PhD - Training Course 2022: Aveiro, Portugal

Da neue Paradigmen wie Deep Learning und erklärbare KI quantitative Studien zunehmend durchdringen, wachsen die Anforderungen an die Parameteridentifikation und Mustererkennung an Doktoranden mit der Komplexität der Forschungsthemen und Anwendungsanforderungen. Leider sind aktuelle Entwicklungen in diesen Bereichen schnell und können nicht ohne weiteres in Standardstudiengänge in den Ingenieurwissenschaften oder in individuelle Studiengänge von Partnerinstitutionen integriert werden. Daher besteht ein gemeinsamer Bedarf und eine hohe Nachfrage nach spezialisierten Schulungen zu diesen Themen.

Um diese Probleme im Rahmen des PARFORCE-Projekts anzugehen, werden an der Universität von Aveiro, Portugal, spezielle Schulungskurse durchgeführt, die einen Blended-Teaching-Ansatz verwenden, mit dem ultimativen Ziel, Online-Kurse zu erstellen und gleichzeitig Ressourcen und Fachwissen zur Wissensvermittlung zu bündeln auf sehr umfassende und zielgerichtete Weise und bieten den Studierenden die Möglichkeit, ihre eigenen Netzwerke in einem europäischen Umfeld aufzubauen.

Durchführung des Kurses

Der Kurs war in zwei Teile gegliedert: Ein Online-Teil, der zwischen (21. Februar – 10. März 2022) mit zwei Vorlesungen pro Woche stattfand, und ein einwöchiger Hybrid-Teil, der (14. bis 19. März 2022) stattfand, wurde ausgewählt Eine Reihe von Studenten reisten nach Aveiro, Portugal, und wurden in einer klassischen Präsentationsumgebung unterrichtet, während eine zweite Gruppe den Dozenten online folgte. Dies ermöglicht es, diese Kurse als Testumgebung für einen Vergleich zwischen Online- und Präsenzschulungen und Lehrmethoden zu verwenden. Zu diesem Zweck wurde der Online-Teil des Kurses durch eine Kombination aus synchronem und asynchronem Training vermittelt, um den Hintergrund der Studenten für den hybriden Teil zu verbessern, der dann effizient für die Projektarbeit und die Diskussion / Reflexion des Wissens genutzt werden kann. Darüber hinaus setzen sich die Teilnehmer aus einer Kombination von Studierenden des Bauingenieurwesens mit unterschiedlichen Fachrichtungen sowie Studierenden der Mathematik zusammen. Dies ermöglicht ihnen, Lehrtätigkeiten und Projektarbeiten in Form interdisziplinärer Teams nachzugehen und moderne wissenschaftliche Erkenntnisse in realitätsnahen Trainingssettings zu erfahren.

Die teilnehmenden Studenten arbeiteten gemeinsam an der Realisierung von Bauingenieurexperimenten in virtuellen Umgebungen, das erste Projekt umfasste ein Kraft-Vibrations-Experiment an der mehrstöckigen RC-Rahmenstruktur, um ihre dynamischen Eigenschaften zu untersuchen, hier nahmen die Studenten ein reales Experiment mit 360-Kameras auf und erstellten ein virtuelles Video Mit wissenschaftlichen Informationen zu Aufbau, Verfahren und Analyse der gewonnenen Daten in einer VR-Umgebung trugen die Teilnehmer auch mit einem virtuellen Rundgang durch den Versuchsaufbau bei. (VR-Tour)

Das zweite Projekt umfasste Feuerwiderstandsexperimente. Das von den Teilnehmern erstellte virtuelle Experiment zielt darauf ab, den Studenten verschiedene Verfahren zum Testen von Feuerwiderstand, Integrität und Isolierung beizubringen und ihre Unterschiede in Bezug auf Testsysteme zu verstehen. Anhand der Versuchsergebnisse soll der Student in der Lage sein, die Feuerwiderstandsklasse des geprüften Probekörpers zu bestimmen. Die Schüler sollten den Unterschied zwischen den Anforderungen an Widerstand (R), Integrität (E) und Isolierung (I) (MRI) kennen, um eine Probe gemäß EN 13501-2 genau identifizieren zu können. Darüber hinaus sollten die Schüler verstehen, wie ein System zu klassifizieren ist, wenn sein Widerstand, seine Integrität und seine Isolierung nicht gleich sind (z. B. wenn die Klasse der Integrität des Systems E90 ist, aber die Isolierung in Klasse 60 fällt, wird das gesamte System klassifiziert nach den ungünstigeren Kriterien, dh EI60).

Lernergebnisse von Schülern

1. Die Teilnehmer wurden unterrichtet:
   • richtige Regularisierungsalgorithmen für ein gegebenes inverses Problem auszuwählen und zu implementieren;
   • um experimentelle Daten vorzuverarbeiten (Entrauschen/Entschärfen/etc.) und zu analysieren;
   • die Qualität numerischer Methoden/Algorithmen für ein gegebenes mathematisches Modell zu bewerten, eine richtige Wahl zu treffen und in der Lage zu sein, die richtige Methode in kommerziellen Programmen auszuwählen;
   • Fehler und deren Ausbreitung in mathematischen Modellen zu analysieren;
   • um einen maschinellen Lernalgorithmus zu implementieren und zu trainieren;
   • ein künstliches neuronales Netz aufzubauen und richtig zu trainieren.
2. Die Studierenden hatten die Möglichkeit, in einem internationalen Umfeld mit Studierenden aus 4 verschiedenen Ländern zusammenzuarbeiten und ihre Management-, Präsentations- und Sprachkenntnisse zu üben