Dirk Mohr: Katalogdaten im Frühjahrssemester 2021

NameHerr Prof. Dr. Dirk Mohr
LehrgebietKünstliche Intelligenz in Mechanik und Fertigung
Adresse
KI in Mechanik und Fertigung
ETH Zürich, CLA F 9
Tannenstrasse 3
8092 Zürich
SWITZERLAND
Telefon+41 44 632 26 12
E-Maildmohr@ethz.ch
URLhttp://mohr.ethz.ch
DepartementMaschinenbau und Verfahrenstechnik
BeziehungOrdentlicher Professor

NummerTitelECTSUmfangDozierende
151-0075-21LFormula Student Electric Belegung eingeschränkt - Details anzeigen
Voraussetzung: Besuch der Lerneinheit 151-0075-20L Formula Student Electric im HS20.
14 KP15AD. Mohr
KurzbeschreibungIm Team ein Produkt von A-Z entwickeln und realisieren! Anwenden und Vertiefen des bestehenden Wissens, Arbeiten in Teams, Selbständigkeit, Problemstrukturierung, Lösungsfindung in unscharfen Problemstellungen, Systembeschreibung und -simulation, Präsentation und Dokumentation, Realisationsfähigkeit, Werkstatt- und Industriekontakte, Anwendung modernster Ingenieur-Werkzeuge (Matlab, Simulink usw).
LernzielDie vielfältigen Lernziele dieses Fokus-Projektes sind:
- Synthetisieren und Vertiefen des theoretischen Wissens aus den Grundlagenfächern des 1.-4. Semesters
- Teamorganisation, Arbeiten in Teams, Steigerung der sozialen Kompetenz
- Selbständigkeit, Initiative, selbständiges Lernen neuer Themeninhalte
- Problemstrukturierung, Lösungsfindung in unscharfen Problemstellungen, Suchen von Informationen
- Systembeschreibung und -simulation
- Präsentationstechnik, Dokumentationserstellung
- Entscheidungsfähigkeit, Realisationsfähigkeit
- Werkstatt- und Industriekontakte
- Erweiterung und Vertiefung von Sachwissen
- Beherrschung modernster Ingenieur-Werkzeuge (Matlab, Simulink, CAD, CAE, PDM)
151-0502-00LMechanik 2: Deformierbare Körper
Voraussetzung: 151-0501-00L Mechanik 1: Kinematik und Statik

Die Lehrveranstaltung ist nur für die Studierenden der Maschineningenieurwissenschaften, Bauingenieurwissenschaften und Bewegungswissenschaften.

Studierende der Bewegungswissenschaften und Sport können "Mechanik 1" und "Mechanik 2" nur als Jahreskurs belegen.
6 KP4V + 2UD. Mohr
KurzbeschreibungSpannungstensor, Verzerrungen, linearelastische Körper, spezielle Biegung prismatischer Balken, numerische Methoden, allgemeinere Biegeprobleme, Torsion, Arbeit und Deformationsenergie, Energiesätze und -verfahren, Knickung.
LernzielFür die mechanische Auslegung von Systemen sind die Kenntnisse aus der Kontinuumsmechanik notwendige Voraussetzung. Dazu gehören insbesondere die Begriffe Spannungen, Deformationen, etc. welche an einfachen Systemen sowohl mathematisch sauber wie auch intuitiv verständlich werden. In dieser Vorlesung werden die Voraussetzungen für die Analyse deformierbarer Körper erarbeitet, so dass die Studierenden sie anschliessend in Fächern wie Dimensionen, die näher bei der Anwendung liegen.
InhaltSpannungstensor, Verzerrungen, linearelastische Körper, spezielle Biegung prismatischer Balken, numerische Methoden, allgemeinere Biegeprobleme, Torsion, Arbeit und Deformationsenergie, Energiesätze und -verfahren, Knickung.
LiteraturMahir B. Sayir, Jürg Dual, Stephan Kaufmann
Ingenieurmechanik 2: Deformierbare Körper, Teubner Verlag
151-0840-00LOptimization and Machine Learning
Note: previous course title until FS20 "Principles of FEM-Based Optimization and Robustness Analysis".
4 KP2V + 2UB. Berisha, D. Mohr
KurzbeschreibungThe course teaches the basics of nonlinear optimization and concepts of machine learning. An introduction to the finite element method allows an extension of the application area to real engineering problems such as structural optimization and modeling of material behavior on different length scales.
LernzielStudents will learn mathematical optimization methods including gradient based and gradient free methods as well as established algorithms in the context of machine learning to solve real engineering problems, which are generally non-linear in nature. Strategies to ensure efficient training of machine learning models based on large data sets define another teaching goal of the course.

Optimization tools (MATLAB, LS-Opt, Python) and the finite element program ABAQUS are presented to solve both general and real engineering problems.
Inhalt- Introduction into Nonlinear Optimization
- Design of Experiments DoE
- Introduction into Nonlinear Finite Element Analysis
- Optimization based on Meta Modeling Techniques
- Shape and Topology Optimization
- Robustness and Sensitivity Analysis
- Fundamentals of Machine Learning
- Generalized methods for regression and classification, Neural Networks, Support Vector machines
- Supervised and unsupervised learning
SkriptLecture slides and literature