Projekte
Ageing Smart – Räume intelligent gestalten
Das Forschungsvorhaben greift gesellschaftliche Herausforderungen im Spannungsfeld von demographischem Wandel und Digitalisierung auf. Die Generation „Babyboomer“ macht hierzulande rund ein Fünftel der gesamten Bevölkerung aus. Da diese sukzessive ins Rentenalter eintreten, sind Kommunen gefordert, altersgerechte Versorgungstrukturen zu schaffen. Ziel ist die Entwicklung eines Systems, das öffentlichen Akteuren mit Methoden der künstlichen Intelligenz, Softwareentwicklung und der mathematischen Optimierung als Entscheidungshilfe in ihren Planungsprozessen dient. Die Arbeitsgruppe Optimierung (Mathematik) erstellt und untersucht hierfür komplexe Modelle unter anderem aus der Routen- und Standortplanung.
Das Projekt wird durch die Carl-Zeiss-Stiftung gefördert.
AGENS
Das Verbundprojekt AGENS beschäftigt sich mit der Entwicklung von flexiblen Modellen basierend auf Neuronalen Netzen, die in der Lage sind, realistische Nachfragedaten von Stromkonsumenten zu simulieren und so zu einer Verbesserung der Datenqualität für jeden individuellen Konsumenten beitragen. Als Kernpunkt des Projekts werden hierzu sogenannte Generative Adversariale Neuronale Netze entwickelt, die eine Datenaugmentation ermöglichen. Für ein erfolgreiches Trainieren sind statistische Voranalysen der Daten durchzuführen, um ihre charakteristischen Muster zu ermitteln und diese in die neuronalen Netze einzuspeisen. Basierend auf dem erweiterten Datenstamm ist es das Ziel, anschließend robuste Modelle mit kalibrierten Unsicherheiten trainieren zu können und deren Anwendbarkeit im industriellen Rahmen zu gewährleisten.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Benetzungs- und Transportverhalten von substratlosen ebenen und gekrümmten hierarchischen Streifenstrukturen
Bei immer kleineren Rohrleitungen nimmt die Wandbeschaffenheit zunehmenden Einfluss auf die Strömungsbedingungen. So können mit Hilfe aufgebrachter Beschichtungen, bestehend aus Mikrostrukturen, Wandeigenschaften und deren Einfluss gezielt herbeigeführt werden. Lufteinschlüsse innerhalb dieser funktionalen Strukturen reduzieren bspw. den Reibungswiderstand einer darüber strömenden Flüssigkeit, gemäß Lotuseffekt. Anwendungsperspektive sind bspw. miniaturisierte verfahrenstechnische Prozesse oder Mikrosysteme. Im Gegensatz zu bisherigen Konzepten versprechen die im Projektverlauf entwickelten Oberflächen eine bessere Anwendbarkeit sowie höhere Stabilität der Lufteinschlüsse. Das Projekt kombiniert analytische Modellierung, numerischer Simulation, Oberflächenherstellung und Experimente. Partner des Projekts ist das Photonik-Zentrum Kaiserslautern.
Das Projekt wird durch die Deutsche Forschungsgemeinschaft (DFG) gefördert.
DAnoBi
Im Projekt DAnoBi werden Methoden für die Detektion von Anomalien in großen Bilddaten entwickelt. Im Fokus steht die Detektion von Rissen in Betonbauteilen. Dazu werden Methoden des maschinellen Lernens, stochastische Modellierung der Strukturen und der Bildgebung sowie statistische Methoden für die Detektion von Auffälligkeiten kombiniert. Die hohe Variabilität der Mikrostruktur von Beton erfordert die Entwicklung von Methoden und Maßen, um objektiv, robust und wiederholbar zu entscheiden, was eine Anomalie, d.h. eine signifikante Abweichung, ist.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Deep Learning on Sparse Chemical Process Data
In immer mehr Bereichen unserer Welt werden Methoden des maschinellen Lernens eingesetzt. Auch für die Industrie ergeben sich Chancen, etwa bei der Optimierung von Produkten oder der Überwachung von industriellen Abläufen. Chemische Prozesse bzw. deren Anlagen sind hochkomplex und produzieren riesige Mengen an heterogenen Zeitreihendaten, die von diversen Sensoren an unterschiedlichen Messstellen aufgezeichnet werden. Selbst erfahrenste Anlagenbetreiber*innen können das nicht vollständig überblicken. Die Sicherheit ist das oberste Gebot. Wenn der Prozess in einen kritischen Bereich läuft, muss er zur Not rechtzeitig abgeschaltet werden. Das ist jedoch in aller Regel sehr teuer. Unnötige Abschaltungen gilt es also zu vermeiden. Die Aufgabenstellung lautet nun, kritische Zustände frühzeitig und zuverlässig zu identifizieren. Der Mensch alleine kann das nicht leisten.
Das Projekt wird durch die Deutsche Forschungsgemeinschaft (DFG) gefördert.
EASIER
EASIER (sEAmless SustaInable EveRyday urban mobility) ist ein interdisziplinäres, transnationales Forschungsprojekt mit einer Laufzeit von 3 Jahren. Das Ziel von EASIER ist es, den Anteil an aktiven und nachhaltigen Verkehrsmodi (z. B. Gehen, Fahrradfahren, öffentlicher Personenverkehr, Sharing-Angebote) zu erhöhen und diese zu attraktiven multimodalen Reisen zu kombinieren. Im Teilprojekt „Effiziente Tarifsysteme für nachhaltige Mobilität“ der RPTU sollen Tarifsysteme gezielt eingesetzt werden, um den öffentlichen Personenverkehr zu stärken und die Nachfrage zu erhöhen. Dazu werden Tarifsysteme sowie Preisstrategien für integrierte Mobilitätssysteme analysiert und entwickelt, wobei das Passagierverhalten und das zugrundeliegende Liniennetz berücksichtigt werden.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) durch ERA-NET Cofund Urban Accessibility and Connectivity (ENUAC) gefördert.
Gekoppelte Analyse aktiver biologischer Prozesse zur Regeneration von Meniskusgewebe
Die Meniskusregeneration und die damit zusammenhängenden Phänomene auf Zell- und Gewebeebene stellen ein komplexes biomedizinisches Problem dar. Klinische Studien zeigen, dass partielle und totale Meniskusresektion zu einer Häufung vorzeitiger Osteoarthritis im Kniegelenk führen. Die Entwicklung adäquater regenerativer Gewebe als Meniskusersatz sind somit ein wichtiges Forschungsziel. Grundlegende Mechanismen und der Einfluss der beteiligten Parameter sollen durch mathematische Modellierung, Simulation und experimentelle Validierung besser verstanden und eine Selektion der aussagekräftigsten Parameterkonstellationen abgeleitet werden. Für die dafür verwendete in-silico Methode sind die Fragen der Wohlgestelltheit und der effizienten numerischen Kopplung der Prozesse auf Zellebene mit dem makroskopischen Verhalten und den mechanischen Eigenschaften relevant. Partner des Projekts sind das DITF Denkendorf und die Universität Ulm.
Das Projekt wird von der DFG im Schwerpunktprogramm SSP 2311 gefördert.
HALF 2 - Holistisches AutoML für FPGAs
Das Projekt HALF geht in die nächste Runde. Ziel des BMBF Pilotinnovationsprojekt „Energieeffiziente KI-Systeme“ war die Entwicklung energieeffizienter Hardware, die Künstliche Intelligenz zur Auswertung von Herzrhythmusstörungen auf mobilen Geräten ermöglicht. Hierzu wurde im Projekt HALF in Zusammenarbeit mit dem Fraunhofer ITWM ein Cross-Layeransatz entwickelt, der eine Pareto-optimale Hardwareimplementierung unter Einbeziehung einer automatisierten neuronalen Netzwerksuche ermöglicht. Das Projekt wurde im März 2021 von der Bundesforschungsministerin mit dem 1. Platz in der Kategorie FPGA in diesem Wettbewerb ausgezeichnet und mit einem neuen BMBF Projekt prämiert, in dem nun zusammen mit der Charite in Berlin und einem EKG Gerätehersteller ein neues EKG-Verfahren zur
automatisierten mobilen Herzrhythmusstörungserkennung entwickelt wird, das eine 5x fache längere Laufzeit bei gleichzeitig verbesserter Erkennungsgenauigkeit gegenüber dem Stand der Technik hat.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
HYDAMO: Hybride datengetriebene und modellbasierte Simulation komplexer Strömungsprobleme in der Fahrzeugindustrie
Zur Abbildung komplexer physikalischer Prozesse existieren im Wesentlichen zwei unterschiedliche paradigmatische Vorgehensweisen: klassische physikalische Modellierung mit zugehöriger numerischer Simulation (modellbasiert) und prognostische Verfahren basierend auf der Analyse großer Datenmengen (datengetrieben). In den letzten Jahren ist die effiziente Kombination von datengetriebenen und modellbasierten Ansätzen zu einer eigenen Forschungsthematik geworden. Ziel des vorliegenden Verbundvorhabens ist es, anhand eines bisher unzureichend verstandenen kontinuumsmechanischen Problems aus der Fahrzeugindustrie datengetriebenes und modellbasiertes Vorgehen beispielhaft zu einer Gesamtlösung zu integrieren. Damit soll die rechnergestützte Abbildung des zugehörigen Prozesses entscheidend verbessert werden.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
KEEN – Künstliche-Intelligenz-Inkubator-Labore in der Prozessindustrie
Die Innovationsplatform KEEN verbindet 20 Industrie- und Wissenschaftseinrichtungen mit dem Ziel, Technologien und Methoden der Künstlichen Intelligenz in der Prozessindustrie einzuführen. Im Rahmen von KEEN beschäftigt sich das Forschungsteam mit der Entwicklung von hybriden prädiktiven Stoffdatenmodellen. Stoffdaten sind von fundamentaler Bedeutung in der Verfahrenstechnik, da ihre experimentelle Bestimmung aber teuer und aufwendig ist, werden Vorhersagemethoden benötigt. Während physikalische Methoden hierfür etabliert sind, eröffnen datengetriebene Methoden des maschinellen Lernens eröffnen ganz neue Perspektiven. Im Projekt werden beide Welten zusammengeführt und überlegene hybride Ansätze, welche die Expressivität von Methoden des Machine Learnings mit dem umfangreichen vorhandenen physikalischen Wissen vereint, entwickelt.
Das Projekt wird durch das Bundesministerium für Wirtschaft und Energie (BMWi) gefördert.
Oho - Optimierung holzbasierter Dämmstoffe
Holz- und andere Zellulosefaserdämmstoffe sind die am häufigsten verwendeten Dämmstoffe aus nachwachsenden Rohstoffen. Ihre Wärmeleitfähigkeit ist jedoch im Allgemeinen höher als die konventioneller Dämmstoffe wie Mineralwolle und Hartschäume (20-50 W/K). Herstellungsbedingt ist die Wärmeleitfähigkeit durch die Verteilung und Orientierung der Zellulosefasern stark anisotrop und die Mikrostruktur enthält neben Einzelfasern auch Faserbündel unterschiedlicher Größe. Deshalb ist die genaue Vorhersage der Wärmeleitfähigkeit sowie die weitere Optimierung der Plattenstruktur, um Wärmeleitfähigkeiten <35 W/K zu erreichen, gerade für diese Klasse von Holzfaserdämmstoffen schwierig. Ziel des Forschungsvorhabens ist es daher, die Struktur hochporöser Holzfaserdämmplatten zu optimieren, um ihre effektive Wärmeleitfähigkeit weiter zu senken. Potenzial dafür liegt gerade darin, die Anisotropie zu nutzen und gezielt unterschiedlich große Faserbündel zu mischen. Um dieses Potenzial zu erschließen, sollen Methoden des maschinellen Lernens, geometrische Strukturmodellierung anhand von Bilddaten und numerische Verfahren für die effiziente Simulation des Wärmetransports mit Optimierungsmethoden kombiniert werden. Partner des Projekts sind das Fraunhofer ITWM, die Bergische Universität Wuppertal und die Martin-Luther-Universität Halle.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
poSt - Synthetische Daten für die ML-Segmentierung von FIB-REM-Nanotomografien hoch poröser Strukturen
Die Nanostruktur komplexer Werkstoffe kann durch die FIB-REM-Serienschnitttechnik in 3D abgebildet werden. Zur Analyse des Werkstoffs müssen seine Komponenten aus den Bilddaten rekonstruiert werden. Bei hoher Porosität ist dies schwierig, da durch die Poren auch Strukturen hinter der aktuellen Schnittfläche sichtbar sind. Hohes Potenzial haben hier maschinelle Lernverfahren. Trainingsdaten sind jedoch schwer zu beschaffen. Eine manuelle Segmentierung ist kaum möglich, da auch der Mensch oft nicht entscheiden kann, welche Strukturen in der gerade geschnittenen Ebene liegen. Synthetische Bilder, für die das korrekte Ergebnis bekannt ist, sind ein attraktiver Ausweg. Die Ähnlichkeit der simulierten zu der realen Struktur hat dabei einen erheblichen Einfluss auf die Qualität des Ergebnisses. Partner des Projekts ist das DFKI Saarbrücken.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
QuanRPTU
Quantentechnologien drängen immer stärker und schneller in die industrielle Anwendung. Die Entwicklung geht in manchen Bereichen so schnell, dass die Nachfrage an Fachkräften nicht durch die Absolventinnen und Absolventen der Hochschulen gedeckt werden kann. Damit sich berufstätige Fachkräfte auf akademischem Niveau in den Quantentechnologien qualifizieren können, wird die Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau (RPTU) einen berufsbegleitenden, interdisziplinären Fernstudiengang entwickeln. Das Bundesministerium für Bildung und Forschung (BMBF) stellt dazu für Konzeption und Aufbau im Rahmen der Förderprogramme zu den Quantentechnologien rund zwei Millionen Euro für drei Jahre bereit. Unter Leitung von Prof. Artur Widera arbeiten wir in der Mathematik gemeinsam mit Kollegen und Kolleginnen aus den Fachbereichen Elektro- und Informationstechnik, Informatik und Physik, sowie dem Fraunhofer ITWM und dem DFKI an neuen Lehrinhalten und Formaten, um ein optimiertes Fernstudium am Distant and Independent Studies Center (DISC) der RPTU zu ermöglichen. Der neue Masterstudiengang mit dem Namen QuanRPTU soll in drei Jahren am Fernstudiengangzentrum der RPTU, dem Distance and Independent Studies Center (DISC), an den Start gehen. Angesiedelt wird er an der Schnittstelle zwischen Physik, Mathematik, Informatik sowie Elektrotechnik und Informationstechnik.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Scaled boundary isogeometrische Analyse mit leistungsstarken Merkmalen für getrimmte Objekte, Kontinuität höherer Ordnung und die dynamische Strukturanalyse
Die Verbindung von CAD-Verfahren und Finiten Elementen wurde im letzten Jahrzehnt durch die isogeometrische Analysis (kurz IGA) etabliert. Dabei werden die Berechnungsgebiete oft durch deren Ränder definiert. Genau hier setzt die Scaled-Boundary Isogeometric Analysis (SB-IGA) an, die sich mit der Parametrisierung von Gebieten auf der Grundlage von NURBS-Randflächen beschäftigt. Im Projekt, welches in Kooperation mit dem Lehrstuhl für Strukturdynamik an der RWTH Aachen (Prof. Sven Klinkel) bearbeitet wird, steht die Kopplung verschiedener Berechnungsgebiete sowie die globale Glattheit der zugrundeliegenden Ansatzfunktionen im Vordergrund. Desweiteren wird untersucht, welche Vorteile der SB-IGA Ansatz im Kontext von "Trimming", d.h. dem Zu- und Wegschneiden von Gebieten im CAD, aufweist. Die theoretischen Überlegungen und Methoden sollen dann im Bereich der Strukturdynamik angewendet werden.
Das Projekt wird durch die Deutsche Forschungsgemeinschaft (DFG) gefördert.
SIKRIN-KRYPTOV
Quantencomputer werden voraussichtlich bis Ende dieser Dekade die heutigen Verschlüsselungsverfahren brechen können. In kritischen Infrastrukturen wie z.B. der Wasserversorgung, kann dies im schlimmsten Fall zu Ausfällen und Gefahr für Menschenleben führen. Ziel des Projekts „SIKRIN-KRYPTOV“ ist es, neue, gegen Quantencomputer gesicherte Verschlüsselungsverfahren für die Anwendung in solchen kritischen Infrastrukturen zu untersuchen.
In dem Projekt arbeitet die RPTU mit Forschern der TU München und dem Pumpenhersteller KSB zusammen, um neue Lösungen für quantencomputerresistente Verschlüsselungsverfahren für Cloud-basierte Anwendung im „Internet der Dinge“ zu entwickeln. Hierbei liegt der Schwerpunkt insbesondere auf einer effizienten Implementierung dieser Verfahren auf eingebetteten Systemen.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Sustainable Embedded AI
Das Maschinelle Lernen ist ein Verfahren der Künstlichen Intelligenz, das derzeit im Begriff ist, fast alle Bereiche unseres Lebens zu verändern: von persönlichen Assistenten über Medizin und Gesundheit bis hin zu selbstfahrenden Autos. ML-Systeme sind in der Lage, Wissen aus großen Datenmengen zu extrahieren, wofür sie allerdings hohe Rechenleistungen und viel Energie benötigen.
Ziel dieses Projekts ist es, Methoden zu entwickeln, die den Energieverbrauch dieser Technologie senken, sodass diese auch auf kleineren Steuerungseinheiten von Maschinen angewendet werden kann. Hierzu sollen grundlegende Methoden des Maschinellen Lernens so modifiziert werden, dass das Hintergrundwissen des Menschen genutzt werden kann, um weniger Daten und weniger Rechenleistung zu benötigen. Koordiniert wird das Projekt Professor Dr. Paul Lukowicz vom Fachbereich Informatik der RPTU. Projektpartner ist das Deutsche Forschungszentrum für Künstliche Intelligenz.
Das Projekt wird durch die Carl-Zeiss-Stiftung gefördert.
SynosIs - Synthetische, optisch realistische Bilddaten von Oberflächenstrukturen für KI-basierte Inspektionssysteme
Künstliche Intelligenz (KI) wird in Bilderkennung, -verarbeitung und -verstehen sehr erfolgreich eingesetzt. Das Training eines KI-basierten Inspektionssystems für die industrielle Qualitätssicherung erfordert jedoch große Mengen annotierter Bilddaten für alle Fehlertypen. Manuelle Annotation ist aufwändig und fehleranfällig. Viele Fehler, besonders sicherheitskritische, treten sehr selten auf. Realistische synthetische Bilddaten helfen, diese Probleme zu umgehen. Wir verknüpfen Physik, Mathematik und Informatik, um synthetische Bilder typischer Defekte auf metallischen Oberflächen in bisher unerreichter Realitätsnähe zu generieren. Diese garantiert korrekt und objektiv annotierten Fehlerbilder stehen für Training und Validierung von KI für die optische Oberflächeninspektion zur Verfügung.
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.