajic
KurzbeschreibungErste Semesterhälfte: Einführung in die wichtigsten Methoden der numerischen Optimierung mit Schwerpunkt auf stochastischen Verfahren wie genetische Algorithmen, evolutionäre Strategien, etc.
Zweite Semesterhälfte: Jeder Teilnehmer implementiert ein ausgewähltes Optimierungsverfahren und wendet es auf ein praktisches Problem an.
LernzielNumerische Optimierung spielt eine zunehmende Rolle sowohl bei der Entwicklung technischer Produkte als auch bei der Entwicklung numerischer Methoden. Die Studenten sollen lernen, geeignete Verfahren auszuwählen, weiter zu entwickeln und miteinander zu kombinieren um so praktische Probleme effizient zu lösen.
InhaltTypische Optimierungsprobleme und deren Tücken werden skizziert. Bekannte deterministische Suchalgorithmen, Verfahren der kombinatorische Minimierung und evolutionäre Algorithmen werden vorgestellt und miteinander verglichen. Da Optimierungsprobleme im Ingenieurbereich oft sehr komplex sind, werden Wege zur Entwicklung neuer, effizienter Verfahren aufgezeigt. Solche Verfahren basieren oft auf einer Verallgemeinerung oder einer Kombination von bekannten Verfahren. Zur Veranschaulichung werden aus dem breiten Anwendungsbereich numerischer Optimierungsverfahren verschiedenartigste praktische Probleme herausgegriffen
SkriptPDF of a short skript (39 pages) plus the view graphs are provided
Voraussetzungen / BesonderesVorlesung nur in der 1. Semesterhälfte, Übungen in Form kleiner Projekte in der 2. Semesterhälfte, Präsentation der Resultate in der letzten Semesterwoche.
Empfohlene Kombinationen:
Fach 1 + Fach 2
Fach 1 + Fach 3
Fach 2 + Fach 3
Fach 3 + Fach 4
Fach 5 + Fach 6 + Fach 8
Fach 4 + Fach 5
Fach 7 + Fach 8
Geophysik: Fach 1
findet im Herbstsemester statt
Geophysik: Fach 2
findet im Herbstsemester statt
Geophysik: Fach 3
651-4008-00LDynamics of the Mantle and LithosphereW3 KP2GA. Rozel
KurzbeschreibungDas Ziel dieses Kurses ist, ein ausführliches Verständnis der physikalischen Eigenschaften, der Struktur und des dynamischen Verhaltens des Mantle-Lithosphäre Systems zu erreichen. Der Kurs fokussiert hauptsächlich auf die Erde aber bespricht auch wie diese Prozesse in anderen terrestrischen Planeten auftreten.
LernzielDas Ziel dieses Kurses ist, ein ausführliches Verständnis der physikalischen Eigenschaften, der Struktur und des dynamischen Verhaltens des Umhang-Lithoshäre Systems zu erreichen, konzentriert, hauptsächlich auf Masse aber auch bespricht, wie diese Prozesse anders als in anderen terrestrischen Planeten auftreten.
Geophysik: Fach 4
651-4094-00LNumerical Modelling for Applied GeophysicsW5 KP2GJ. Robertsson, H. Maurer
KurzbeschreibungNumerical modelling in environmental and exploration geophysics. The course covers different numerical methods such as finite difference and finite element methods applied to solve PDE’s for instance governing seismic wave propagation and geoelectric problems.

Prerequisites include basic knowledge of (i) signal processing and applied mathematics such as Fourier analysis and (ii) Matlab.
LernzielAfter this course students should have a good overview of numerical modelling techniques commonly used in environmental and exploration geophysics. Students should be familiar with the basic principles of the methods and how they are used to solve real problems. They should know advantages and disadvantages as well as the limitations of the individual approaches.

The course includes exercises in Matlab where the stduents both should lear, understand and use existing scripts as well as carrying out some coding in Matlab themselves.
InhaltDuring the first part of the course, the following topics are covered:
- Applications of modelling
- Physics of acoustic, elastic, viscoelastic wave equations as well as Maxwell's equations for electromagnetic wave propagation and diffusive problems
- Recap of basic techniques in signal processing and applied mathematics
- Potential field modelling
- Solving PDE's, boundary conditions and initial conditions
- Acoustic/elastic wave propagation I, explicit time-domain finite-difference methods
- Acoustic/elastic wave propagation II, Viscoelastic, pseudospectral
- Acoustic/elastic wave propagation III, spectral accuracy in time, frequency domain FD, Eikonal
- Implicit finite-difference methods (geoelectric)
- Finite element methods, 1D/2D (heat equation)
- Finite element methods, 3D (geoelectric)
- Acoustic/elastic wave propagation IV, Finite element and spectral element methods
- HPC and current challenges in computational seismology
- Seismic data imaging project

Most of the lecture modules are accompanied by exercises Small projects will be assigned to the students. They either include a programming exercise or applications of existing modelling codes.
SkriptPresentation slides and some background material will be provided.
LiteraturIgel, H., 2017. Computational seismology: a practical introduction. Oxford University Press.
Voraussetzungen / BesonderesThis course is offered as a full semester course. During the second part of the semester some lecture slots will be dedicated towards working on exercises and course projects.
Geophysik: Fach 5
findet im Herbstsemester statt
Geophysik: Fach 6
651-4006-00LSeismology of the Spherical EarthW3 KP3GM. van Driel, S. C. Stähler
KurzbeschreibungBrief review of continuum mechanics and the seismic wave equation; P and S waves; reciprocity and representation theorems; eikonal equation and ray tracing; Huygens and Fresnel; surface-waves; normal-modes; seismic interferometry and noise; numerical solutions.
LernzielAfter taking this course, students will have the background knowledge necessary to start an original research project in quantitative seismology.
LiteraturShearer, P., Introduction to Seismology, Cambridge University Press,

Aki, K. and P. G. Richards, Quantitative Seismology, second edition,
University Science Books, Sausalito, 2002.

Nolet, G., A Breviary of Seismic Tomography, Cambridge University Press, 2008.
Voraussetzungen / BesonderesThis is a quantitative lecture with an emphasis on mathematical description of wave propagation phenomena on the global scale, hence basic knowledge in vector calculus, linear algebra and analysis as well as seismology (e.g. from the 'wave propagation' lecture) are essential to follow this course.
Geophysik: Fach 7
651-4096-00LInverse Theory I: BasicsW3 KP2VA. Fichtner
KurzbeschreibungInverse theory is the art of inferring properties of a physical system from noisy and sparse observations. It is used to transform observations of waves into 3D images of a medium seismic tomography, medical imaging and material science; to constrain density in the Earth from gravity; to obtain probabilities of life on exoplanets ... . Inverse theory is at the heart of many natural sciences.
LernzielThe goal of this course is to enable students to develop a mathematical formulation of specific inference (inverse) problems that may arise anywhere in the physical sciences, and to implement suitable solution methods. Furthermore, students should become aware that nearly all relevant inverse problems are ill-posed, and that their meaningful solution requires the addition of prior knowledge in the form of expertise and physical intuition. This is what makes inverse theory an art.
InhaltThis first of two courses covers the basics needed to address (and hopefully solve) any kind of inverse problem. Starting from the description of information in terms of probabilities, we will derive Bayes' Theorem, which forms the mathematical foundation of modern scientific inference. This will allow us to formalise the process of gaining information about a physical system using new observations. Following the conceptual part of the course, we will focus on practical solutions of inverse problems, which will lead us to study Monte Carlo methods and the special case of least-squares inversion.

In more detail, we aim to cover the following main topics:

1. The nature of observations and physical model parameters
2. Representing information by probabilities
3. Bayes' theorem and mathematical scientific inference
4. Random walks and Monte Carlo Methods
5. The Metropolis-Hastings algorithm
6. Simulated Annealing
7. Linear inverse problems and the least-squares method
8. Resolution and the nullspace
9. Basic concepts of iterative nonlinear inversion methods

While the concepts introduced in this course are universal, they will be illustrated with numerous simple and intuitive examples. These will be complemented with a collection of computer and programming exercises.

Prerequisites for this course include (i) basic knowledge of analysis and linear algebra, (ii) basic programming skills, for instance in Matlab or Python, and (iii) scientific curiosity.
SkriptPresentation slides and detailed lecture notes will be provided.
Voraussetzungen / BesonderesThis course is offered as a half-semester course during the first part of the semester
651-4096-02LInverse Theory II: Applications
Voraussetzung: Erfolgreicher Abschluss von 651-4096-00L Inverse Theory I: Basics.
W3 KP2GA. Fichtner, C. Böhm
KurzbeschreibungThis second part of the course on Inverse Theory provides an introduction to the numerical solution of large-scale inverse problems. Specific examples are drawn from different areas of geophysics and image processing. Students solve various model problems using python and jupyter notebooks, and familiarize themselves with relevant open-source libraries and commercial software.
LernzielThis course provides numerical tools and recipes to solve (non)-linear inverse problems arising in nearly all fields of science and engineering. After successful completion of the class, the students will have a thorough understanding of suitable solution algorithms, common challenges and possible mitigations to infer parameters that govern large-scale physical systems from sparse data measurements.

Prerequisites for this course are (i) 651-4096-00L Inverse Theory: Basics, (ii) basic programming skills.
InhaltThe class discusses several important concepts to solve (non)-linear inverse problems and demonstrates how to apply them to real-world data applications. All sessions are split into a lecture part in the first half, followed by tutorials using python and jupyter notebooks in the second. The range of covered topics include:

1. Regularization filters and image deblurring
2. Travel-time tomography
3. Line-search methods
4. Time reversal and Born’s approximation
5. Adjoint methods
6. Full-waveform inversion
SkriptPresentation slides and some background material will be provided.
Voraussetzungen / BesonderesThis course is offered as a half-semester course during the second part of the semester
Geophysik: Fach 8
findet im Herbstsemester statt
636-0702-00LStatistical Models in Computational BiologyW6 KP2V + 1U + 2AN. Beerenwinkel
KurzbeschreibungThe course offers an introduction to graphical models and their application to complex biological systems. Graphical models combine a statistical methodology with efficient algorithms for inference in settings of high dimension and uncertainty. The unifying graphical model framework is developed and used to examine several classical and topical computational biology methods.
LernzielThe goal of this course is to establish the common language of graphical models for applications in computational biology and to see this methodology at work for several real-world data sets.
InhaltGraphical models are a marriage between probability theory and graph theory. They combine the notion of probabilities with efficient algorithms for inference among many random variables. Graphical models play an important role in computational biology, because they explicitly address two features that are inherent to biological systems: complexity and uncertainty. We will develop the basic theory and the common underlying formalism of graphical models and discuss several computational biology applications. Topics covered include conditional independence, Bayesian networks, Markov random fields, Gaussian graphical models, EM algorithm, junction tree algorithm, model selection, Dirichlet process mixture, causality, the pair hidden Markov model for sequence alignment, probabilistic phylogenetic models, phylo-HMMs, microarray experiments and gene regulatory networks, protein interaction networks, learning from perturbation experiments, time series data and dynamic Bayesian networks. Some of the biological applications will be explored in small data analysis problems as part of the exercises.
Literatur- Airoldi EM (2007) Getting started in probabilistic graphical models. PLoS Comput Biol 3(12): e252. doi:10.1371/journal.pcbi.0030252
- Bishop CM. Pattern Recognition and Machine Learning. Springer, 2007.
- Durbin R, Eddy S, Krogh A, Mitchinson G. Biological Sequence Analysis. Cambridge university Press, 2004
Von den angebotenen Wahlfächern müssen mindestens zwei Lerneinheiten erfolgreich abgeschlossen werden.
151-3202-00LProduct Development and Engineering Design Belegung eingeschränkt - Details anzeigen
Number of participants limited to 60.
W4 KP2GK. Shea, T. Stankovic
KurzbeschreibungThe course introduces students to the product development process. In a team, you will explore the early phases of conceptual development and product design, from ideation and concept generation through to hands-on prototyping. This is an opportunity to gain product development experience and improve your skills in prototyping and presenting your product ideas. The project topic changes each year.
LernzielThe course introduces you to the product development process and methods in engineering design for: product planning, user-centered design, creating product specifications, ideation including concept generation and selection methods, material selection methods and prototyping. Further topics include design for manufacture and design for additive manufacture. You will actively apply the process and methods learned throughout the semester in a team on a product development project including prototyping.
InhaltWeekly topics accompanying the product development project include:
1 Introduction to Product Development and Engineering Design
2 Product Planning and Social-Economic-Technology (SET) Factors
3 User-Centered Design and Product Specifications
4 Concept Generation and Selection Methods
5 System Design and Embodiment Design
6 Prototyping and Prototype Planning
7 Material Selection in Engineering Design
8 Design for Manufacture and Design for Additive Manufacture
Skriptavailable on Moodle
LiteraturUlrich, Eppinger, and Yang, Product Design and Development. 7th ed., McGraw-Hill Education, 2020.

Cagan and Vogel, Creating Breakthrough Products: Revealing the Secrets that Drive Global Innovation, 2nd Edition, Pearson Education, 2013.
Voraussetzungen / BesonderesAlthough the course is offered to ME (BSc and MSc) and CS (BSc and MSc) students, priority will be given to ME BSc students in the Focus Design, Mechanics, and Materials if the course is full.
151-0840-00LOptimization and Machine Learning
Note: previous course title until FS20 "Principles of FEM-Based Optimization and Robustness Analysis".
W4 KP2V + 2UB. Berisha, D. Mohr
KurzbeschreibungThe 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.
LernzielStudents 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
SkriptLecture slides and literature
151-0206-00LEnergy Systems and Power EngineeringW4 KP2V + 2UR. S. Abhari, A. Steinfeld
KurzbeschreibungIntroductory first course for the specialization in ENERGY. The course provides an overall view of the energy field and pertinent global problems, reviews some of the thermodynamic basics in energy conversion, and presents the state-of-the-art technology for power generation and fuel processing.
LernzielIntroductory first course for the specialization in ENERGY. The course provides an overall view of the energy field and pertinent global problems, reviews some of the thermodynamic basics in energy conversion, and presents the state-of-the-art technology for power generation and fuel processing.
InhaltWorld primary energy resources and use: fossil fuels, renewable energies, nuclear energy; present situation, trends, and future developments. Sustainable energy system and environmental impact of energy conversion and use: energy, economy and society. Electric power and the electricity economy worldwide and in Switzerland; production, consumption, alternatives. The electric power distribution system. Renewable energy and power: available techniques and their potential. Cost of electricity. Conventional power plants and their cycles; state-of-the-art and advanced cycles. Combined cycles and cogeneration; environmental benefits. Solar thermal; concentrated solar power; solar photovoltaics. Fuel cells: characteristics, fuel reforming and combined cycles.
SkriptVorlesungsunterlagen werden verteilt
151-0306-00LVisualization, Simulation and Interaction - Virtual Reality I Information W4 KP4GA. Kunz
KurzbeschreibungTechnologie der virtuellen Realität. Menschliche Faktoren, Erzeugung virtueller Welten, Beleuchtungsmodelle, Display- und Beschallungssysteme, Tracking, haptische/taktile Interaktion, Motion Platforms, virtuelle Prototypen, Datenaustausch, VR-Komplettsysteme, Augmented Reality; Kollaborationssysteme; VR und Design; Umsetzung der VR in der Industrie; Human COmputer Interfaces (HCI).
LernzielDie Studierenden erhalten einen Überblick über die virtuelle Realität, sowohl aus technischer als auch aus informationstechnologischer Sicht. Sie lernen unterschiedliche Software- und Hardwareelemente kennen sowie deren Einsatzmöglichkeiten im Geschäftsprozess. Die Studierenden entwickeln eine Kenntnis darüber, wo sich heute die virtuelle Realität nutzbringend einsetzen lässt und wo noch weiterer Forschungsbedarf besteht. Anhand konkreter Programme und Systeme erfahren die Teilnehmer den Umgang mit den erlernten neuen Technologien.
Studierende sind in der Lage:
• gängige VR-Technologien zu evaluieren und die geeignetste für eine gegebene Aufgabe auszuwählen bezüglich der folgenden Gesichtspunkte:
o Visualisierungsmöglichkeiten: Monitore, Projektionssysteme, Datenbrillen
o Positionserfassungssystemen (optisch/elektromagnetisch/mechanisch)
o Interaktionstechnologien: Datenhandschuhe, Möglichkeit des echten Laufens/Erfassung der Augenbewegung/manuelle Interaktion, usw.
• eine VR-Anwendung selbstständig zu entwickeln,
• die VR-Technologie auf industrielle Anforderungen anzuwenden,
• das erlernte Wissen in einer praktischen Anwendung zu vertiefen.
• grundlegende Unterschiede in Anwendung digitaler Welten zu vergleichen (VR/AR/MR/XR)
InhaltDiese Vorlesung gibt eine Einführung in die Technologie der virtuellen Realität als neues Tool zur Bewältigung komplexer Geschäftsprozesse. Es sind die folgenden Themen vorgesehen: Einführung und Geschichte der VR; Eingliederung der VR in die Produktentwicklung; Nutzen von VR für die Industrie; menschliche Faktoren als Grundlage der virtuellen Realität; Einführung in die Erzeugung (Modellierung) virtueller Welten; Beleuchtungsmodelle; Kollisionserkennung; Displaysysteme; Projektionssysteme; Beschallungssysteme; Trackingssysteme; Interaktionsgeräte für die virtuelle Umgebung; haptische und taktile Interaktion; Motion Platforms; Datenhandschuh; physikalisch basierte Simulation; virtuelle Prototypen; Datenaustausch und Datenkommunikation; VR-Komplettsysteme; Augmented Reality; Kollaborationssysteme; VR zur Unterstützung von Designaufgaben; Umsetzung der VR in der Industrie; Ausblick in die laufende Forschung im Bereich VR.

- Geschichte der VR und Definition der wichtigsten Begriffe
- Einordnung der VR in Geschäftsprozesse
- Die Erzeugung virtueller Welten
- Geräte und Technologien für die immersive virtuelle Realität
- Anwendungen der VR in unterschiedlichsten Gebieten
SkriptDie Durchführung der Lehrveranstaltung erfolgt gemischt mit Vorlesungs- und Übungsanteilen.
Die Vorlesung kann auf Wunsch in Englisch erfolgen. Das Skript ist ebenfalls in Englisch verfügbar.
Skript, Handout; Kosten SFr.30.-
Voraussetzungen / BesonderesVoraussetzungen:
Vorlesung geeignet für D-MAVT, D-ITET, D-MTEC und D-INF

Testat/ Kredit-Bedingungen/ Prüfung:
– Teilnahme an Vorlesung und Kolloquien
– Erfolgreiche Durchführung von Übungen in Teams
– Mündliche Einzelprüfung 30 Minuten
151-0314-00LInformationstechnologien im digitalen ProduktW4 KP3GE. Zwicker, R. Montau
KurzbeschreibungZielsetzung, Konzepte und Methoden der Digitalisierung, Digitales Produkt und Product Lifecycle Management (PLM), Industrie 4.0
Digitalisierungskonzepte: Produktstrukturen, Prozessoptimierung mit digitalen Modellen in Verkauf, Produktion, Service, Digital Twin versus Digital Thread
PLM-Grundlagen: Objekte, Strukturen, Prozesse, Integrationen, Visualisierung
Praktische Anwendungen
LernzielStudierenden lernen die Grundlagen und Konzepte der Digitalisierung im Produktlebenszylus auf Basis von Produkt Lifecycle Management-Technologien (PLM), den Einsatz von Datenbanken, die Integration von CAx-Systemen und Visualisierung/AR, den Aufbau computergestützter Kollaboration auf Basis von Standards und Protokollen sowie das Varianten- und Konfigurationsmanagement zur effizienten Nutzung des Digitalen Produkt-Ansatzes für Industrie 4.0.
InhaltMöglichkeiten und Potenziale moderner IT-Applikationen mit Fokus auf PLM- und CAx--Technologien für den zielgerichteten Einsatz im Zusammenhang Produktplattform - Unternehmensprozesse - IT-Tools. Einführung in die Konzepte des Product Lifecycle Managements (PLM): Informationsmodellierung, Datenmanagement, Revisionierung, Nutzung und Verteilung von Produktdaten. Aufbau und Funktionsweise von PLM-Systemen. Integration neuer IT-Technologien in Unternehmensprozesse. Möglichkeiten der Publikation und automatischen Konfiguration von Produktvarianten im Internet. Einsatz modernster Informations- und Kommunikationstechnologien beim Entwickeln von Produkten an global verteilten Standorten. Schnittstellen der rechnerintegrierten Produktentwicklung. Auswahl, Projektierung, Anpassung und Einführung von PLM-Systemen. Beispiele und Fallstudien für den industriellen Einsatz moderner Informationstechnologien.

- Einführung in die Digitalisierung (Digitales Produkt, PLM)
- Datenbanktechnologie (Basis der Digitalisierung)
- Objektmanagement
- Objektklassifikation
- Objektidentifikation mit Sachnummernsystem
- CAx/PLM-Integration mit Visualisierung/AR
- Workflow & Change Management
- Schnittstellen im Digitalen Produkt
- Enterprise Application Integration (EAI)
SkriptDidaktisches Konzept/Lehrmaterialien:
Die Durchführung der Lehrveranstaltung erfolgt gemischt mit Vorlesungs- und Übungsanteilen anhand von Praxisbeispielen.
Bereitstellung von Vorlesungs-Handouts und Skriptum digital in Moodle.
Voraussetzungen / BesonderesVoraussetzungen: Keine
Empfohlen: Fokus-Projekt, Interesse an Digitalisierung
Vorlesung geeignet für D-MAVT, D-MTEC, D-ITET und D-INFK

Testat/Kredit-Bedingungen / Prüfung:
- Durchführung von Übungen in Teams (empfohlen)
- Mündliche Einzelprüfung 30 Minuten, anhand konkreter Problemstellungen
151-0660-00LModel Predictive Control Information W4 KP2V + 1UM. Zeilinger, A. Carron
KurzbeschreibungModel predictive control is a flexible paradigm that defines the control law as an optimization problem, enabling the specification of time-domain objectives, high performance control of complex multivariable systems and the ability to explicitly enforce constraints on system behavior. This course provides an introduction to the theory and practice of MPC and covers advanced topics.
LernzielDesign and implement Model Predictive Controllers (MPC) for various system classes to provide high performance controllers with desired properties (stability, tracking, robustness,..) for constrained systems.
Inhalt- Review of required optimal control theory
- Basics on optimization
- Receding-horizon control (MPC) for constrained linear systems
- Theoretical properties of MPC: Constraint satisfaction and stability
- Computation: Explicit and online MPC
- Practical issues: Tracking and offset-free control of constrained systems, soft constraints
- Robust MPC: Robust constraint satisfaction
- Nonlinear MPC: Theory and computation
- Hybrid MPC: Modeling hybrid systems and logic, mixed-integer optimization
- Simulation-based project providing practical experience with MPC
SkriptScript / lecture notes will be provided.
Voraussetzungen / BesonderesOne semester course on automatic control, Matlab, linear algebra.
Courses on signals and systems and system modeling are recommended. Important concepts to start the course: State-space modeling, basic concepts of stability, linear quadratic regulation / unconstrained optimal control.

Expected student activities: Participation in lectures, exercises and course project; homework (~2hrs/week).
151-0940-00LModelling and Mathematical Methods in Process and Chemical EngineeringW4 KP3GM. Mazzotti
KurzbeschreibungEinführung in die Modellierungstechniken und mathematischen Methoden für nichtnumerische Lösungen von Gleichungen in der chemischen Verfahrenstechnik.
LernzielEinführung in die Modellierungstechniken und mathematischen Methoden für nichtnumerische Lösungen von Gleichungen in der chemischen Verfahrenstechnik.
InhaltFormulierung und Bearbeitung von mathematischen Modellen, Auswertung und Präsentation von Resultaten, Matrizen und deren Anwendung, Nichtlineare, gewöhnliche Differentialgl. erster Ordnung u. Stabilitätstheorem, Partielle Differenzialgleichungen erster Ordnung, Einführung in die Störungstheorie, Fallstudien: Mehrdeutigkeiten und Stabilität eines kontinuierlichen Rührkessels; Rückstandskurvendiagramme für einfache Destillation; Dynamik von Chromatographiekolonnen; Kinetik und Dynamik von oszillierenden Reaktionen.
Skriptkein Skript
LiteraturA. Varma, M. Morbidelli, "Mathematical methods in chemical engineering," Oxford University Press (1997)
H.K. Rhee, R. Aris, N.R. Amundson, "First-order partial differential equations. Vol. 1," Dover Publications, New York (1986)
R. Aris, "Mathematical modeling: A chemical engineer’s perspective," Academic Press, San Diego (1999)
151-0980-00LBiofluiddynamicsW4 KP2V + 1UD. Obrist, P. Jenny
KurzbeschreibungIntroduction to the fluid dynamics of the human body and the modeling of physiological flow processes (biomedical fluid dynamics).
LernzielA basic understanding of fluid dynamical processes in the human body. Knowledge of the basic concepts of fluid dynamics and the ability to apply these concepts appropriately.
InhaltThis lecture is an introduction to the fluid dynamics of the human body (biomedical fluid dynamics). For selected topics of human physiology, we introduce fundamental concepts of fluid dynamics (e.g., creeping flow, incompressible flow, flow in porous media, flow with particles, fluid-structure interaction) and use them to model physiological flow processes. The list of studied topics includes the cardiovascular system and related diseases, blood rheology, microcirculation, respiratory fluid dynamics and fluid dynamics of the inner ear.
SkriptLecture notes are provided electronically.
LiteraturA list of books on selected topics of biofluiddynamics can be found on the course web page.
227-0052-10LElektromagnetische Felder und Wellen Information W4 KP2V + 2UL. Novotny
KurzbeschreibungGegenstand dieser Vorlesung ist die Erzeugung und Ausbreitung elektromagnetischer Felder. Ausgehend von den Maxwell'schen Gleichungen werden die Wellengleichung und ihre Loesungen hergeleitet. Spezifische Themen sind: Felder im freien Raum, Brechung und Reflexion an Grenzflaechen, Dipolstrahlung und Green'sche Funktionen, Vektor- und Skalarpotentiale, sowie Eichtransformationen.
LernzielVerständnis von elektromagnetischen Feldern und Anwendungsgebiete
  • Erste Seite Vorherige Seite Seite  3  von  5 Nächste Seite Letzte Seite     Alle