Author: Thomas Bartz-Beielstein

Christoph Leitenmeier (Everllence) und Prof. Dr. Thomas Bartz-Beielstein gemeinsam mit den Studenten Sonal Rajendra Palrecha, Milankumar Hareshbhai Mavani, Rishikesh Ravikiran Tiwari, Priti Bhunia, Mariam Saki, Kumpal Khokhariya, Navya Thirakala, Venkatasumadhar Pabolu, Suheb Khan, Nouman Ahmad, Muhammad Ali, Ruohan Wang, Szu-Yu Liu, Vekil Bekmyradov

KI optimiert Turbolader und senkt Kosten

KI optimiert Turbolader und senkt Kosten

Im Rahmen der Vorlesung “Optimization of Technical Systems” an der TH Köln führten fünf Studentengruppen eine Case Study in Kooperation mit Everllence (ehemals MAN Energy Solutions) durch. Das Ziel war die Entwicklung von Machine Learning- und Deep Learning-Modellen zur Vorhersage von Vibrationsamplituden in Turbochargern, um teure und zeitaufwändige traditionelle Mess- und Simulationsmethoden zu ersetzen. Die Studenten entwickelten verschiedene KI-Modelle (u.a. XGBoost, CatBoost, RNN, LSTM, GRU) zur Amplitudenvorhersage basierend auf Betriebs- und Designparametern. Diese Modelle zeigten hohes Potenzial für präzise und kostengünstige Vorhersagen.

Christoph Leitenmeier (Head of Aerodynamics bei Everllence) hielt eine Gastvorlesung über “High Cycle Fatigue (HCF) in industrial applications”.

Die Veranstaltung ist Teil einer langfristigen Zusammenarbeit zwischen Prof. Bartz-Beielstein (TH Köln) und Everllence mit gemeinsamen Forschungs- und Promotionsprojekten.

Der Einfluss großer Sprachmodelle auf die diagnostische Urteilsfindung

Eine randomisierte klinische Studie untersuchte den Einfluss von LLM-Chatbots auf die diagnostische Urteilsfindung von Ärzten. Die Studie ergab, dass die Nutzung eines LLM-Chatbots die diagnostische Leistung der Ärzte nicht verbesserte, obwohl das LLM allein signifikant bessere Ergebnisse erzielte.