Im Kurs werden theoretischen Grundlagen derEntwurfsoptimierung und Zuverlässigkeitsanalyse vermittelt, der Fokus liegtjedoch auf dem Anwendungsbezug dieser Verfahren. Die Inhalte werden in Veranstaltungenvermittelt, die sowohl Vorlesungskomponenten als auch Rechnerübungen enthalten.In den Rechnerübungen werden die erlernten Methoden in Matlab implementiert, umderen praktische Umsetzung zu vermitteln.
Folgende Inhalte werden im Kurs behandelt:
Entwurfsoptimierung
Gradientenbasierte Verfahren
Genetische Algorithmen
Optimierung unter Nebenbedingungen
Topologieoptimierung
Zuverlässigkeitsanalyse
Grundlagen der Stochastik
Monte-Carlo-Methoden
Semi-analytische Verfahren
Robustheitsoptimierung Entwurfsoptimierung
Robustheitsmaße
Verknüpfung von Entwurfsoptimierung Zuverlässigkeitsanalyse
Leistungsnachweis:
801 - Entwurfsoptimierung und probabilistische Verfahren in der Strukturmechanik<ul><li>801 - Entwurfsoptimierung und probabilistische Verfahren in der Strukturmechanik: schriftliche Ausarbeitung</li></ul>
ECTS-Kreditpunkte:
3
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Neue Entwurfs- und Berechnungsmethoden für hybride Flugzeugstrukturen (M-EXK1)
In Stud.IP angemeldete Teilnehmer: 53
Anzahl der Postings im Stud.IP-Forum: 2
Anzahl der Dokumente im Stud.IP-Downloadbereich: 4
Betreute Abschlussarbeiten
laufende
beendete
2021
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.