VP Vizepräsident
Filtern
Dokumenttyp
- Vortrag (15)
Referierte Publikation
- nein (15)
Schlagworte
- Bioinformatics (2)
- Digitalisierung (2)
- Research data management (2)
- Virus protoemics (2)
- 3D (1)
- Active Learning (1)
- Artificial intelligence (1)
- Benchmarking (1)
- Bioanalytics (1)
- Data quality (1)
Organisationseinheit der BAM
- VP Vizepräsident (15)
- VP.1 eScience (15)
- 5 Werkstofftechnik (3)
- 5.0 Abteilungsleitung und andere (2)
- 5.2 Metallische Hochtemperaturwerkstoffe (2)
- 7 Bauwerkssicherheit (2)
- 5.1 Mikrostruktur Design und Degradation (1)
- 5.3 Polymere Verbundwerkstoffe (1)
- 6 Materialchemie (1)
- 6.0 Abteilungsleitung und andere (1)
Eingeladener Vortrag
- nein (15) (entfernen)
Die Angabe von Unsicherheiten bei zertifizierten Werten von Referenzmaterialien ist von entscheidender Bedeutung. Die korrekte Einbindung der Unsicherheiten zur Berechnung von Verfahrensmessunsicherheiten ist wesentlich für die Gewährleistung der Genauigkeit und Zuverlässigkeit von Messungen. In diesem Vortrag werden die verschiedenen Einflussfaktoren auf die Unsicherheit zertifizierter Werte gemäß ISO Guide 35 dargestellt. Dabei werden insbesondere die Charakterisierung, Homogenität und Stabilität als entscheidende Faktoren für die Bestimmung der Unsicherheit eines Referenzmaterials betrachtet. Abschließend wird das Konzept anhand eines konkreten Beispiels veranschaulicht, um die praktische Anwendung und die Auswirkungen auf die Berechnung von Verfahrensmessunsicherheiten zu verdeutlichen.
Weltweit stellen Waldbrände eine große Bedrohung für Umwelt, Wirtschaft und menschliches Leben dar. Der fortschreitende Klimawandel verstärkt Trockenheit und Dürre, wodurch die Größe und Intensität von Waldbränden sowie das daraus resultierende Gefahrenpotential zusätzlich erhöht werden. Um im Risikofall eine schnelle und effektive Waldbrandbekämpfung zu gewährleisten, sollen Einsatzkräfte in Zukunft von KI-basierten Ausbreitungsmodellen unterstützt werden.
Der Einsatz von maschinellem Lernen ermöglicht dabei schnelle und zielgerichtete Ausbreitungsvorhersagen in Echtzeit, die in den Prozess der Brandbekämpfung als zusätzliche Information einfließen können. Im Rahmen des durch das EU-Förderprogram Horizon 2020 finanzierte Projekt TREEADS wird ein solches Modell für Europa entwickelt.
Dazu wird mit verschiedenen Satellitendaten des Copernicus-Programms und der NASA ein auf räumlicher und zeitlicher Ebene aufgelöster Datensatz zu europäischen Waldbränden aufgebaut. Zu den erfassten Waldbränden werden wichtigen Faktoren, die Einfluss auf die Brandausbreitung haben, ergänzt. Dazu gehören das von Copernicus bereitgestellte, digitale Geländemodell Europas und verschiedene, von Sentinel-2 Messungen abgeleitete Informationen zu Vegetation und Landnutzung. Dieser 2D-Trainingsdatensatz zu realen Waldbränden wird durch die zeitlich hochaufgelösten, meteorologischen Reanalyse-Produkte – Copernicus European Regional ReAnalysis (CERRA) und ERA5-Land – vervollständigt und ist die Grundlage für ein Modell zur Ausbreitungsvorhersage von Waldbränden.
Methoden des Maschinellen Lernens können komplexe Muster in den gesammelten Daten erkennen und so zu einer verbesserten Vorhersage der Brandausbreitung beitragen. Die vielfältigen, von Copernicus bereitgestellten Daten sind dabei ein unabdingbarer Bestandteil des Modells, mit dem den Einsatzkräften ein zusätzliches Tool für den effizienten Einsatz ihrer limitierten Ressourcen zur Verfügung steht.
Researchers study the properties of polymeric membranes - an important building block of batteries – by first measuring its impedance spectra and then determining a so called equivalent electronic circuit (EEC), that is an electronic circuit that approximately reproduces these measurements. Determining EEC is not completely automatized since it includes the search for the topology of the electronic circuit. This search is an inverse problem, since the formulas for determining the impedance spectra given the circuit topology and parameters are known while there are no formulas for the invers direction. To solve this invers problem, the original problem is split into two parts. The first part is to determine the topology of the circuit and the second part is to determine the parameters of the circuit. For the first part a Convolutional Neural Network Classifier is trained on a simulated data set, where the simulator is an implementation of the formulas for determining the impedance spectra given the complete description of the electronic circuit. After the topology is determined, the parameters of the electronic circuit are found by minimizing the error between the observed spectra and the spectra corresponding to these parameters. This minimization is a global optimization.
Fatigue strength estimation is a costly manual material characterization process in which state-of-the-art approaches follow a standardized experiment and analysis procedure. In this paper, we examine a modular, Machine Learning-based approach for fatigue strength estimation that is likely to reduce the number of experiments and, thus, the overall experimental costs. Despite its high potential, deployment of a new approach in a real-life lab requires more than the theoretical definition and simulation. Therefore, we study the robustness of the approach against misspecification of the prior and discretization of the specified loads. We identify its applicability and its advantageous behavior over the state-of-the-art methods, potentially reducing the number of costly experiment.
Das eScience Referat unterstützt die Forschungsbereiche der BAM im Bereich Research Data Management und Data Science. Der Vortrag gibt beispielhafte Einblicke in die Aktivitäten der eScience. Insbesondere wird das Projekt QI-Digital vorgestellt, welches als Ziel die Bereitstellung einer digitalen Qualitätsinfrastruktur hat.
In mass spectrometry based proteomics, protein homology leads to
many shared peptides within and between species. This complicates
taxonomic inference. inference. We introduce PepGM, a graphical model for taxonomic profiling of viral proteomes and metaproteomic datasets.
Using the graphical model, our approach computes statistically sound
scores for taxa based on peptide scores from a previous database
search, eliminating the need for commonly used heuristics.
In mass spectrometry based proteomics, protein homology leads to
many shared peptides within and between species. This complicates
taxonomic inference. inference. We introduce PepGM, a graphical model for taxonomic profiling of viral proteomes and metaproteomic datasets.
Using the graphical model, our approach computes statistically sound
scores for taxa based on peptide scores from a previous database
search, eliminating the need for commonly used heuristics. heuristics.
Applying data-driven AI systems makes it possible to extract patterns from given data, generate predictions and helps making decisions. Material research and testing holds a plethora of AI-based applications, for example, for the automatized search and synthesis of new materials, the detection of materials defects, or the prediction of process and materials parameters (inverse problems). However, AI algorithms can often only be as good as the training data from which the corresponding models are learned. Therefore, it is also indispensable to develop measures for the standardization and quality assurance of such data.
For this purpose, we develop and implement methods from transferring data from various sources into a homogeneous data repository with uniform data descriptions. Through the standardization and corresponding machine-readable interfaces, research data can be made usable and reusable for further data analyses. In addition to the technical implementation of integrative platforms, it is crucial that quality-assured research data management is recognized and implemented as an integral part of daily scientific work. Finally, we provide a vision of how the Federal Institute for Materials Research and Testing can benefit from data-driven AI systems. We discuss early applications and take a peek at future research.
In diesem Vortrag wird die Perspektive einer digitalen Qualitätsinfrastruktur (QI) auf informatischer Seite vorgestellt. Eine zu entwickelnde QI-Cloud ist die Grundlage einer verteilten IT-Plattform über die digitalisierte Prozesse der QI abgewickelt, Daten sicher vorgehalten und ausgetauscht sowie digitale Zertifikate ausgestellt werden können.
Dazu werden Methoden wie die Distributed Ledger Technologie sowie Smart Standards beschrieben, die das Potential haben, essentielle technologische Bestandteile einer digital transformierten QI zu werden.