Digitale Technologien im Ingenieurwesen

Die heutige Welt entwickelt sich auf vielfältige Art und Weise rasant. So ist auch das Bauingenieurwesen zunehmend von modernen digitalen Technologien, wie bspw. Softwareentwicklung, Informationsvernetzung und Automatisierung abhängig, um komplexe Herausforderungen zu bewältigen und Innovationen voranzutreiben. Die Lerninhalte dieses umfassenden Kurses „Digitale Technologien im Ingenieurwesen“ verfolgen das Ziel, Studierende im ersten Studienjahr des Bauingenieurwesens eine solide Grundlage in essentiellen digitalen Kompetenzen wie bspw. Grundlagen der Programmierung, Datenerfassung und -speicherung, Explorative Datenanalyse (EDA), und Datenbasierte sowie auf maschinellem Lernen basierende Modellbildung im Rahmen Ingenieurtechnischer Anwendungen zu vermitteln. Diese grundlegenden Fähigkeiten sind für eine akademische Laufbahn sowie vielfältige zukünftige Karrierewege der Studierenden von unschätzbarem Wert. Im Verlauf dieses Moduls werden die Studierenden an praktischen Übungen  teilnehmen, um ihr Verständnis des Lernstoffs zu vertiefen. Am Ende des Semesters werden die Studierenden eine solide Grundlage in den Bereichen Programmieren und allgemein mit dem Umgang digitaler Technologien erworben haben.

Kompetenzorientierte Lehr-/Lernziele
Nach erfolgreichem Abschluss der LV können die Studierenden

• Einfache Algorithmen in der Programmiersprache Python implementieren.
• Erste Grundkenntnisse in Programmierung nutzen um eigene Programme zu schreiben.
• Einfache Ingenieurtechnische Problemstellungen in einem Programm modellieren.
• Grundkenntnisse in Datenbanken nutzen um Daten zu strukturieren und abzufragen.
• Große digitale Datenmengen verarbeiten und analysieren.
• Spezifische Ingenieurtechnische Problemstellungen gepaart mit Daten analysieren und auswerten.
• Konzepte KI, Maschinelles Lernen, Data Science und Deep Learning verstehen.
• Überwachtes Lernen anwenden, um einfache Modelle für maschinelles Lernen, z.B. Vorhersagen von Materialfestigkeit, zu erstellen.
• Praktische Erfahrung in der Implementierung von maschinellem Lerncode zur Lösung technischer Probleme.

1. Einführung in das Programmieren (IRZ, Umfang: 1/3 des Moduls)
   1. Einführung in die Programmiersprache Python und ihrer möglichen Anwendungen im Bauingenieurwesen.
   2. Erlenen der Grundkonzepte wie Variablen, Arrays, Schleifen, Logische Operationen und Visualisierung.
   3. Einführung in das wissenschaftliche Programmieren mit Schwerpunkt auf der Umsetzung von mathematischen Formulierungen in Programmcode.
   4. Erlangen des Verständnisses dafür, wie und warum mathematische Algorithmen programmatisch umgesetzt werden, z. B. für die Simulation von komplexen Systemen oder die Automatisierung von Ingenieurprozessen.
   5. Praktische Übung zur Entwicklung von Problemlösungsfähigkeiten durch algorithmisches Denken.
   6. Bearbeiten von teamorientierten Grundlagen-Aufgaben, um zu erlernen, wie im Team effizient programmiert werden kann.
2. Verständnis von Daten und ihrer Bedeutung im Bauingenieurwesen (GIH, Umfang: 1/6 des Moduls)
   1. Einführung in das Konzept von Daten und deren Relevanz im Bauingenieurwesen.
   2. Erlernen der Datenerfassung, -analyse und -interpretation zur Unterstützung von Ingenieur-Entscheidungen.
   3. Untersuchung von Fallstudien aus der Praxis, welche die praktische Anwendung von Daten in Bauingenieurprojekten verdeutlichen.
3. Einführung in Datenbanken und Datenmanagement (ikg, Umfang: 1/6 des Moduls)
   1.  Vorstellung von Grundlagen zu Datenbanken und deren Rolle im Bauingenieurwesen.
   2.  Erlernen der Organisation, Speicherung und Abfrage von Daten in Datenbankmanagementsystemen.
   3. Praktische Übungen zur Gestaltung und Implementierung von Datenbanken in Bezug auf bauingenieurtechnische Szenarien.
   4. Die Veranstaltung wird durch Übungen begleitet, in denen die Vorlesungsinhalte mittels Aufgaben in Jupyter Notebooks gefestigt werden.
4. Einführung in die Grundlagen des maschinellen Lernens (IBNM, Umfang: 1/3 des Moduls)
   1. Erlernen der Unterschiede zwischen Künstlicher Intelligenz (KI), Maschinellem Lernen (ML), Data Science (DS) und Deep Learning (DL).
   2. Erlernen der Unterschiede zwischen überwachtem, unüberwachtem und verstärktem Lernen.
   3. Erlernen der Schlüsselkomponenten zur Erstellung eines Regressionsmodells und eines Modells für maschinelles Lernen (überwachtes Lernen als Beispiel).
   4. Erlernen, wie man einen ML-Code in Python mit Jupyter Notebook schreibt. (einfache Anwendung aus dem Bauwesen, wie z.B. ML-basierte Vorhersage der Materialfestigkeit (z.B. Beton)) unter Verwendung von MLP (Multi-Layer Perceptron) Feed Forward NN, und Lineare Regression.
   5. Es wird Jupyter Notebook mit Python als Anwendungsplattform verwendet