@misc{IvanovBestleJanke, author = {Ivanov, Dmitrij and Bestle, Dieter and Janke, Christian}, title = {A Response Surface Based Strategy for Accelerated Compressor Map Computation}, series = {Evolutionary and deterministic methods for design optimization and control with applications to industrial and societal problems, Sep. 13-15, 2017 in Madrid, Spain, EUROGEN 2017, Book of abstracts}, journal = {Evolutionary and deterministic methods for design optimization and control with applications to industrial and societal problems, Sep. 13-15, 2017 in Madrid, Spain, EUROGEN 2017, Book of abstracts}, publisher = {Technical University}, address = {Madrid}, isbn = {978-84-697-5112-1}, language = {en} } @inproceedings{IvanovBestleJanke, author = {Ivanov, Dmitrij and Bestle, Dieter and Janke, Christian}, title = {Fast Compressor Map Computation by Utilizing Support Vector Machine and Response Surface Approximation}, series = {IEEE World Congress on Computational Intelligence, Rio de Janeiro, 8.-13.07.18}, booktitle = {IEEE World Congress on Computational Intelligence, Rio de Janeiro, 8.-13.07.18}, publisher = {IEEE}, address = {Piscataway, NJ}, isbn = {978-1-5090-6014-6}, pages = {8}, language = {en} } @inproceedings{IvanovBestleJanke, author = {Ivanov, Dmitrij and Bestle, Dieter and Janke, Christian}, title = {A Response Surface Based Strategy for Accelerated Compressor Map Computation}, series = {Evolutionary and Deterministic Methods for Design Optimization and Control With Applications to Industrial and Societal Problems}, booktitle = {Evolutionary and Deterministic Methods for Design Optimization and Control With Applications to Industrial and Societal Problems}, editor = {Andr{\`e}s-P{\`e}rez, Esther and Gonz{\´a}lez, Leo M. and Periaux, Jacques and Gauger, Nicolas R. and Quagliarella, Domenico and Giannakoglou, Kyriakos C.}, publisher = {Springer International Publishing}, address = {Cham}, isbn = {978-3-319-89889-6}, doi = {10.1007/978-3-319-89890-2_14}, pages = {211 -- 226}, language = {en} } @phdthesis{Ivanov, author = {Ivanov, Dmitrij}, title = {Beschleunigung der Verdichterkennfeldberechnung mithilfe von Methoden des maschinellen Lernens}, address = {Cottbus}, doi = {10.26127/BTUOpen-5395}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-53950}, pages = {168}, abstract = {Unser Zeitalter ist gepr{\"a}gt von unbegrenzter Individualmobilit{\"a}t f{\"u}r beinahe jede Gesellschaftsschicht in Industrie und Schwellenl{\"a}ndern. Einer der Hauptzweige dieser Entwicklung ist der zunehmende Flugverkehr. Diese Zunahme wirkt sich negativ auf die Umwelt aus. Durch den Ausstoß von Schadstoffen wie z.B. Stickstoffoxide werden bestehende Probleme in Form von globaler Erw{\"a}rmung, Klimazonenverlagerungen, Umweltkatastrophen und Klimamigration verst{\"a}rkt. Definierte Klimaziele k{\"o}nnen daher nur erreicht werden, wenn der Ausstoß von Schadstoffen reduziert wird. Da es zur Zeit keine serienreife Alternative zu kerosinbetriebenen Triebwerken in der zivilen Luftfahrt gibt, ist eine der wenigen Stellschrauben die Optimierung der Leistung von Triebwerken unter dem Gesichtspunkt der Reduktion des Schadstoffausstoßes bei gleichbleibender oder h{\"o}herer Leistung. Der Entwicklungsprozess von Triebwerken ist heutzutage dominiert von hochmoderner Computertechnologie sowie immer komplexer werdenden Algorithmen und dadurch steigender Anforderungen an Mensch und Maschine. Zum Erreichen h{\"o}herer Wirkungsgrade m{\"u}ssen immer komplexere Str{\"o}mungs-, Verbrennungs-, Steuerungs- und Materialmodelle analysiert werden, welche numerisch sehr zeitaufw{\"a}ndig sind, so dass Berechnungen sogar auf großen Computer-Clustern Tage dauern k{\"o}nnen. Gleichzeitig befindet sich die Forschung in der Industrie unter st{\"a}ndigem Druck, getrieben von chronischem Zeitmangel und Konkurrenz, so dass lange Berechnungszeiten sich negativ auf die Wettbewerbsf{\"a}higkeit auswirken k{\"o}nnen. Aus diesem Grund m{\"u}ssen Ideen formuliert werden, welche innerhalb tolerierbarer Zeitfenster hinreichend detailreiche Analysen und zielf{\"u}hrende Optimierungen erm{\"o}glichen. Parallel zum Anstieg der Komplexit{\"a}t der Systeme fallen durch die Digitalisierung aller Dinge große Mengen von Daten an, welche zum Teil nicht mehr f{\"u}r den Menschen analysierbar sind, jedoch zur effektiven Verbesserung von Systemen genutzt werden k{\"o}nnen. Die Verwendung großer Informationsmengen und Extraktion von Schlussfolgerungen resultierte in einem neuen wissenschaftlichen und wirtschaftlichen Gravitationspunkt mit neuen Forschungsrichtungen, welche sich innerhalb der letzten Jahre zu facettenreichen und beliebten Themen entwickelt haben: Das maschinelle Lernen (ML). Diese Bezeichnung, welche heutzutage im gleichen Atemzug mit k{\"u}nstlicher Intelligenz und Industrie 4.0 genannt wird, kann vereinfacht als ein Oberbegriff f{\"u}r die «k{\"u}nstliche» Generierung von Wissen aus Erfahrungen verstanden werden, wobei es sich bei Erfahrungen gew{\"o}hnlich um Systemdaten und bei Wissen um M{\"o}glichkeiten der Interpolation oder Vorhersage handelt. Somit beinhaltet maschinelles Lernen viele bereits etablierte Methoden wie Regression, Interpolation, Hauptkomponentenanalyse und weitere. In dieser Arbeit soll der industriellen Forderung nach schnellen und hinreichend exakten Berechnungsmethoden mit den Werkzeugen des maschinellen Lernens Rechnung getragen werden. Zu diesem Zweck werden insbesondere zwei Teilbereiche des ML genauer beleuchtet, die Regression und die Klassifikation. Der erste Teilbereich erscheint in Anwendungen der Luft- und Raumfahrt oftmals als eine Art datenbasiertes Regressionsmodell bzw. Antwortfl{\"a}chenmodell, welches in diesem Bereich auch als Ersatzmodell (engl. surrogate modelling) bekannt ist. Ersatzmodelle finden eine popul{\"a}re Verwendung in der Optimierung von komplexen Systemen, da diese basierend auf einigen wenigen kostspieligen bekannten Datens{\"a}tzen eine Approximation der physikalischen Gr{\"o}ßen unbekannter Datens{\"a}tze erlaubt. Dieser Ansatz wird hier aufgegriffen, um numerisch aufw{\"a}ndige Str{\"o}mungssimulationen zu verarbeiten und mit den generierten Ersatzmodellen neue Simulationen zu vereinfachen. Ein weiteres Teilgebiet des maschinellen Lernens ist die Klassifizierung. Hierbei werden Datens{\"a}tze mit bestimmten Attributen versehen, welche eine Zuordnung zu einer bestimmten Klasse erm{\"o}glichen. Mit Methoden der Klassifizierung k{\"o}nnen anschließend unbekannte Datens{\"a}tze einer bekannten Klasse zugeordnet werden. Die dazu notwendigen Werkzeuge des maschinellen Lernens sind u.a. Neuronale Netzwerke, Support Vector Machines, Entscheidungsb{\"a}ume und weitere. Der an ML interessierte Leser sei an dieser Stelle auf einschl{\"a}gige Literatur von Schoelkopf und Smola (2001), Duda u. a. (2004), Vapnik (1995) verwiesen. Die St{\"a}rke der Methode des ML besteht haupts{\"a}chlich darin, aus großen Datenmengen Schlussfolgerungen f{\"u}r hochkomplexe, nichtlineare Zusammenh{\"a}nge zu ziehen. Ein Nachteil dieser Methoden ist der Bedarf von immensen Datenmengen, welche zum einen generiert werden und außerdem sinnvoll sein m{\"u}ssen1. In vielen industriellen Anwendungen sind nur wenige Datens{\"a}tze vorhanden, weil die Generierung dieser Daten sehr teuer und zeitaufw{\"a}ndig ist, so dass die Wahl von neuen zu bestimmenden Daten sinnvoll getroffen werden muss. Daher liegt der Fokus dieser Arbeit auch auf der Entwicklung von ML-Methoden, welche, basierend auf Wissen aus kleinen Datens{\"a}tzen, eine sinnvolle Erschließung neuer Datens{\"a}tze erm{\"o}glichen.}, language = {de} } @misc{IvanovBestleJanke, author = {Ivanov, Dmitrij and Bestle, Dieter and Janke, Christian}, title = {Unstrukturierte Berechnung von Verdichterkennfeldern mithilfe von SVM und Antwortfl{\"a}chen}, series = {Luft- und Raumfahrt - Digitalisierung und Vernetzung, Deutscher Luft- und Raumfahrtkongress 2018, 04.-06. September 2018, Friedrichshafen, Graf-Zeppelin-Haus}, journal = {Luft- und Raumfahrt - Digitalisierung und Vernetzung, Deutscher Luft- und Raumfahrtkongress 2018, 04.-06. September 2018, Friedrichshafen, Graf-Zeppelin-Haus}, publisher = {Deutsche Gesellschaft f{\"u}r Luft- und Raumfahrt - Lilienthal-Oberth e.V.}, address = {Bonn}, doi = {10.25967/480078}, url = {http://nbn-resolving.de/urn:nbn:de:101:1-2020011711430160129914}, pages = {10}, language = {de} } @misc{KraljevskiJuIvanovetal., author = {Kraljevski, Ivan and Ju, Yong Chul and Ivanov, Dmitrij and Tsch{\"o}pe, Constanze and Wolff, Matthias}, title = {How to Do Machine Learning with Small Data? - A Review from an Industrial Perspective}, series = {arXiv}, journal = {arXiv}, abstract = {Artificial intelligence experienced a technological breakthrough in science, industry, and everyday life in the recent few decades. The advancements can be credited to the ever-increasing availability and miniaturization of computational resources that resulted in exponential data growth. However, because of the insufficient amount of data in some cases, employing machine learning in solving complex tasks is not straightforward or even possible. As a result, machine learning with small data experiences rising importance in data science and application in several fields. The authors focus on interpreting the general term of "small data" and their engineering and industrial application role. They give a brief overview of the most important industrial applications of machine learning and small data. Small data is defined in terms of various characteristics compared to big data, and a machine learning formalism was introduced. Five critical challenges of machine learning with small data in industrial applications are presented: unlabeled data, imbalanced data, missing data, insufficient data, and rare events. Based on those definitions, an overview of the considerations in domain representation and data acquisition is given along with a taxonomy of machine learning approaches in the context of small data.}, language = {en} }