Die Forschung an der Hochschule Wismar soll in hohem Maße die Studierenden einbinden. Sie geschieht darum bei mir durch eine studentische Forschergruppe. Die lösbare Herausforderung liegt im zwangsläufig geringen Vorwissen unserer fachlich jungen Studentinnen und Studenten. Die Arbeit mit neuronalen Netwerken hat sich als das Gebiet erwiesen, in dem bei leichtem Einstieg dennoch aktuelle Forschung möglich ist.

Ein weiteres Dauerthema ist die verbesserte Analyse von Meßdaten von Prozessen jenseits der eindimensionalen Regression und Korrelationsanalyse. Anwendungen waren z.B. Messdaten aus Raman-Spektros­kopie und Körperschall (beides in Zusammen­arbeit mit der Werkstofftechnik unter Prof. Schwerdt),  klassische spektrale Zerlegungen und  Dekomposition von Mischsignalen von Daten aus der Lichtabsorption (Prof. Hornberger) und einige verfahrenstechnische Prozesse und werden z.B. sein die von Schwingungen, Leistungsaufnahme uvm. an Werk­zeug­maschinen in Zusammen­arbeit mit der Gruppe der Fertigungseinrichtung/Qualitätsmanagement unter Prof. Schimmelpfennig.

In den vergangenen Jahren haben Studenten Know-How zu neuronalen Netzen erarbeitet. Ein Beispiel ist die Qualitätssicherung in der Funktenerosion durch Bilderkennung. Dazu gehörte außerdem die Erstellung  von Surrogat­modellen aus Regression mit neuronalen Netzwerken.

Die Erfahrungen mit Surrogatmodellen erlauben uns, diese nun in der Optimierung einzusetzen. Unser Schwerpunkt liegt auf der Multifidelity-Optimierung mit neuronalen Netzen als Surrogatmodellen, im Wesentlichen synonym zur Bezeichnung "Efficient Global Optimization". Gekennzeichnet ist diese Algorithmenklasse durch die wechselseitige Vorhersage von Optimalpunkten durch das neuronale Netzwerk und anschließender Verbesserung der Vorhersage unter Nutzung des vorgeschlagenen Punktes. Wir arbeiten an kombinatorischen und an kontinuierlichen Problemen. Die Anwendung für Ersteres ist die Optimierung von Eigenschaften gewebter Materialien über die moglichen Kombinationen von Fäden. Hier arbeiten wir mit der Gruppe von Prof. Szyniszewski, Durham, zusammen. Testprobleme funktionieren bereits sehr gut und als Vorarbeit wollen wir die Eigenschaften von Tragwerken über die möglichen Kombinationen von Stäben optimieren. Als Anwendung für die Optimierung über kontinuierliche Größen kann jeder beliebige Ferigungsprozeß dienen, notfalls ist Zeitverbrauch immer eine Zielgröße. Hier gibt es Zusammenarbeit mit Prof. Schimmelpfennig.
Ferner sollen in der Fertigungstechnik mittels neuronaler Netze versteckte Parameter identifiziert werden.

Um Kompetenz im Bereich der Zeitreihenvorhersage zu akkumulieren, läuft in diesem Jahr ein Projekt zur Vorhersage von Balkenholzfeuchten im
Schloss Bothmer in Zusammenarbeit mit dem Bereich Bau unserer Hochschule (Prof. Haroske) und dem Staatlichen Bau- und Liegenschaftsamt Schwerin. Es ist daran gedacht, in landwirtschaftliche Themen vorzustoßen.

Diese Veröffentlichung beschreibt eine Methode zum sukzessiven Finden von Gesetzen in einer Menge von Parameter-Messungs-Paaren, die aus mehreren a priori nicht unterscheidbaren Populationen stammen. In dem Zuge, in dem man die für die einzelnen Populationen gültigen Gesetze findet, unterscheidet man auch die Populationen, die diesen Gesetzen gehorchen. Ermöglicht wird dies durch Verwendung der Logcosh-Loss-Funktion, die eine Regression durch den jeweils schwersten Cluster durchführt anstatt durch das Mittel, wie dies quadratische Loss-Funktionen tun.

Autoren
Thilo Moshagen
Nihal Acharya Adde
Ajay Navilarekal Rajgopal

arXiv:2101.10427
Submitted 25 January, 2021; originally announced January 2021

Dies ist die Anwendung des Verfahrens aus Finding hidden-feature depending laws inside a data set and classifying it using Neural Network auf Daten des COVID-Infektionsgeschehens in Deutschland. Ziel war es, festzustellen, ob Ost- und Westdeutschland bezüglich des COVID-Infektionsgeschehens unter­schied­liche Populationen darstellen - der verdeckte Parameter wäre dann die Tuber­kuloseimpfung, die in Ostdeutschland häufiger ist. Ergebnis ist, dass ein Effekt der Tuberkuloseimpfung sicher ausgeschlossen werden kann.

Autoren
Nihal Acharya Adde
Thilo Moshagen

arXiv:2011.07332
Submitted 14 November, 2020; originally announced November 2020

zur vollständigen Dissertationsschrift >>

Moshagen, Thilo. "Convergence of explicitly coupled simulation tools (co-simulations)" Journal of Numerical Mathematics, vol. 27, no. 1, 2019, pp. 23-36.
zur Publikation >>

On Meeting Energy Balance Errors in Co-Simulations
Thilo Moshagen (2019) On Meeting Energy Balance Errors in Co-Simulations, Mathematical and Computer Modelling of Dynamical Systems, 25:2, 139-166.
zur Publikation >>

Global Solver based on the Sperner-Lemma and Mazurkewicz-Knaster-Kuratowski-Lemma based proof of the Brouwer Fixed-Point Theorem 

Dieser Beitrag schlägt eine Methode zum Finden von Fixpunkten von stetigen Abbildungen vom Einheitssimplex in den Einheitssimplex vor, eine Problemklasse, in welche gängige Nullstellenprobleme, z. B. aus der Optimierung, leicht überführt werden können. Die Methode trianguliert das Gebiet und verfeinert diejenigen Subsimplizes per Bisektion, bei denen das Bild jeder Ecke weiter oder gleich weit von einer Ecke des Ursprungssimplexes entfernt liegt als
das Urbild. Das Verfahren konvergiert gegen die Fixpunkte, deren Bild ja gleich weit von allen Simplexecken entfernt liegt wie das Urbild.
Vorteil des Verfahrens gegenüber newtonartigen Lösern ist in erster Linie die Globalität, zweitens, daß die Funktion global erkundet wird, wobei die Funktionsevaluationen um die Fixpunkte herum immer dichter liegen, und die gewonnenen Funktionswerte sinnvoll für Regression, auch durch neuronale Netzwerke, genutzt werden können.

Autoren
Thilo Moshagen

arXiv:2407.18816
submitted 26.7.2024