@phdthesis{Ackermann2024, author = {Ackermann, David}, title = {Dynamic Sound Sources for Virtual Acoustic Reality: Description, Implementation and Evaluation}, publisher = {TU Berlin}, address = {Berlin}, doi = {10.14279/depositonce-19949}, school = {Hochschule D{\"u}sseldorf}, year = {2024}, abstract = {terns, especially those presented by natural sources such as musical instruments or human voices, is crucial. While static sound sources, such as loudspeakers, have a relatively consistent acoustic footprint, dynamic sources present a multi-faceted set of challenges. Musical instruments, for example, have dynamic radiation patterns. The directivity of these instruments changes not only with frequency, but also with the specific note being played, and with the performer's gestures. These dynamic effects of directivity influences both the perceived loudness and the timbre at a given location within the audience and shapes the spatial characteristics of the sound field produced. This modulation is crucial when recreating authentic acoustic environments, whether in a virtual environment or in real-world architectural designs. Essentially, for an acoustic simulation to be considered accurate, it must capture these nuances. The intricate interplay of directivity, pitch and motion significantly shapes the listening experience and requires deeper integration of these elements into future simulations and designs.}, subject = {Musikalische Akustik}, language = {en} } @phdthesis{Muench2026, author = {M{\"u}nch, Justin}, title = {Mehrwert von Methoden des Maschinellen Lernens f{\"u}r die simulative Bewertung der Versorgungssicherheit mit Elektrizit{\"a}t}, publisher = {Hochschule D{\"u}sseldorf}, address = {D{\"u}sseldorf}, doi = {10.20385/opus4-5830}, url = {http://nbn-resolving.de/urn:nbn:de:hbz:due62-opus-58306}, school = {Hochschule D{\"u}sseldorf}, pages = {126}, year = {2026}, abstract = {Politik und Wirtschaft sind auf eine fundierte, schnelle und flexible Bewertung der Ver-sorgungssicherheit mit Elektrizit{\"a}t als Grundlage strategischer Entscheidungen angewiesen. Dazu werden komplexe probabilistische Simulationsmodelle unter Einbeziehung einer hohen Anzahl m{\"o}glicher Zukunftsszenarien verwendet. Allerdings schr{\"a}nken die langen Rechenlaufzeiten von mehreren Stunden pro Szenario die Analysetiefe ein. Zudem werden die Analysen durch die Prognose der zeitlich aufgel{\"o}sten zuk{\"u}nftigen Randbedingungen erschwert. Die vorliegende Arbeit zeigt, dass sich mit Methoden aus dem Bereich des Maschinellen Lernens (ML) in Kombination mit angepassten Methoden des Design of Experiments die Kennzahlen der Versorgungssicherheit mit Elektrizit{\"a}t aus einem komplexen Simulationsmodell auf Basis rekursiver Faltungen sehr gut approximieren lassen. Die Zeitreduktion im Vergleich zum nativen Simulationsmodell ist sehr hoch, bei gleichzeitig hoher Genauigkeit. Auch im Bereich der Prognose zeitlich aufgel{\"o}ster Randbedingungen demonstrieren die Ergebnisse ein erhebliches Verbesserungspotenzial von ML-Methoden im Vergleich zu klassischen Verfahren. Zusammengefasst sind die untersuchten und vorgeschlagenen ML-Methoden in der Lage, die Versorgungssicherheit mit Elektrizit{\"a}t komplexit{\"a}tsgerecht (tausende von Zukunftsszenarien) in praktikabel kurzer Zeit (weniger als eine Stunde) detailliert zu analysieren.}, subject = {Deep Learning}, language = {de} }