{"id":{"repo_id":"tu-berlin","oai_identifier":"oai:depositonce.tu-berlin.de:11303/20935"},"canonical_url":"https://search.dev.ndltd.org/etd/tu-berlin/oai:depositonce.tu-berlin.de:11303/20935","repository":{"repo_id":"tu-berlin","name":"Technische Universität Berlin","base_url":"https://api-depositonce.tu-berlin.de/server/oai/request"},"display":{"title":"Effiziente experimentell gestützte Modellierung unter polymorpher Unschärfe","abstract":"Das zentrale Thema dieser kumulativen Dissertation ist die Behandlung aleatorischer und epistemischer Unschärfe in Ingenieuranwendungen sowie die damit verbundenen Fragestellungen bei der Modellierung, Propagation und Bewertung. Das gleichzeitige Vorhandensein beider Unschärfetypen führt zu Problemen unter polymorpher Unschärfe. Die Klassifizierung von Unschärfe in aleatorisch, epistemisch und polymorph stellt bei realen Problemen eine Herausforderung dar und ist anteilig eine subjektive Entscheidung im Modellierungsprozess. Zumindest ist es wissenschaftlich etabliert, dass aleatorische Unschärfe mittels stochastischer Variablen quantifiziert und in ein Berechnungsmodell integriert wird. Für epistemische Unschärfe gibt es unterschiedliche Möglichkeiten und somit keine einheitliche Lösung. Die Behandlung durch nicht stochastische Variablen führt beispielsweise zu einem mehrschichtigen und ineinander verschachtelten Unschärferaum. Der Fluch der Dimensionen verbietet dann die Einbettung eines komplexen Berechnungsmodells in diesen Unschärferaum und macht eine Surrogatmodellierung unabdingbar. Modellreduktionen, Gebietszerlegungsverfahren und verschiedene Approximationsansätze, auch basierend auf künstlicher Intelligenz, kommen dafür problemspezifisch zum Einsatz. Zusätzlich werden die einzelnen Unschärferäume sinnvoll diskretisiert, woraus effiziente Unschärfepropagationen resultieren. Dabei ist es vorteilhaft, wenn die Surrogatmodellierung unabhängig von der Unschärfemodellierung erfolgt. Ferner wird gezeigt, wie der Informationsgehalt des Ergebnisses vom zugrundeliegenden Unschärfemodell abhängt und welche Vor- sowie Nachteile daraus resultieren. Für die Entscheidungsfindung ist die Interpretation und Bewertung unscharfer Ergebnisse notwendig. Weitere Herausforderungen in der Nachlaufrechnung, wie die Optimierung oder die Datenassimilation unter polymorpher Unschärfe, werden im Rahmen der vorliegenden Dissertation behandelt. Die numerischen Betrachtungen sind um experimentelle Untersuchungen erweitert, auch um Realitätsnähe der entwickelten Verfahren darzustellen. Einerseits werden Messdaten zur Quantifizierung unscharfer Eingangsgrößen, andererseits zur Validierung numerischer Vorhersagen verwendet. Verschiedene Modellierungsansätze und Berechnungsverfahren werden an unterschiedlich komplexen Ingenieurproblemen unter Berücksichtigung polymorpher Unschärfe präsentiert. Dabei werden mehrere Fragestellungen von der Modellerstellung bis zur Ergebnisbewertung beantwortet.","abstract_html":"Das zentrale Thema dieser kumulativen Dissertation ist die Behandlung aleatorischer und epistemischer Unschärfe in Ingenieuranwendungen sowie die damit verbundenen Fragestellungen bei der Modellierung, Propagation und Bewertung. Das gleichzeitige Vorhandensein beider Unschärfetypen führt zu Problemen unter polymorpher Unschärfe. Die Klassifizierung von Unschärfe in aleatorisch, epistemisch und polymorph stellt bei realen Problemen eine Herausforderung dar und ist anteilig eine subjektive Entscheidung im Modellierungsprozess. Zumindest ist es wissenschaftlich etabliert, dass aleatorische Unschärfe mittels stochastischer Variablen quantifiziert und in ein Berechnungsmodell integriert wird. Für epistemische Unschärfe gibt es unterschiedliche Möglichkeiten und somit keine einheitliche Lösung. Die Behandlung durch nicht stochastische Variablen führt beispielsweise zu einem mehrschichtigen und ineinander verschachtelten Unschärferaum. Der Fluch der Dimensionen verbietet dann die Einbettung eines komplexen Berechnungsmodells in diesen Unschärferaum und macht eine Surrogatmodellierung unabdingbar. Modellreduktionen, Gebietszerlegungsverfahren und verschiedene Approximationsansätze, auch basierend auf künstlicher Intelligenz, kommen dafür problemspezifisch zum Einsatz. Zusätzlich werden die einzelnen Unschärferäume sinnvoll diskretisiert, woraus effiziente Unschärfepropagationen resultieren. Dabei ist es vorteilhaft, wenn die Surrogatmodellierung unabhängig von der Unschärfemodellierung erfolgt. Ferner wird gezeigt, wie der Informationsgehalt des Ergebnisses vom zugrundeliegenden Unschärfemodell abhängt und welche Vor- sowie Nachteile daraus resultieren. Für die Entscheidungsfindung ist die Interpretation und Bewertung unscharfer Ergebnisse notwendig. Weitere Herausforderungen in der Nachlaufrechnung, wie die Optimierung oder die Datenassimilation unter polymorpher Unschärfe, werden im Rahmen der vorliegenden Dissertation behandelt. Die numerischen Betrachtungen sind um experimentelle Untersuchungen erweitert, auch um Realitätsnähe der entwickelten Verfahren darzustellen. Einerseits werden Messdaten zur Quantifizierung unscharfer Eingangsgrößen, andererseits zur Validierung numerischer Vorhersagen verwendet. Verschiedene Modellierungsansätze und Berechnungsverfahren werden an unterschiedlich komplexen Ingenieurproblemen unter Berücksichtigung polymorpher Unschärfe präsentiert. Dabei werden mehrere Fragestellungen von der Modellerstellung bis zur Ergebnisbewertung beantwortet.","abstract_has_math":false,"creators":["Drieschner, Martin"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Petryna, Yuri"],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-07-27T21:28:37Z","subjects":[],"languages":["de","en"],"rights":[],"rights_urls":["http://rightsstatements.org/vocab/InC/1.0/"],"identifier_entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://doi.org/10.14279/depositonce-19733"],"render_values":[{"text":"https://doi.org/10.14279/depositonce-19733","href":"https://doi.org/10.14279/depositonce-19733","code":true}]}]},"links":{"outbound_url":"https://depositonce.tu-berlin.de/handle/11303/20935","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Petryna, Yuri"]},{"key":"dc:creator","label":"Author","values":["Drieschner, Martin"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-01-16T13:30:28Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-01-16T13:30:28Z"]},{"key":"dc:date.issued","label":"Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["Doctoral Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["de","en"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://rightsstatements.org/vocab/InC/1.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://depositonce.tu-berlin.de/handle/11303/20935","https://doi.org/10.14279/depositonce-19733"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Das zentrale Thema dieser kumulativen Dissertation ist die Behandlung aleatorischer und epistemischer Unschärfe in Ingenieuranwendungen sowie die damit verbundenen Fragestellungen bei der Modellierung, Propagation und Bewertung. Das gleichzeitige Vorhandensein beider Unschärfetypen führt zu Problemen unter polymorpher Unschärfe. Die Klassifizierung von Unschärfe in aleatorisch, epistemisch und polymorph stellt bei realen Problemen eine Herausforderung dar und ist anteilig eine subjektive Entscheidung im Modellierungsprozess. Zumindest ist es wissenschaftlich etabliert, dass aleatorische Unschärfe mittels stochastischer Variablen quantifiziert und in ein Berechnungsmodell integriert wird. Für epistemische Unschärfe gibt es unterschiedliche Möglichkeiten und somit keine einheitliche Lösung. Die Behandlung durch nicht stochastische Variablen führt beispielsweise zu einem mehrschichtigen und ineinander verschachtelten Unschärferaum. Der Fluch der Dimensionen verbietet dann die Einbettung eines komplexen Berechnungsmodells in diesen Unschärferaum und macht eine Surrogatmodellierung unabdingbar. Modellreduktionen, Gebietszerlegungsverfahren und verschiedene Approximationsansätze, auch basierend auf künstlicher Intelligenz, kommen dafür problemspezifisch zum Einsatz. Zusätzlich werden die einzelnen Unschärferäume sinnvoll diskretisiert, woraus effiziente Unschärfepropagationen resultieren. Dabei ist es vorteilhaft, wenn die Surrogatmodellierung unabhängig von der Unschärfemodellierung erfolgt. Ferner wird gezeigt, wie der Informationsgehalt des Ergebnisses vom zugrundeliegenden Unschärfemodell abhängt und welche Vor- sowie Nachteile daraus resultieren. Für die Entscheidungsfindung ist die Interpretation und Bewertung unscharfer Ergebnisse notwendig. Weitere Herausforderungen in der Nachlaufrechnung, wie die Optimierung oder die Datenassimilation unter polymorpher Unschärfe, werden im Rahmen der vorliegenden Dissertation behandelt. Die numerischen Betrachtungen sind um experimentelle Untersuchungen erweitert, auch um Realitätsnähe der entwickelten Verfahren darzustellen. Einerseits werden Messdaten zur Quantifizierung unscharfer Eingangsgrößen, andererseits zur Validierung numerischer Vorhersagen verwendet. Verschiedene Modellierungsansätze und Berechnungsverfahren werden an unterschiedlich komplexen Ingenieurproblemen unter Berücksichtigung polymorpher Unschärfe präsentiert. Dabei werden mehrere Fragestellungen von der Modellerstellung bis zur Ergebnisbewertung beantwortet.","The main issue in this cumulative dissertation is the treatment of aleatory and epistemic uncertainties in engineering applications and the related problems concerning modeling, propagation and evaluation. The simultaneous presence of both uncertainty types leads to problems under polymorphic uncertainty. The uncertainty classification in aleatory, epistemic and polymorphic is challenging for real problems and is partly a subjective decision during the modeling process. At least, the quantification of aleatory uncertainty by stochastic variables and the integration in a computational model is scientifically established. There are various possibilities for epistemic uncertainty and no standard solution can be given. The treatment with non-stochastic variables for instance leads to a multilayered and nested uncertainty space. Due to the curse of dimensionality, the embedding of a complex computational model should be avoided. Instead, the surrogate modeling is inevitable. Model order reductions, domain decomposition methods and approximation approaches, also based on artificial intelligence, are used problem-specifically. In addition, the individual uncertainty spaces are reasonably discretized resulting in efficient uncertainty propagations. It is beneficial, if the surrogate modeling is made independently from the uncertainty modeling. Furthermore, it is shown how the informative value of the result is influenced by the underlying uncertainty model and which advantages and disadvantages each variant has. The interpretation and evaluation of uncertain results are necessary for decision making. Other challenges in the post-processing, as the optimization or the data assimilation under polymorphic uncertainties, are also part of this dissertation. To demonstrate the usefulness of the developed methods for real problems, the numerical investigations are extended by experimental ones. On the one hand, measurement data are used to quantify uncertain input parameters and, on the other hand, to validate numerical predictions. Different modeling approaches as well as calculation methods are presented to solve various complex engineering problems under polymorphic uncertainty. Regarding these problems, different questions in the process from model generation up to result evaluation are answered."]},{"key":"dc:title","label":"Title","values":["Effiziente experimentell gestützte Modellierung unter polymorpher Unschärfe"]}]}],"canonical_facts":{"dc:contributor.advisor":["Petryna, Yuri"],"dc:creator":["Drieschner, Martin"],"dc:date.accessioned":["2024-01-16T13:30:28Z"],"dc:date.available":["2024-01-16T13:30:28Z"],"dc:date.issued":["2024"],"dc:description.abstract":["Das zentrale Thema dieser kumulativen Dissertation ist die Behandlung aleatorischer und epistemischer Unschärfe in Ingenieuranwendungen sowie die damit verbundenen Fragestellungen bei der Modellierung, Propagation und Bewertung. Das gleichzeitige Vorhandensein beider Unschärfetypen führt zu Problemen unter polymorpher Unschärfe. Die Klassifizierung von Unschärfe in aleatorisch, epistemisch und polymorph stellt bei realen Problemen eine Herausforderung dar und ist anteilig eine subjektive Entscheidung im Modellierungsprozess. Zumindest ist es wissenschaftlich etabliert, dass aleatorische Unschärfe mittels stochastischer Variablen quantifiziert und in ein Berechnungsmodell integriert wird. Für epistemische Unschärfe gibt es unterschiedliche Möglichkeiten und somit keine einheitliche Lösung. Die Behandlung durch nicht stochastische Variablen führt beispielsweise zu einem mehrschichtigen und ineinander verschachtelten Unschärferaum. Der Fluch der Dimensionen verbietet dann die Einbettung eines komplexen Berechnungsmodells in diesen Unschärferaum und macht eine Surrogatmodellierung unabdingbar. Modellreduktionen, Gebietszerlegungsverfahren und verschiedene Approximationsansätze, auch basierend auf künstlicher Intelligenz, kommen dafür problemspezifisch zum Einsatz. Zusätzlich werden die einzelnen Unschärferäume sinnvoll diskretisiert, woraus effiziente Unschärfepropagationen resultieren. Dabei ist es vorteilhaft, wenn die Surrogatmodellierung unabhängig von der Unschärfemodellierung erfolgt. Ferner wird gezeigt, wie der Informationsgehalt des Ergebnisses vom zugrundeliegenden Unschärfemodell abhängt und welche Vor- sowie Nachteile daraus resultieren. Für die Entscheidungsfindung ist die Interpretation und Bewertung unscharfer Ergebnisse notwendig. Weitere Herausforderungen in der Nachlaufrechnung, wie die Optimierung oder die Datenassimilation unter polymorpher Unschärfe, werden im Rahmen der vorliegenden Dissertation behandelt. Die numerischen Betrachtungen sind um experimentelle Untersuchungen erweitert, auch um Realitätsnähe der entwickelten Verfahren darzustellen. Einerseits werden Messdaten zur Quantifizierung unscharfer Eingangsgrößen, andererseits zur Validierung numerischer Vorhersagen verwendet. Verschiedene Modellierungsansätze und Berechnungsverfahren werden an unterschiedlich komplexen Ingenieurproblemen unter Berücksichtigung polymorpher Unschärfe präsentiert. Dabei werden mehrere Fragestellungen von der Modellerstellung bis zur Ergebnisbewertung beantwortet.","The main issue in this cumulative dissertation is the treatment of aleatory and epistemic uncertainties in engineering applications and the related problems concerning modeling, propagation and evaluation. The simultaneous presence of both uncertainty types leads to problems under polymorphic uncertainty. The uncertainty classification in aleatory, epistemic and polymorphic is challenging for real problems and is partly a subjective decision during the modeling process. At least, the quantification of aleatory uncertainty by stochastic variables and the integration in a computational model is scientifically established. There are various possibilities for epistemic uncertainty and no standard solution can be given. The treatment with non-stochastic variables for instance leads to a multilayered and nested uncertainty space. Due to the curse of dimensionality, the embedding of a complex computational model should be avoided. Instead, the surrogate modeling is inevitable. Model order reductions, domain decomposition methods and approximation approaches, also based on artificial intelligence, are used problem-specifically. In addition, the individual uncertainty spaces are reasonably discretized resulting in efficient uncertainty propagations. It is beneficial, if the surrogate modeling is made independently from the uncertainty modeling. Furthermore, it is shown how the informative value of the result is influenced by the underlying uncertainty model and which advantages and disadvantages each variant has. The interpretation and evaluation of uncertain results are necessary for decision making. Other challenges in the post-processing, as the optimization or the data assimilation under polymorphic uncertainties, are also part of this dissertation. To demonstrate the usefulness of the developed methods for real problems, the numerical investigations are extended by experimental ones. On the one hand, measurement data are used to quantify uncertain input parameters and, on the other hand, to validate numerical predictions. Different modeling approaches as well as calculation methods are presented to solve various complex engineering problems under polymorphic uncertainty. Regarding these problems, different questions in the process from model generation up to result evaluation are answered."],"dc:identifier.uri":["https://depositonce.tu-berlin.de/handle/11303/20935","https://doi.org/10.14279/depositonce-19733"],"dc:language.iso":["de","en"],"dc:rights.uri":["http://rightsstatements.org/vocab/InC/1.0/"],"dc:title":["Effiziente experimentell gestützte Modellierung unter polymorpher Unschärfe"],"dc:type":["Doctoral Thesis"]},"updated_at":"2026-07-27T21:28:37Z"}