250014 VO Mathematical modelling (2024S)
Labels
Registration/Deregistration
Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).
Details
Language: German
Examination dates
Lecturers
Classes
Die Zeiten und Ort von VO und SE haben sich in Absprache mit den Studierenden ab 14 März geändert wie folgt:
Ort : immer der "MMM - WPI Seminarraum 8.135" im 8. Stock, nicht der HS11 !Zeiten:Vorlesung ("VO) :
Donnerstag 11h30 - 13h15Freitag 12h45 - 13h45Übung ("PS"): Donnerstag 15h30 - 16h45
Information
Aims, contents and method of the course
Assessment and permitted materials
Prüfung am/nach Ende der Lehrveranstaltung, wo ausgehend von den eigenen Ausarbeitungen der Übungsbeispiele eine Kenntnis der wesentlichen Theorie der Vorlesung gezeigt wird.
Minimum requirements and assessment criteria
Alles wesentliche muss verstanden sein,
es müssen keine Beweise auswendig reproduziert werden.
es müssen keine Beweise auswendig reproduziert werden.
Examination topics
Alles wesentliche der Vorlesung muss verstanden sein,
es müssen keine Beweise auswendig reproduziert werden.
es müssen keine Beweise auswendig reproduziert werden.
Reading list
- Skriptum der Vortragenden (Mauser & Stimming, zusammen mit Bäumer)wird jeweils VOR der Vorlesung an die Studierenden gesandt (per e-mail, doodle) und als Papierkopie ausgeteilt.- Christiane Kuttler: "Mathematische Modellbildung" (Skriptum)- Christian Schmeiser: "Angewandte Mathematik" (Skriptum)
Association in the course directory
AE10
Last modified: We 23.10.2024 17:06
Dabei sind (partielle) Differentialgleichungen eine wichtige Klasse von Modellgleichungen, vom 2. Newton’schen Gesetz über Schwingungs- und Wellengleichungen bis zur Hydrodynamik mit Navier-Stokes Gleichungen, wobei seriöse Modellierung auch Konzepte wie „schwache Lösungen“ benötigt.
Weiters behandeln wir Modelle in der Biologie, insbesondere Populationsdynamik.
„Numerische Modellierung" wird in fast allen Anwendungen gemacht, wo die beiden Begriffe "Modellgleichung" und "numerische Lösung" vermischt werden, die mathematisch streng betrachtet getrennt sind. Weiters werden die Grundideen von "Statistischer Modellierung" und "Machine learning" präsentiert.Skriptum der Vortragenden wird jeweils VOR der Vorlesung an die Studierenden gesandt (per e-mail, doodle) und als Papierkopie ausgeteilt,
dazu ergänzende Skripten.In den parallelen „Übungen“ (ProSeminar genannt) werden Beispiele zum Stoff selbst erarbeitet und präsentiert, dazu am Ende ein "Team-Projekt", wo 3-4 Studierende kooperativ ein Modell ausarbeiten und gemeinsam präsentieren.A) Mathematische Modellierung in der Physik:
0) Formel -> Funktion -> (Differential)gleichung.
1) grundlegende Modelle:
1a) Teilchen-Mechanik, (Dreh)Impuls/erhaltung, Energie/erhaltung,
Bewegungsgleichungen: gewöhnliche Differentialgleichungen,
Gravitationskraft, Elektrostatik: Newton'sches Potential
1b) Kontinuums-Mechanik: partielle Differentialgleichungen
1c) Schwingungsgleichung, Einführung Fourierentwicklungen,
Wellengleichung2) Modellhierarchien:
2a) Skalierung von Modellgleichungen, dimensionslose (kleine) Parameter
2b) Paradebeispiel: "der senkrechte sehr hohe Wurf"
2c) reduzierte Gleichung und Störungstheorie:
reguläre Störungen - "asymptotische Entwicklungen";
singuläre Störungen – „Grenzschichten“
2d) Störungen der Schwingungsgleichung
2e) Mathematische Modelle für Wetter / KlimaB) Modelle in Biologie/Medizin und Sozialwissenschaften
3a) Wachstums-Modelle diskret/kontinuierlich
Iterationen, Fibonacci-Folgen,…
Grundideen von Dynamische Systemen, „Stabilität“,…
3b) Räuber-Beute Modelle, Lotka-Volterra Gleichungen
3c) Epidemie-Modelle, SIR-X Modelle
3d) Modellierung von Verkehrsfluss, Burgers Gleichung
3e) Mean Field Models für „Tier/Menschenströme“C) Modellierung in den Anwendungen
4a) numerische Modellierung
4b) stochastische/statistische Modellierung
4c) „Modellierung“ mit Machine learning