Kursplan för Maskininlärning och datadriven modellering i mekanik

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2023-02-12 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnMachine learning and data-driven modelling in mechanics
  • KurskodIMS135
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPAME
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeMaskinteknik, Samhällsbyggnadsteknik, Teknisk fysik
  • InstitutionINDUSTRI- OCH MATERIALVETENSKAP
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 03138
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0123 Projekt 3 hp
Betygsskala: UG		3 hp
0223 Tentamen 4,5 hp
Betygsskala: TH		4,5 hp
  • 28 Okt 2023 em J
  • 03 Jan 2024 em J_DATA
  • 20 Aug 2024 em J_DATA

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Minst en kurs på avancerad nivå som kombinerar mekanik och programmering (Matlab/Python). Exempel på det kan vara: Strukturdynamik TME141, Beräkningsmetoder inom strömningsmekanik MTF073, Finita elementmetoden strukturer TME245, Kompressibel strömning TME085, Stelkroppsdynamik MMA092 eller Materialmekanik MHA043. 



Syfte

Kursen inkluderar utvärdering och användande av maskininlärning och datadriven modellering för problem i mekanik, solidmekanik och fluiddynamik.

Lärandemål (efter fullgjord kurs ska studenten kunna)

  • Förklara grundläggande begrepp hos olika typer av maskininlärning,
  • Beskriva och implementera algoritmer för maskininlärning, 
  • Använda djup maskininlärning för övervakade uppgifter, 
  • Förklara, implementera och använda fysikinformerade neurala nätverk för lösning av problem inom mekanik, solidmekanik och fluiddynamik, 
  • Tillämpa maskininlärning och datadriven modellering i mekanik, solidmekanik och fluiddynamik.

Innehåll

Grundläggande begrepp inom maskininlärning, optimeringstekniker, regularisering, neurala nätverk, träning av ett nätverk, aktiveringsfunktioner, automatisk differentiering, surrogatmodeller, fysikinformerade neurala nätverk, datadriven slutledning, datadriven identifiering, djupenergimetod, osäkerhetskvantifieringar i experiment och simuleringar, reducerad modellering, supportvektorregression (SVR), supportvektormaskiner (SVM), Python-programmering, PyTorch.

Organisation

Föreläsningar, problemlösningstillfällen och handledning. Handledda projekt där maskininlärning och datadriven modellering tillämpas på materialmekanik, fluiddynamik och dynamik. Valet av projekt avgörs av studentens bakgrund och intresse.

Litteratur

Kollmannsberger, Davide D’Angella, Moritz Jokeit, Leon Herrmann. Deep Learning in Computational Mechanics, Springer 2021, https://doi.org/10.1007/978-3-030-76587-3 kompletteras med en bok eller föreläsningsanteckningar.

Examination inklusive obligatoriska moment

För att bli godkänd på kursen måste studenten vara godkänd på projektet och på tentamen. Betyget bestäms av tentamen.

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2023-03-31: Block Block B tillagt av Examinator
      [Kurstillfälle 1]
  • Ändring gjord på tentamen:
    • 2023-12-08: Plats Plats ändrat från Johanneberg till Johanneberg, Data av Tentamen
      [2024-01-03 4,5 hp, 0223]
    • 2023-12-08: Plats Plats ändrat från Johanneberg till Johanneberg, Data av Tentamen
      [2024-08-20 4,5 hp, 0223]