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 |
|---|---|---|
|
uncertainty quantification, machine learning |
Tim Brünnette | |
|
uncertainty quantification, machine learning |
Tim Brünnette | |
|
uncertainty quantification, machine learning |
Stefania Scheurer | |
|
A LEGO-like Reconfigurable Surrogate Model for Water Pipe Networks |
surrogate modeling, GNNs, water pipe networks |
Tong-Chuan Che Wolfgang Nowak |
|
hydrological modeling, neural networks |
Sergio Callau Medrano | |
| Unsicherheitsquantifizierung für Fehlerklassifikation in Wärmepumpensystemem |
Unsicherheitsquantifzierung, Machine Learning |
Stefania Scheurer mit Robert Bosch GmbH |
| 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 |
| 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 |
| Predicting Fracture Path Statistics | stochastics, statistics, machine learning, CNNs |
Tim Brünnette |