Das Projekt wird von den genannten Principal Investigators getragen. Diese sind den Instituten für Mathematische Optimierung (Averkov, Kaibel, Sager), für Algebra und Geometrie (Kahle, Nill, Pott), für Mathematische Stochastik (Kirch, Schwabe) und für Analysis und Numerik (Benner) der Fakultät zugeordnet. Benner ist zudem Direktor des Max-Planck Institutes für Dynamik komplexer technischer Systeme. Die Fakultät für Elektrotechnik und Informationstechnik ist über Findeisen beteiligt.

Im Kontext des vorgeschlagenen Graduiertenkollegs (GK) verstehen wir Komplexität als eine intrinsische Eigenschaft, die einen mathematischen Zugang zu einem Problem auf drei Ebenen erschwert. Diese Ebenen sind eine angemessene mathematische Darstellung eines realen Problems, die Erkenntnis fundamentaler Eigenschaften und Strukturen mathematischer Objekte und das algorithmische Lösen einer mathematischen Problemstellung. Wir bezeichnen alle Ansätze, die systematisch auf einer dieser drei Ebenen zu einer zumindest partiellen Verbesserung führen, als mathematische Komplexitätsreduktion.

Für viele mathematische Fragestellungen sind Approximation und Dimensionsreduktion die wichtigsten Werkzeuge auf dem Weg zu einer vereinfachten Darstellung und Rechenzeitgewinnen. Wir sehen die Komplexitätsreduktionin einem allgemeineren Sinne und werden zusätzlich auch Liftings in höherdimensionale Räume und den Einfluss der Kosten von Datenerhebungen systematisch untersuchen. Unsere Forschungsziele sind die Entwicklung von mathematischer Theorie und Algorithmen sowie die Identifikation relevanter Problemklassen und möglicher Strukturausnutzung im Fokus der oben beschriebenen Komplexitätsreduktion.

Unsere Vision ist ein umfassendes Lehr- und Forschungsprogramm, das auf geometrischen, algebraischen, stochastischen und analytischen Ansätzen beruht und durch effiziente numerische Implementierungen komplementiert wird. Die Doktorandinnen und Doktoranden werden an einem maßgeschneiderten Ausbildungsprogramm teilnehmen. Dieses enthält unter anderem Kompaktkurse, ein wöchentliches Seminar und ermutigt zu einer frühzeitigen Integration in die wissenschaftliche Community. Wir erwarten, dass das GK als ein Katalysator zur Etablierung dieser erfolgreichen DFG-Ausbildungskonzepte an der Fakultät für Mathematik dienen und zudem helfen wird, die Gleichstellungssituation zu verbessern.

Die Komplexitätsreduktion ist ein elementarer Aspekt der wissenschaftlichen Hintergründe der beteiligten Wissenschaftler. Die Kombination von Expertisen unterschiedlicher mathematischer Bereiche gibt dem GK ein Alleinstellungsmerkmal mit großen Chancen für wissenschaftliche Durchbrüche. Das GK wird Anknüpfungspunkte an zwei Fakultäten der OVGU, an ein Max Planck Institut und mehrere nationale und internationale Forschungsaktivitäten in verschiedenen wissenschaftlichen Communities haben. Die Studierenden im GK werden in einer Fülle von mathematischen Methoden und Konzepten ausgebildet und erlangen dadurch die Fähigkeit, herausfordernde Aufgaben zu lösen. Wir erwarten Erfolge in der Forschung und in der Ausbildung der nächsten Generation führender Wissenschaftler in Akademia und Industrie.

Projekt im Forschungsportal ansehen

Ziele dieses Projektes sind:

1. Die Entwicklung neuer numerischer Methoden, welche die Stärken traditioneller Modellierungs- und Optimierungsansätze und des datengetriebenen maschinellen Lernens (ML) kombinieren sowie deren Anwendung zur
2. Entwicklung einer neuen Methodik für den Entwurf und die Führung von Power2chemicals Prozessen. Die nichtlineare Dynamik infolge stark veränderlicher Feedzuläufe soll dabei explizit berücksichtigt werden. Die Methanolsynthese wird als herausforderndes Anwendungsbeispiel betrachtet. Das ambitionierte Arbeitsprogramm spiegelt die komplementäre Expertise der drei Antragsteller in den Bereichen experimentelle Analyse, konzeptioneller Prozessentwurf und -führung sowie effiziente Algorithmen wieder. Wir verwenden neuronale Differentialgleichungen und differenzierbare End-zu-End Programmierung. Dies erlaubt uns ML für unbekannte oder teuer auszuwertende Modellteile zu nutzen und Methoden der gemischt-ganzzahligen Optimalsteuerung (MIOC) und der Versuchsplanung für hybride Modelle zu entwickeln. Daraus wird eine Methodik zur hybriden Modellierung entwickelt. Diese kombiniert experimentelle Daten aus Versuchen mit einem gradientenfreien Kinetikreaktor mit verfügbarem physikalisch-chemischem Wissen und effizientem ML. Anschließend werden die hybriden Modelle für den robusten Prozessentwurf verwendet. In der ersten Antragsphase liegt der Schwerpunkt bei ideal durchmischten isothermen und örtlich verteilten nichtisothermen Reaktoren. Zur Erhöhung von Flexibilität und Toleranz gegenüber Änderungen von Durchsatz und Zusammensetzung werden Pufferbehälter eingeführt und neben einstufigen auch verschiedene Typen von mehrstufigen Reaktoren mit variabler Feedverteilung betrachtet. Die optimale Konfiguration und die optimalen nominellen Steuerungsprofile werden mit Hilfe von MIOC und den entwickelten hybriden Modellen für charakteristische Feedverläufe bestimmt. Zusätzlich zum robusten Prozessentwurf wird in einem dritten Schritt eine robuste Regelung zur Kompensation von Modellfehlern und unvorhergesehenen Abweichungen vom obigen nominellen Fall entwickelt. Diese basiert auf einer repetitiven Online-Optimierung und erfordert weitere Modellreduktionen und Erweiterung von Methoden für den Fall hybrider Modelle, um Echtzeitanforderungen einzuhalten. Modellierung, Design und Regelung für einen gradientenfreien Reaktor lehnen sich eng an die experimentellen Untersuchungen an, um eine effiziente Erzeugung von Daten und eine Validierung der entwickelten Konzepte zu gewährleisten. Untersuchung von komplexeren Festbettreaktoren werden zunächst in Silico mit Hilfe verfügbarer mechanistischer Modelle durchgeführt und sollen u.a. in einer möglichen 2. Förderphase experimentell validiert werden. Wir generieren neue Ansätze zur systematischen hybriden Modellierung und der anschließenden Verbindung mit Entscheidungsfindung, die physikalische Gesetze berücksichtigen und durch Robustheit die Sicherheit von ML Anwendungen erhöhen.

Projekt im Forschungsportal ansehen

Die Angewandte Mathematik und das Wissenschaftliche Rechnen mit dem Fokus Modellbildung, Simulation und Optimierung nimmt weltweit einen zentralen und größer werdenden Stellenwert ein. Die numerische Simulation und Optimierung sind - neben dem Experiment - in vielen wissenschaftlichen Anwendungen zunehmend etabliert. Diese Entwicklung wurde in den letzten Jahrzehnten durch die Verfügbarkeit leistungsfähiger Computer und die damit verbundene mathematische Grundlagenforschung beschleunigt. Obwohl die technischen Voraussetzungen auch in Ländern wie Peru gegeben sind, ist die Disziplin Wissenschaftliches Rechnen hier noch nicht vertreten. Dies liegt an einem streng theoretischem Fokus der Mathematik in Peru, der fehlenden Ausbildung von DozentInnen in Bereichen der Angewandten Mathematik und einem resultierenden Mangel an entsprechenden Studienprogrammen.
In diesem Projekt verfolgen wir mehrere, eng verwandte Ziele: an der Universidad Nacional Agraria La Molina unterstützen wir die derzeit geplante Einrichtung eines Studiengangs Angewandte Mathematik, an der Universidad Nacional de Trujillo und der Pontificia Universidad Católica del Perú unterstützen wir die Weiterentwicklung der vorhandenen Studiengänge und die Entwicklung neuer Forschungslinien zur Stärkung des wissenschaftlichen Rechnens und etablieren Austauschprogramme mit deutschen Hochschulen. Begleitend initiieren wir mit diesen und weiteren Partnern die Einrichtung eines transregionalen Kompetenzzentrums Scientific Computing mit dem Arbeitstitel Peruvian Competence Center of Scientific Computing (PeC3), um eine Vernetzung der Player zum Schaffen von Synergien und eine nachhaltige Verstetigung der Maßnahmen zu erreichen.
Die Einrichtung und Weiterentwicklung von Studiengängen erfordert eine Schulung der DozentInnen in modernen Methoden des wissenschaftlichen Rechnens. Wesentliches Instrument hierzu sind Kurse und Workshops in Peru. Eine besondere Bedeutung kommt dem Einzug von praktischen Elementen in Lehr- und Lernformen zu. Weiter erarbeiten wir Kataloge aktueller und bewährter Literatur für die Lehre, aber werden auch geeignete Skripten, Übungsmaterialien und insbesondere gut dokumentierte wissenschaftliche Software bereitstellen. Schließlich ist die Co-Betreuung peruanischer Abschlussarbeiten von deutscher Seite vorgesehen, um eine Internationalisierung und einen gegenseitigen Erfahrungsaustausch zu erreichen. Darüber hinaus planen wir ein Austauschprogramm, um ein gegenseitiges Begleiten und Kennenlernen von Lehrver-
anstaltungen sowie Verwaltungs- und Forschungsstrukturen zu ermöglichen.
Die Maßnahmen werden unter die Schirmherrschaft eines neu zu gründenden Kompetenzverbunds PeC3 gestellt, um so eine Institutionalisierung und eine Identifikation mit den Maßnahmen zu erzeugen. Dabei denken wir an einen ideellen Verbund im Sinne des WIR - Wissenschaftlichen Rechnen in Baden-Württemberg oder des NoKo - Northern German Colloquium on Applied Analysis and Numerical Mathematics, welches identitätsstiftend für das gesamte Projekt wirkt. Dieser Verbund wird weiteren interessierten Partnern in Südamerika, aber auch kooperierenden Partnern in Europa und Nordamerika offen stehen und soll langfristig als Plattform die Aktivitäten im Bereich Wissenschaftliches Rechnen bündeln und vertreten.
Durch bisher vier vom DAAD finanzierte Sommerschulen sowie der Mitarbeit bei der Etablierung von Promotionsprogrammen sind wir in Südamerika, insbesondere in Peru, bestens vernetzt und kennen die Stärken und Schwächen im Universitätssystem. Von diesem Projekt erhoffen wir uns eine strukturelle Stärkung der Lehre auf dem Gebiet des wissenschaftlichen Rechnens in Peru, die langfristig auch auf die Forschung wirkt. Wir profitieren von einer Institutionalisierung des Kontakts, welche auch zu einer Internationalisierung unserer Hochschulen und zu Austauschmöglichkeiten mit entsprechenden Studiengängen in Deutschland führt.

Projekt im Forschungsportal ansehen

Teilprojekt innerhalb des Schwerpunktprogrammes 1962 "Nichtglatte Systeme und Komplementaritätsprobleme mit verteilten Parametern: Simulation und mehrstufige Optimierung" der Deutschen Forschungsgemeinschaft. Ziel ist es, in Kooperation mit Christian Kirches (TU Braunschweig) und Sven Leyffer (Forschungszentrum Argonne, USA) neuartige mathematische Optimierungsmethoden zu entwickeln, die die besonderen Strukturen der geschalteten PDE Nebenbedingungen berücksichtigen.

Projekt im Forschungsportal ansehen

Das Projekt wird von den genannten Principal Investigators getragen. Diese sind den Instituten für Mathematische Optimierung (Averkov, Kaibel, Sager), für Algebra und Geometrie (Kahle, Nill, Pott), für Mathematische Stochastik (Kirch, Schwabe) und für Analysis und Numerik (Benner) der Fakultät zugeordnet. Benner ist zudem Direktor des Max-Planck Institutes für Dynamik komplexer technischer Systeme. Die Fakultät für Elektrotechnik und Informationstechnik ist über Findeisen beteiligt.

Im Kontext des vorgeschlagenen Graduiertenkollegs (GK) verstehen wir Komplexität als eine intrinsische Eigenschaft, die einen mathematischen Zugang zu einem Problem auf drei Ebenen erschwert. Diese Ebenen sind eine angemessene mathematische Darstellung eines realen Problems, die Erkenntnis fundamentaler Eigenschaften und Strukturen mathematischer Objekte und das algorithmische Lösen einer mathematischen Problemstellung. Wir bezeichnen alle Ansätze, die systematisch auf einer dieser drei Ebenen zu einer zumindest partiellen Verbesserung führen, als mathematische Komplexitätsreduktion.

Für viele mathematische Fragestellungen sind Approximation und Dimensionsreduktion die wichtigsten Werkzeuge auf dem Weg zu einer vereinfachten Darstellung und Rechenzeitgewinnen. Wir sehen die Komplexitätsreduktionin einem allgemeineren Sinne und werden zusätzlich auch Liftings in höherdimensionale Räume und den Einfluss der Kosten von Datenerhebungen systematisch untersuchen. Unsere Forschungsziele sind die Entwicklung von mathematischer Theorie und Algorithmen sowie die Identifikation relevanter Problemklassen und möglicher Strukturausnutzung im Fokus der oben beschriebenen Komplexitätsreduktion.

Unsere Vision ist ein umfassendes Lehr- und Forschungsprogramm, das auf geometrischen, algebraischen, stochastischen und analytischen Ansätzen beruht und durch effiziente numerische Implementierungen komplementiert wird. Die Doktorandinnen und Doktoranden werden an einem maßgeschneiderten Ausbildungsprogramm teilnehmen. Dieses enthält unter anderem Kompaktkurse, ein wöchentliches Seminar und ermutigt zu einer frühzeitigen Integration in die wissenschaftliche Community. Wir erwarten, dass das GK als ein Katalysator zur Etablierung dieser erfolgreichen DFG-Ausbildungskonzepte an der Fakultät für Mathematik dienen und zudem helfen wird, die Gleichstellungssituation zu verbessern.

Die Komplexitätsreduktion ist ein elementarer Aspekt der wissenschaftlichen Hintergründe der beteiligten Wissenschaftler. Die Kombination von Expertisen unterschiedlicher mathematischer Bereiche gibt dem GK ein Alleinstellungsmerkmal mit großen Chancen für wissenschaftliche Durchbrüche. Das GK wird Anknüpfungspunkte an zwei Fakultäten der OVGU, an ein Max Planck Institut und mehrere nationale und internationale Forschungsaktivitäten in verschiedenen wissenschaftlichen Communities haben. Die Studierenden im GK werden in einer Fülle von mathematischen Methoden und Konzepten ausgebildet und erlangen dadurch die Fähigkeit, herausfordernde Aufgaben zu lösen. Wir erwarten Erfolge in der Forschung und in der Ausbildung der nächsten Generation führender Wissenschaftler in Akademia und Industrie.

Projekt im Forschungsportal ansehen

Im Rahmen der Energiewende in der Bundesrepublik Deutschland steigt der Anteil erneuerbarer Energien im Versorgungssystem stetig an. Dieses impliziert Herausforderungen und Chancen, insbesondere im Umgang mit Überhängen in der Stromproduktion. Wir betrachten Power-to-Chemicals (P2Chem) Prozesse, die Strom zur Herstellung von hochwertigen Chemikalien nutzen. Hierbei können grundsätzlich verschiedenste Komponenten wie katalytische Reaktoren oder Elektrolysezellen eingesetzt und miteinander kombiniert werden. Als Zielprodukt betrachten wir in diesem Projekt Synthesegas (SG), aus dem man viele wichtige Basischemikalien wie Methanol, Ameisensäure oder Phosgen erzeugen kann, wenn man die H2-zu-CO-Zusammensetzung auf verschiedene Niveaus einstellt. In P2Chem befassen wir uns mit der mathematischen Analyse dieser Prozesse und den treibenden Fragestellungen unserer Industriepartner, der Avacon AG als großem deutschen Energieversorger und der BASF SE als weltgrößtem Chemieunternehmen.

Es gibt eine große Anzahl denkbarer Verschaltungen zwischen Reaktions- und Separationsschritten zur Konversion auftretender stofflicher Gemische. Wir möchten erstmals systematisch und mit Hilfe moderner Mathematik untersuchen, welche Varianten von P2Chem unter welchen Rahmenbedingungen sinnvolle Beiträge zur Nutzung erneuerbarer Energie zur Chemieproduktion leisten können. 

Neben der Wirtschaftlichkeit und Ankopplungsmöglichkeiten an Gas- und Stromnetzwerke sind die Sicherheit und die Flexibilität der Prozessführung sehr wichtig. Es geht hier um das schnelle Reagieren auf zeitlich variierende Randbedingungen (Strompreis, Qualität biogener Rohstoffe, Preis von CO2-Emissionszertifikaten, Preis der erzeugten chemischen Produkte).
Dabei müssen rechtliche, ökonomische und ökologische Aspekte sowie sicherheitstechnische Restriktionen der einzelnen Teilprozesse berücksichtigt werden.

Projekt im Forschungsportal ansehen

Entwicklung mathematischer Modelle für eine personalisierte Medizin der Zukunft

Im vom Europäischen Forschungsrat (ERC) geförderten Forschungsprojekt Mathematical Optimization for Clinical Decision Support and Training (MODEST) widmen sich Prof. Dr. Sebastian Sager und sein Team aus Mathematikern und Medizinern der Universität Magdeburg der Suche nach mathematischen Lösungen, die Ärzte bei Diagnose- und Therapieentscheidungen unterstützen und eine personalisierte Medizin möglich machen. Ziel des Projektes ist es, prototypische mathematische Modelle und Algorithmen zu entwickeln, die die vielfach erhobenen und vorhandenen individuellen medizinischen Daten integrativ zusammenführen. Die Menge vorhandener Patientendaten soll so automatisch in Vorschläge für Diagnosen und Therapien übersetzt werden können. Mediziner müssen täglich unter Zeitdruck wichtige Entscheidung treffen. Kardiologen anhand eines EKGs in Minuten über mögliche Ursachen von Unstimmigkeiten befinden, Onkologen anhand von Labormarkern Dosis und Behandlungsdauer von Chemotherapien festlegen , so Prof. Sebastian Sager. Diese komplexen Entscheidungen basieren gewöhnlich auf ihrem im Laufe der Jahre angesammelten Expertenwissen, das aber eben nicht allen Patienten zur Verfügung steht und auch nicht ohne weiteres übertragbar ist. Andererseits werden in Kliniken und Arztpraxen Unmengen von Daten erhoben, die aus unserer Sicht nur unzureichend für ärztliche Entscheidungen hinzugezogen werden. Sie in ihrer ganzen Komplexität zu nutzen und gleichzeitig das Wesentliche heraus zu heben, soll durch unsere mathematischen Modelle möglich werden. Wir wollen Software entwickeln, die mit der Fülle der Daten umgehen kann und die die Entscheidungen der Mediziner faktenorientiert und nachvollziehbar unterstützt. So wie ein Flugsimulator Piloten in verschiedenen Szenarien trainiert, könnten dann auch auf individuellen Patientendaten basierende Krankheitssimulatoren sowohl in der Ausbildung eingesetzt werden, als auch im klinischen Alltag ärztliche Diagnosen sicherstellen und Therapieansätze optimieren. Krankheitsverläufe würden vorausberechnet und sichtbar gemacht werden können.

Das Projekt wird gefördert durch den Europäischen Forschungsrat (ERC) im EU-Rahmenprogramm für Forschung und Innovation Horizont 2020 (Grant Agreement Nr. 647573).

Projekt im Forschungsportal ansehen

Das Projekt ist eine Auftragsforschung der Volkswagen AG, bei der mathematische und systemtheoretische Forschung im Bereich der Verkehrswissenschaft betrieben wird. Genauer geht es um die Entwicklung neuer Methoden, die die Analyse innerstädtischen Verkehrs und einen Transfer in Fahrerassistenzsysteme erlauben. Diese Methoden sollen zum einen die Situationserkennung (Arbeitsgruppe Findeisen), zum anderen die Betrachtung optimaler Verkehrsflüsse und Verhaltensweisen (Arbeitsgruppe Sager) abdecken.

Ein zentraler Punkt des Forschungsauftrages ist die Entwicklung von mathematischen Modellen, Algorithmen und Maßnahmen zur Steigerung der verkehrlichen Leistung in verschiedenen Verkehrssituationen. Insbesondere werden Algorithmen erarbeitet, die zu einer verkehrlichen Verbesserung an innerstädtischen Ampelkreuzungen führen. Weiterhin sollen Optimierungsprobleme zur Berechnung bestmöglichen Verhaltens der Fahrer und Infrastruktureinheiten bezüglich vorher definierter Größen untersucht werden. Ziel ist die Erstellung mathematischer Modelle und Algorithmen, die möglichst komplexe und realistische Verkehrssituationen abbilden und in vertretbarer Zeit lösen können.

Projekt im Forschungsportal ansehen

Optimierung zur Diagnose von Herzrhythmusstörungen

Innerhalb des ERC Grant Projektes MODEST arbeiten wir an einer neuen Methode zur EKG Diagnose, die auf mathematischer Optimierung beruht. So ist es selbst für Experten oftmals schwierig, unregelmäßige EKGs zuverlässig zu diagnostizieren. Dieses ist aber von großer Relevanz, da unterschiedliche Behandlungsstrategien (Ablation oder medikamentös) resultieren. Der von uns patentierte Algorithmus hat dagegen in einer umfangreichen klinischen Studie Bestwerte erzielt.
Er basiert auf einer inversen Fragestellung: wie gut lässt sich ein mathematisches Modell, das ein reguläres Eingangssignal (also gerade kein Vorhofflimmern), dafür aber unregelmäßige Überleitungen im sogenannten AV-Knoten abbildet, an die konkreten Messwerte aus dem EKG anpassen? Wenn dies sehr gut gelingt, dann interpretieren wir dies als eine Indikation dafür, dass kein Vorhofflimmern vorliegt. Ein großer Vorteil unseres Ansatzes ist, dass er allein auf den R-Zacken, also den gut erkennbaren großen Ausschlägen im EKG resultiert. Damit entfällt die Abhängigkeit von den oft verrauschten kleineren Zacken, unter der konkurrierende Ansätze leiden.
Wir haben eine App entwickelt, die die Zeitpunkte der großen Zacken automatisch aus einem fotografierten EKG oder aber aus den Pieptönen eines Herzmonitors rekonstruiert, und aufgrund dieser Zeitreihe eine Diagnose erstellt.
Ziel des Projektes isitFlutter ist es, die Marktfähigkeit dieser App zu evaluieren, die diese innovative Methode zur Entscheidungsunterstützung in die klinische Praxis bringt. Hierzu gehört die Klärung von patentrechtlichen Aspekten, die Zulassung als medizinisches Produkt, die Weiterentwicklung der Benutzeroberfläche, und eine klinische Studie. Beteiligt sind das Universitäts-Spinoff mathe.medical GmbH und die Otto-von-Guericke-Universität Magdeburg.
 
Das Projekt wird gefördert durch den Europäischen Forschungsrat (ERC) im EU-Rahmenprogramm für Forschung und Innovation Horizont 2020 (Grant Agreement Nr. 727417).

Projekt im Forschungsportal ansehen

Eine optimierte Kommunikation, Schaltung von Ampelanlagen und Betriebsweise von Automobilen soll zu einem insgesamt verbesserten Verkehrsfluss mit weniger Emissionen führen. Ziel der Kooperation mit VW ist es, mathematische Modelle zu erstellen und zur Optimierung in Echtzeit zu nutzen.

Projekt im Forschungsportal ansehen

Ziel des Vorhabens ist es, neue mathematische Verfahren der nichtlinearen, dynamischen, gemischt-ganzzahligen Optimierung und Optimalen Steuerung zu entwickeln und die anspruchsvollen prototypischen Aufgaben der Industriepartner zu lösen. Diese Aufgaben beinhalten optimale An- und Abfahrvorgänge für komplexe verfahrenstechnische Trennanlagen mit geschalteten Eingangsgrößen und dynamischen Verschaltungsänderungen (BASF), effiziente Betriebsweisen von Hybrid-LKW unter Berücksichtigung von Wärmekopplung und -rekuperation (Daimler) und den optimalen Betrieb von innovativen Wärmepumpen in Elektrofahrzeugen (TLK-Thermo). Das Vorhaben trägt damit wesentlich zu mindestens zwei Feldern der Hightech-Strategie der Bundesregierung bei: Klima und Energie sowie Mobilität der Zukunft, letzteres mit besonderer Betonung auf Elektromobilität und innovativen Hybridantrieben. Die Methoden werden in vier eng verzahnten Teilprojekten von Partnern der Universitäten Heidelberg, Magdeburg und Marburg unter Beteiligung von Nachwuchswissenschaftlern gemeinsam mit den Industriepartnern entwickelt und erprobt. Die Ergebnisse der Teilprojekte und die Integration der darin entwickelten Verfahren werden den Industriepartnern zur weiteren Nutzung übergeben. Darüber hinaus haben sie große Bedeutung für andere stark gekoppelte Prozesse, etwa bei der Optimierung komplexer Energienetzwerke. Für die Angewandte Mathematik werden neue Forschungsfelder im Bereich Optimierung und Numerik erschlossen.

Projekt im Forschungsportal ansehen

In vielen Industriezweigen kommt heute zur Festlegung eines Verkaufspreises Revenue Management zum Einsatz. Revenue Management wurde Ende der 80er Jahre in der Airline-Industrie erstmalig angewendet. Dabei ging es darum, zu vorher festgelegten Preisstrukturen die optimalen Absatzmengen zu bestimmen. Mit einfachen Worten: Den richtigen Sitz zum richtigen Zeitpunkt an den richtigen Kunden zum richtigen Preis zu verkaufen. Basis dafür sind Methoden der Statistik zur Nachfrageprognose und die Methoden der Optimierung zur Preis-Mengen-Optimierung.In den letzten Jahren wurden die Methoden sukzessive erweitert. Eine Variante wird als Dynamic Pricing bezeichnet. Dabei wird davon ausgegangen, dass jeweils immer nur zu einem Preis im Markt verkauft werden kann. Aufgabe ist es nun, bei gegebenen Preispunkten die optimalen Zeitpunkte zu bestimmen, an denen diese Preispunkte aktiv sind. Ziel des Projektes ist es, moderne Methoden der Optimierung mit aktueller Statistik so zu verbinden, dass eine verlässliche und effiziente Planung ermöglicht wird.

Projekt im Forschungsportal ansehen

Ziel des Projekts ist die Entwicklung und Kommerzialisierung einer Diagnosesoftware im bedeutenden Wachstumsmarkt der kardiovaskulären Datenauswertung. Dieses Projekt wird von der Klaus-Tschira-Stiftung gefördert.Das globale Marktvolumen in diesem Bereich belief sich im Jahr 2010 auf etwa 1,6 Mrd. Euro. Klinischer Hintergrund des Projekts ist die mangelhafte Erkennung und damit verbundene medizinische Unterversorgung von Patienten mit Vorhoftachykardien. Erst durch den Einsatz intelligenter Computeralgorithmen wird es möglich sein, die Erkennungsrate zu verbessern und diese Patienten einer adäquaten Therapie zuzuführen. Alleinstellungsmerkmal ist eine als Patent angemeldete Verknüpfung medizinischen Wissens und effizienter mathematischer Nicht-Standardmethoden. Als Einsatzort des Algorithmus im Sinne einer Embedded Software eignen sich alle elektronischen Geräte, die elektrokardiographische Daten aufnehmen und verarbeiten. Parallel dazu ist die Entwicklung einer Stand Alone Software bzw. einer Web-Anwendung geplant. Als Vorarbeiten wurden eine umfangreiche Datensammlung angelegt und ein Softwareprototyp erstellt. Dieser wurde erfolgreich als „Proof-of-Concept“ für Literaturbeispiele und ergänzend für erste klinische Fälle in Heidelberg eingesetzt.Das Projektteam rekrutiert sich aus hervorragend ausgebildeten und motivierten Absolventen der Kardiologie des Universitätsklinikums Heidelberg und des Instituts für Mathematische Optimierung in Magdeburg.

Projekt im Forschungsportal ansehen

Moderne mathematische Verfahren sollen weiterentwickelt und über eine offene Softwareplattform an eine Vielzahl von praktisch relevanten Steuerprozessen gekoppelt werden. Besondere Herausforderung ist hierbei, dass einbettete Hardware eingesetzt wird, beispielsweise Steuergeräte in LKWs oder Controller auf Windenergie-erntenden Flugdrachen.

Projekt im Forschungsportal ansehen

Periodische Adsorptionsprozesse sind in der Verfahrenstechnik ein etabliertes Verfahren zur Separation, beispielsweise für feine Chemikalien oder Pharmazeutika. Neuere Entwicklungen beinhalten die gleichzeitige Betrachtung von Separations- mit Reaktionsprozessen. Die hieraus resultierenden Möglichkeiten zur Optimierung können nur durch einen auf first-principles-Modellierung basierenden Ansatz genutzt werden. Hierzu ist eine Weiterentwicklung mathematischer Methoden zur Behandlung von zeitabhängigen, periodischen und räumlich verteilten Prozessen notwendig.

Projekt im Forschungsportal ansehen

In vielen Industriezweigen kommt heute zur Festlegung eines Verkaufspreises Revenue Management zum Einsatz. Revenue Management wurde Ende der 80er Jahre in der Airline-Industrie erstmalig angewendet. Dabei ging es darum, zu vorher festgelegten Preisstrukturen die optimalen Absatzmengen zu bestimmen. Mit einfachen Worten: Den richtigen Sitz zum richtigen Zeitpunkt an den richtigen Kunden zum richtigen Preis zu verkaufen. Basis dafür sind Methoden der Statistik zur Nachfrageprognose und die Methoden der Optimierung zur Preis-Mengen-Optimierung. In den letzten Jahren wurden die Methoden sukzessive erweitert. Eine Variante wird als Dynamic Pricing bezeichnet. Dabei wird davon ausgegangen, dass jeweils immer nur zu einem Preis im Markt verkauft werden kann. Aufgabe ist es nun, bei gegebenen Preispunkten die optimalen Zeitpunkte zu bestimmen, an denen diese Preispunkte aktiv sind. Ziel des Projektes ist es, moderne Methoden der Optimierung mit aktueller Statistik so zu verbinden, dass eine verlässliche und effiziente Planung ermöglicht wird.

Projekt im Forschungsportal ansehen