Mobilität
-
d-E-mandEine zentrale Voraussetzung für die Elektro-Mobilitätswende ist der Aufbau einer flächendeckenden Infrastruktur und digitalen Services für alle Arten von Elektrofahrzeugen. Diese Services sollen die bedarfsgerechte Versorgung der Elektro-Verkehrsteilnehmer mit Strom auch bei lokalen Engpässen und erhöhtem Bedarf gewährleisten. Das Ziel des Projekts ist die Schaffung einer Geschäftsgrundlage für KMUs und Start-Ups für neuartige Dienstleistungen bezogen auf die Bedienung von erhöhtem räumlich-zeitlichen Ladebedarf von Elektrofahrzeugen und Eröffnung neuer Geschäftsfelder in diesem Bereich. Darüber hinaus sollen für Großunternehmen, wie Netzbetreiber und Ladestations Hersteller, entsprechende Analytics-Schnittstellen zur Bedarfsermittlung und Optimierung der Energieversorgung geschaffen werden. Mit den im Projekt entwickelten Lösungen wird ein erheblicher Beitrag geleistet, um Probleme wie den erhöhten Ladebedarf bei Großveranstaltungen, die Minderung der Netzbelastung oder den erhöhten Ladebedarf bei hoher Verkehrslast zu lösen.Leitung: Sester, Monika; Feuerhake, UdoTeam:Jahr: 2020Förderung: BMBFLaufzeit: 1.1.2020-30.6.2023
![]()
![]()
Big Data und Machine Learning
-
Diffusions-Chronometrie von magmatischen Systemen (FOR 2881)Diffusions-Chronometrie von magmatischen Systemen Geologische Prozesse laufen in und auf der Erde über eine Reihe von Zeitskalen ab, die eine verschachtelte, hierarchische Struktur bilden. Die Bestimmung der Dauer von Prozessen, die am kürzeren Ende dieses Zeitspektrums stattfinden, ist eine Herausforderung. Die Instrumente der Diffusions-Chronometrie haben sich als vielversprechende Methode erwiesen, die in vielen Situationen Lösungen bietet. Magmatische Systeme mit hohen Temperaturen bieten ein hervorragendes natürliches Labor für die Entwicklung und Kalibrierung dieser Instrumente, da verschiedene Arten von Beobachtungen aus Überwachungsvulkanen eine Gegenkontrolle der Ergebnisse ermöglichen. In der Folge können die neu entwickelten und verfeinerten Instrumente dann auf ein viel breiteres Spektrum geologischer und planetarischer Gegebenheiten angewendet werden. Am ikg werden Verfahren des Deep Learning (DL) untersucht und entwickelt, die eine automatische Verarbeitung erlauben und somit zu einer starken Beschleunigung der Interpretation der Daten führen. Die DL-Verfahren werden dabei geschickt verknüpft mit der Möglichkeit, die Interaktion mit einem Menschen zu ermöglichen. Die Forschungsgruppe wird koordiniert von Prof. Sumit Chakraborty, Ruhr Universität Bochum. An der Leibniz Universität sind weiterhin die Gruppen von Prof. Holtz und Prof. Weyer aus der Mineralogie maßgeblich beteiligt.Leitung: SesterTeam:Jahr: 2024Förderung: DFG
![]()
![]()
-
Interdisciplinary Center for Applied Machine Learning - ICAMLDas ICAML (Interdisziplinäres Zentrum für Angewandtes Maschinelles Lernen) hat das Ziel, maschinelles Lernen interdisziplinär zugänglich zu machen. Um dieses Ziel zu erfüllen, werden drei fundamentale Komponenten der Lehre entwickelt und eingesetzt.Leitung: Werner, SesterTeam:Jahr: 2018Förderung: Bundesministerium für Bildung und ForschungLaufzeit: 11/2017-11/2019
![]()
![]()
