Praxisprojekte

Fortschritte in der elektrischen Energietechnik durch Deep Learning

Integration der Scaled Polynomial Constant Unit Aktivierungsfunktion für eine verbesserte Stromnetzanalyse

Für Bogdan Krasylnykovs Masterarbeit soll ein Künstliches Neuronales Netzwerk (ANN) mit einer neu entwickelten SPOCU-Aktivierungsfunktion erstellt werden. ANNs, ein Zweig der künstlichen Intelligenz, der die Operationen des menschlichen Gehirns simuliert, werden als Computerprogramme implementiert. Die ursprüngliche Architektur für dieses Projekt ist ein Perceptron, das aus Eingangsknoten, einem Summationsknoten und einer Aktivierungsfunktion besteht und somit ein mehrschichtiges Perceptron (MLP) bildet. Jeder Eingangsknoten hat eine gewichtete Verbindung, wobei die Gewichte während der Vorwärts- und Rückwärtspropagation für präzise Vorhersagen angepasst werden. Durch die Hinzufügung der SPOCU-Aktivierungsfunktion, einer adaptiven Funktion für effizientes Lernen in dynamischen Netzen, wird das ANN in die Lage versetzt, komplexe Aufgaben und Stromnetze zu bewältigen. Als Programmiersprache wurde Python gewählt, das spezielle Pakete für maschinelles Lernen wie Keras und TensorFlow enthält.

Erforschung der rechnerischen Elektromagnetik

In dieser Masterarbeit von Bogdan Kraslnykov wurde ein Programm implementiert, das die Kapazität für eine beliebige 2D-Geometrie berechnen kann. Dieses Programm wurde in Python entwickelt und basiert auf der Berechnungsmethode der Momentenmethode.

Die Momentenmethode ist eine weit verbreitete Methode, die in vielen proprietären EM-Simulationsprogrammen (z.B. COMSOL) verwendet wird, und Python wurde gewählt, weil es frei verfügbar ist und über viele zusätzliche offene Bibliotheken verfügt. Die Methode der Momente (oder kurz MoM) ist eine numerische Berechnungsmethode, die die in Integralform formulierten Maxwellschen Gleichungen löst.

Die MoM verwendet eine integrale Formulierung der Maxwell-Gleichungen (mit Green'schen Funktionen) und die Unbekannten dieser Gleichungen sind Quellen elektrischer und magnetischer Felder, wie Ströme oder Ladungen auf den Oberflächen von Leitern und Dielektrika.

Diese Methode eignet sich für Probleme mit offenen Bereichen (z. B. Antennen oder Mikrowellenprobleme, die oft offene Bereiche enthalten), bei denen andere Methoden wie Finite-Differenzen-Zeitbereich erhebliche Fehler verursachen können.

Lebensdauervorhersage von Solarzellen

Unter der Leitung von Orynbassarov Abay, einem Masterstudenten des Studiengangs Elektrotechnik am FH-Campus Wels aus Kasachstan, befasst sich dieses Projekt mit der Schätzung der Lebensdauer von Solarzellen anhand zensierter Daten. Mit Hilfe fortschrittlicher statistischer Methoden wird versucht, die Lebensdauer von Solarzellen auf der Grundlage unvollständiger Datensätze zu analysieren und vorherzusagen. Ziel ist es, die Zuverlässigkeit und Langlebigkeit von Solarenergiesystemen zu verbessern und damit einen wichtigen Beitrag zur Entwicklung nachhaltiger Energielösungen zu leisten. Derzeit setzt Abay sein Fachwissen bei Coil Innovation ein, einem führenden Hersteller von Luftkern-Trockenreaktoren, wo er seine Forschungsergebnisse auf reale Anwendungen anwendet, was die praktische Relevanz dieser Studie bei der Bewältigung der Herausforderungen der Technologie für erneuerbare Energien unterstreicht.

Studentische Projekte im Bereich Forschung & Entwicklung

Auch Studierende sind eingeladen, sich an den F&E-Aktivitäten der Universität in Form von studentischen Projekten oder als wissenschaftliche Hilfskräfte zu beteiligen. Elektrische Speichersysteme, PV-Anlagen, E-Mobilität, Leistungselektronik, Hochspannungs- und Hochstromtechnik, Schaltgeräte und Blitzschutz sind einige Beispiele für die Bereiche von grundsätzlichem Interesse.