Emne

Teknisk modellering (MOD300)

Kurset vil gi en praktisk innføring i modellering. Vi vil utvikle modeller for å støtte beslutningsprosesser i komplekse og usikre sammenhenger. Modellene er relevante for ulike ingeniørdisipliner. Det vil være modeller for beslutningsanalyse, statistiske modeller, modeller av fysiske systemer, maskinlæring og hybride modeller der maskinlæringsmetoder kombineres med fysiske modeller. Numeriske metoder for å løse modellene vil bli forelest. Kurset fokuserer på anvendelser, studentene vil utvikle egne matematiske modeller og implementere spesifikke algoritmer for å løse praktiske problemer med det formål å støtte og forbedre beslutningstaking. Koding / programmering vil være en viktig del av kurset, og vi vil bruke Python som det primære programmeringsspråket for kurset.


Dette er emnebeskrivelsen for studieåret 2022-2023. Merk at det kan komme endringer.

Se emnebeskrivelse og eksamens-/vurderingsinfo for dette studieåret (2024-2025)

Semesters

Fakta

Emnekode

MOD300

Vekting (stp)

10

Semester undervisningsstart

Høst

Undervisningsspråk

Engelsk, Norsk

Antall semestre

1

Vurderingssemester

Høst

Timeplan

Vis timeplan

Litteratur

Søk etter pensumlitteratur i Leganto

Læringsutbytte

Alle tar avgjørelser, men få mennesker tenker på hvordan de gjør det. Likevel viser psykologisk forskning at vi er utsatt for mange forskjellige tankefeil som forringer vår beslutningskvalitet. En grunnleggende rolle for ingeniører er å bygge fysiske og matematiske modeller for å støtte beslutningstaking. Modeller er nyttige og verdifulle hvis og bare hvis de kan gi innsikt som kan veilede og informere beslutningstaking. I dette kurset vil vi diskutere hvordan man kan utvikle normative modeller for beslutningstaking under usikkerhet og modeller som beskriver bevaring av masse, energi og kjemiske komponenter og hvordan man praktisk implementerer numeriske metoder. Målet med modellene er å støtte og forbedre beslutningstaking. Eksempler på numeriske algoritmer er regresjon og interpolasjonsteknikk (for både enkelt- og flere variabler), datafiltrering, Monte Carlo-simulering og maskinlæring.

Forkunnskapskrav

Ingen

Eksamen / vurdering

Fagperson(er)

Faglærer:

Pål Østebø Andersen

Emneansvarlig:

Aksel Hiorth

Faglærer:

Aksel Hiorth

Instituttleder:

Alejandro Escalona Varela

Faglærer:

Enrico Riccardi

Arbeidsformer

Forelesninger og praktiske programmeringsøvelser.

Åpent for

Batteri- og energiteknologi - bachelor i ingeniørfag Bygg - bachelor i ingeniørfag Datateknologi - bachelor i ingeniørfag Datateknologi - bachelor i ingeniørfag, deltid Elektroteknologi - bachelor i ingeniørfag, deltid Elektroteknologi - bachelor i ingeniørfag Energi- og petroleumsteknologi, y-vei - bachelor i ingeniørfag Energi- og petroleumsteknologi - bachelor i ingeniørfag Geovitenskap og energiressurser - bachelor i ingeniørfag Miljøteknologi - bachelor i ingeniørfag Maskin - bachelor i ingeniørfag Medisinsk teknologi - bachelor i ingeniørfag Medisinsk teknologi - bachelor i ingeniørfag - deltid
Enkeltemner ved Det teknisk-naturvitenskaplige fakultet
Computational Engineering - master i teknologi/siv.ing.

Emneevaluering

Skjer gjennom skjema og/eller samtaler i henhold til gjeldende retningslinjer.

Kontakt

Faglærer:

Pål Østebø Andersen

Emneansvarlig:

Aksel Hiorth

Faglærer:

Aksel Hiorth

Instituttleder:

Alejandro Escalona Varela

Faglærer:

Enrico Riccardi

Tilbys av

Det teknisk-naturvitenskapelige fakultet

Institutt for energiressurser

Emnebeskrivelsen er hentet fra Felles studentsystem Versjon 1