Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Dokumenttyp
- Vortrag (6) (entfernen)
Referierte Publikation
- nein (6)
Schlagworte
- Digitalisierung (2)
- 3D (1)
- Active Learning (1)
- Digitization (1)
- Fatigue Strength (1)
- Fernerkundung (1)
- Fourier Transform (1)
- Gaussian Process (1)
- Geoinformatik (1)
- High resolution (1)
- Maschinelles Lernen (1)
- Materialwissenschaft (1)
- Multi-scale (1)
- Ontologien (1)
- Ontology (1)
- Plattform Material Digital (1)
- Simulation (1)
- Standardization (1)
- Vernetzung (1)
- Virtueller Materialdatenraum (1)
- Waldbrand (1)
- Werkstoffdaten (1)
- X-ray scattering (1)
Organisationseinheit der BAM
- VP.1 eScience (6) (entfernen)
Eingeladener Vortrag
- nein (6)
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.
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.
Die Bereitstellung von zuverlässigen Werkstoffdaten stand für die Werkstoffprüfung seit dem 19. Jahrhundert in zentraler Stelle. Mit der zunehmender Digitalisierung unserer Gesellschaft gewinnt das Datenmanagement insbesondere im Hinblick auf die Modellierungs- und Simulationsaktivitäten an Bedeutung.
In unserem Beitrag beschreiben wir die gegenwärtigen Aktivitäten in Deutschland – insbesondere die NFDI-MatWerk und die BMBF-Initiative MaterialDigital – sowie in Europa und Übersee. Abschließend heben wir die Auswirkungen auf die technische und akademische Aus- und Weiterbildung.
Mit der Initiative MaterialDigital fördert das BMBF seit dem letzten Jahr ein wichtiges Instrument zur Digitalisierung der Materialwissenschaft und Werkstofftechnik in Deutschland. In der ersten Phase dieser Initiative wird seit Juli 2019 die Plattform MaterialDigital von einem Konsortium aufgestellt. Ziel dieser Plattform ist der Aufbau eines virtuellen Materialdatenraums, um zusammen mit allen Interessenten die Systematisierung des Umgangs mit Werkstoffdaten voranzutreiben. In einer zweiten Phase werden akademische F&E-Projekte voraussichtlich Anfang 2021 gefördert. In jedem dieser Projekte wird an einer konkreten Fragestellung das Themenfeld „Digitalisierung der Materialwissenschaft und Werkstofftechnik“ adressiert und multidisziplinär bearbeitet. In einer dritten Phase werden im Rahmen industriegeführter vorwettbewerblicher Verbundprojekte mit der gleichen Zielsetzung gefördert.