Predictive AI für Wasserstoffmotoren: Vorhersage der kurbelwinkelaufgelösten Stickoxidemission

Forschungsthema/Bereich

Machine Learning

Typ der Abschlussarbeit

Master

Startzeitpunkt

-

Bewerbungsschluss

31.12.2025

Dauer der Arbeit

6 Monate

Beschreibung

Durch die Verschärfung der zukünftigen Emissionsgesetzgebung gewinnen Methoden zur CO2-Reduktion immer mehr an Bedeutung beim Betrieb von Verbrennungsmotoren. Dies betrifft insbesondere den Nutzfahrzeugbereich, was neue Ideen und Verfahren erfordert. Der Wechsel zu Wasserstoff als Energiequelle bietet die Möglichkeit den
Verbrennungsmotor CO2 neutral zu betreiben. Das IFKM nutzt mehrere Versuchsträger mit Wasserstoff zur Entwicklung von Brennverfahren. Dabei spielt die Messung der NO-Emissionen eine zentrale Rolle. Ziel dieser Arbeit ist es, ein Machine Learning Modell zu entwickeln, das die zeitliche Auflösung der NO-Emissionen anhand vorhandener Messdaten vorhersagen kann, um ein besseres Verständnis der Emissionen zu ermöglichen.

Diese Aufgaben erwarten dich:
- Datenanalyse der Messdaten
- Auswahl verschiedener Time Series Models
- Trainieren und Evaluieren der Ergebnisse
- Analyse und Dokumentation der Ergebnisse

Stichwörter: Time Series Prediction,
LSTM, Transformer, VAE, PatchTST

Voraussetzung

Voraussetzungen an Studierende

• Kenntnisse in Python, Grundkenntnisse
• in datengetriebene Methoden, Interesse
• am Verbrennungsmotor

Studiengangsbereiche

• Ingenieurwissenschaften
  Informatik
  Maschinenbau
  Mechatronik & Informationstechnik
  Mechanical Engineering
  Information System Engineering and Management

Betreuung

Titel, Vorname, Name

Theodor Lanzer

Organisationseinheit

Institut für Kolbenmaschinen (IFKM)

E-Mail Adresse

theodor.lanzer@kit.edu

Link zur eigenen Homepage/Personenseite

Website

Bewerbung per E-Mail

Bewerbungsunterlagen

• Anschreiben

E-Mail Adresse für die Bewerbung
Senden Sie die oben genannten Bewerbungsunterlagen bitte per Mail an theodor.lanzer@kit.edu


Zurück