API src

Found 7 results.

KI_fuer_MVA - Künstliche Intelligenz zur Regelung von Müllverbrennungsanlagen

Das Projekt "KI_fuer_MVA - Künstliche Intelligenz zur Regelung von Müllverbrennungsanlagen" wird/wurde gefördert durch: Bundesministerium für Wirtschaft und Klimaschutz. Es wird/wurde ausgeführt durch: Universität Bremen, Institut für Automatisierungstechnik.

DARE: Trainings-, Validierungs- und Benchmarkwerkzeuge zur Entwicklung datengetriebener Betriebs- und Regelungsverfahren für intelligente, lokale Energiesysteme

Das Projekt "DARE: Trainings-, Validierungs- und Benchmarkwerkzeuge zur Entwicklung datengetriebener Betriebs- und Regelungsverfahren für intelligente, lokale Energiesysteme" wird/wurde gefördert durch: Bundesministerium für Bildung und Forschung. Es wird/wurde ausgeführt durch: Universität Paderborn, Software Innovation Lab im Software Innovation Campus Paderborn.

PlexPlain: Erklärende KI für Komplexe Lineare Programme am Beispiel intelligenter Energiesysteme

Das Projekt "PlexPlain: Erklärende KI für Komplexe Lineare Programme am Beispiel intelligenter Energiesysteme" wird/wurde gefördert durch: Bundesministerium für Bildung und Forschung. Es wird/wurde ausgeführt durch: Technische Universität Darmstadt, Centre for Cognitive Science.

E! 113752: Entwicklung einer Technologieplattform für fortgeschrittene Lasermaterialbearbeitung von metallischen Brennstoffzellen, Teilprojekt: Prozessüberwachung der Dampfkapillar-Tiefe beim Laserstrahlschweißprozess und Entwicklung eines maschinellen Lernsystems für die Beurteilung der Schweißnahtqualität

Das Projekt "E! 113752: Entwicklung einer Technologieplattform für fortgeschrittene Lasermaterialbearbeitung von metallischen Brennstoffzellen, Teilprojekt: Prozessüberwachung der Dampfkapillar-Tiefe beim Laserstrahlschweißprozess und Entwicklung eines maschinellen Lernsystems für die Beurteilung der Schweißnahtqualität" wird/wurde gefördert durch: Bundesministerium für Bildung und Forschung. Es wird/wurde ausgeführt durch: Fraunhofer-Institut für Lasertechnik.

Teilprojekt: Richtungsselektive Filter für die Unterdrückung der Reemission und für die Verbesserung von Lichtfallen^Teilprojekt: Photonische Nanostrukturen als richtungsselektive Filter^Teilprojekt: Quantifizierung des photogenerierten Anregungszustandes mitoptischen und spektroskopischen Methoden^Nanovolt - Optische Nanostrukturen für die Photovoltaik^Teilprojekt: Optische Strukturen, Solarzellen und Systemintegration^Teilprojekt: Effizienzsteigerung der Frequenz-Downkonversion des Sonnenlichts durch photonische Kristalle, Teilprojekt: 'Verstärkung nichtlinearer Frequenz-Upconversionseffekte durch metallische Nanopartikel'

Das Projekt "Teilprojekt: Richtungsselektive Filter für die Unterdrückung der Reemission und für die Verbesserung von Lichtfallen^Teilprojekt: Photonische Nanostrukturen als richtungsselektive Filter^Teilprojekt: Quantifizierung des photogenerierten Anregungszustandes mitoptischen und spektroskopischen Methoden^Nanovolt - Optische Nanostrukturen für die Photovoltaik^Teilprojekt: Optische Strukturen, Solarzellen und Systemintegration^Teilprojekt: Effizienzsteigerung der Frequenz-Downkonversion des Sonnenlichts durch photonische Kristalle, Teilprojekt: 'Verstärkung nichtlinearer Frequenz-Upconversionseffekte durch metallische Nanopartikel'" wird/wurde gefördert durch: Bundesministerium für Bildung und Forschung. Es wird/wurde ausgeführt durch: RWTH Aachen University, Fachgruppe Physik, I. Physikalisches Institut.

UNSEEN - Bewertung der Unsicherheiten in linear optimierenden Energiesystem-Modellen unter Zuhilfenahme Neuronaler Netze, Teilvorhaben: Anpassung REMix Modell und Szenarienbewertung

Das Projekt "UNSEEN - Bewertung der Unsicherheiten in linear optimierenden Energiesystem-Modellen unter Zuhilfenahme Neuronaler Netze, Teilvorhaben: Anpassung REMix Modell und Szenarienbewertung" wird/wurde gefördert durch: Bundesministerium für Wirtschaft und Klimaschutz. Es wird/wurde ausgeführt durch: Deutsches Zentrum für Luft- und Raumfahrt e.V., Institut für Technische Thermodynamik.Für die Energiesystemanalyse wird das Optimierungswerkzeug REMix zunächst für die Lösung großer, hochaufgelöster europäischer Energiesystemmodelle angepasst, so dass viele Millionen von Szenarien auf Hochleistungsrechnern gelöst werden können. Im Projekt werden die Lösungsalgorithmen dafür weiterentwickelt. Der weite Parameterraumscan schafft eine einzigartige Datengrundlage, da eine sehr gute Abdeckung von Modelleingangsparametern erfolgt. Durch die Integration neuronaler Netzwerke mit Reinforcement-Learning werden solche Optimierungssuchen stark beschleunigt. Durch verschiedene Modellkopplungen (Netze, Amiris, REMix) sind diese drei Modelle gemeinsam in der Lage, robuste, sensible und kostengünstige Transformationspfade zu identifizieren. Die Modellkopplung erlaubt so, komplexe Fragestellungen zu beantworten und die hohe Auflösung erlaubt sehr differenzierte Analysen. UNSEEN liefert somit einen wichtigen Beitrag zu einer insgesamt verbesserten wissenschaftlichen Politikberatung.

Leichtbau BW: HyWet - Cost and resource efficient manufacturing of FRP-metal hybrid structures in Wet Compression Molding; HyWet -Kosten- und ressourceneffiziente Fertigung von Faserverbund-Metall-Hybridstrukturen im Nasspressverfahren, Teilvorhaben B

Das Projekt "Leichtbau BW: HyWet - Cost and resource efficient manufacturing of FRP-metal hybrid structures in Wet Compression Molding; HyWet -Kosten- und ressourceneffiziente Fertigung von Faserverbund-Metall-Hybridstrukturen im Nasspressverfahren, Teilvorhaben B" wird/wurde gefördert durch: Bundesministerium für Bildung und Forschung. Es wird/wurde ausgeführt durch: DBF Deutsche Basalt Faser GmbH.;the HyWet project investigates the cost efficient and robust manufacturing of FRP-metal hybrid structures consisting of sheet metal blanks made of steel or aluminum with a local FRP reinforcement. A promising approach to overcome the cost issues is the hybrid Wet Compression Molding technology where a textile semi-finished product is wetted by a resin and directly formed into a sheet metal structure. In this case, the adhesion of the sheet metal and composite is realized by co-molding whereby the chosen resin takes the role of an adhesive. After the forming and co-molding process the tool is kept closed for further curing of the FRP reinforcement.

1