Studentin, freut sich über ihre tolle Abschlussarbeit.

Abschlussarbeiten

Lehrstuhl für Stochastische Simulation und Sicherheitsforschung für Hydrosysteme

Stochastik

Wir bieten Arbeiten mit verschiedenen Schwerpunkten an.

Vorgehen

Die unten ausgeschriebenen Arbeiten sollen Anhaltspunkte für Themenfelder möglicher Abschlussarbeiten bei uns liefern. Die Arbeiten können je nach Sprachmöglichkeiten der Betreuerin/Betreuer meistens auf Deutsch oder Englisch durchgeführt werden.

Häufig können wir die Schwerpunkte auch gezielt für Projektarbeiten, Bachelorarbeiten, Forschungsmodulen und Masterarbeiten an die jeweiligen Anforderungen anpassen.

Wenn Sie eines unserer Themen interessiert, die passgenaue Arbeit für Sie jedoch nicht ausgeschrieben ist, melden Sie sich gerne trotzdem bei uns --  einen Kontakt zu den ausgeschriebenen Arbeiten finden Sie im jeweiligen Aushang.

Auch Initiativbewerbungen sind jederzeit möglich.

Themen

Topic Tags Advisor
Stundenplan-Optimierung

Optimierung, Anwendung

 Wolfgang Nowak
Modeling of Water Temperature in Drinking Water Supply Pipes

hydrological modeling, numerical simulation, DuMuX, real-world application

 Ilja Kröker
Moment Matching for Uncertainty Quantification in Process Modelling machine learning, geostatistical modelling, process modelling Stefania Scheurer
Deep-aPC-NN vs. Kolmogorov Arnold networks (KAN) deep learning, PCE Nils Wildt
Sampling with Noisy Gradients MCMC,
sampling		 Tim Brünnette

Neural Network Approaches to Climate-Driven Water Demand Modeling

neural networks, climate change

 Philipp Hofmann
Exploring Polynomial Chaos Expansion as an Extrapolative Enhancement to Gaussian Process Regression in Water Demand Modeling

PCE, extrapolation, machine learning, climate change

 Philipp Hofmann
Application of SARIMAX Models to Climate-Driven Water Demand Forecasting

hydrological modeling, time series modeling, climate change

 Philipp Hofmann
Impact of Temporal Dependencies on Predictive Models for Water Consumption in Southern Germany

machine learning, lagged variables, climate change

 Philipp Hofmann
Deep Learning of Trend Function in Non-Stationary Groundwater Process

machine learning, groundwater modelling

 Waqas Ahmed
Hydrologie, Wasser- und Umweltsystemmodellerierung hydrological modeling,
geostatistics,
precipitation modeling,
CO2 storage modeling, geothermal modeling 		 Jochen Seidel
Learning PFAS isotherms with Universal Differential Equations finite volume method,
mechanism learning, surrogates		 Nils Wildt
Stochastic Simulation of Debris Distribution after Airplane Crashes stochastics, programming, uncertainty Tim Brünnette
Predicting Fracture Path Statistics stochastics,
statistics,
machine learning,
CNNs		 Tim Brünnette

 
Zum Seitenanfang