Direkt zum Inhalt springen
login.png Login join.png Register    |
de | en
MyTUM-Portal
Technical University of Munich

Technical University of Munich

Sitemap > Online-Hilfe zum myTUM-Portal

News Articles published within the last 30 days.

1 | ... | 16 | 17 | 18 | 19 | 20 Next 5 items
26.05.2021
Nichtwissenschaftliches Personal:
Studienreferent/in (m/w/d)   

Die Fakultät für Chemie der Technischen Universität München in Garching sucht zum nächstmöglichen Zeitpunkt eine/n Studienreferent/in (m/w/d) unbefristet in Vollzeit. Im Rahmen der Weiterführung des zentralen Studiengangsmanagements durch eine/n Studienreferent/in soll die stetige Verbesserung des Betreuungsangebots für die Studierenden gewährleistet werden.
read more

Kontakt: oksana.storcheva@tum.de

26.05.2021
Studentische Hilfskräfte, Praktikantenstellen, Studienarbeiten:
Studentische oder wissenschaftliche Hilfskraft für den Bereich der Internen Weiterbildung   

Wir suchen auf Basis von 12 – 15 Std/Woche zur Unterstützung unseres Teams am Standort München zum nächstmöglichen Zeitpunkt eine Studentische oder wissenschaftliche Hilfskraft für den Bereich der Internen Weiterbildung.
read more

Kontakt: https://www.lll.tum.de/de/bewerbung/

26.05.2021
Studentische Hilfskräfte, Praktikantenstellen, Studienarbeiten:
Studentische Hilfskraft für die Schreibberatung - Deutsch als Fremdsprache am TUM Sprachenzentrum gesucht   

Die Schreibberatung - Deutsch als Fremdsprache am TUM Sprachenzentrum sucht zum 01.09.2021 eine studentische Hilfskraft für die Online-Lehre.
read more

Kontakt: reulein@zv.tum.de

25.05.2021
Studentische Hilfskräfte, Praktikantenstellen, Studienarbeiten:
Student Assistant ("HiWi") for System Administration of an Autonomous Vehicle and Organizing Research Results   

We are looking for a talented student in the area of system administration. You will work with other students from the computer operations group (RBG) to set up the software for an autonomous vehicle and organize research data. You will organize data of up to 0.5 petabyte and set up a system for archiving research results.
read more

Kontakt: althoff@tum.de

25.05.2021
Wissenschaftliches Personal:
Position in Plant-Pollinator Interactions   

A position is available at the Plant-Insect Interactions group as part of the Department of Life Science Systems at the Technical University of Munich (TUM). Starting date is November 1st 2021. The position is fixed-term (48 months). Salary scale: TV-L 13, 65%. The position is limited to a time period deemed adequate for the completion of a doctoral degree. As part of the assigned duties, there will be ample opportunity to conduct the independent scientific research necessary for the completion of a doctorate. The limitation complies to § 2, 1 WissZeitVG.
read more

Kontakt: leonhardt@wzw.tum.de

25.05.2021
Diplomarbeiten, Bachelor- und Masterarbeiten:
Abschlussarbeit/Praktikum: Machine Learning zur Bestimmung der Performancecharakteristik von Brennstoffzellen   

Brennstoffzellen bieten insbesondere in Fahrzeugen gegenüber großen Batteriepacks Gewichts- und Reichweitenvorteile. Allerdings scheitert derzeit eine großflächige und kostengünstige Produktion an der Dauer des Konditioniervorgangs: Direkt nach der Produktion erreichen Brennstoffzellen nur ca. 70-80% ihrer Nennleistung. Erst nach dem Konditionieren - einer gezieltem Einfahrprozedur - wird die gewünschte Leistung erreicht und ein Einbau im Fahrzeug ermöglicht. Die Dauer dieses Konditioniervorgangs liegt momentan im Bereich von mehreren Stunden und gilt deshalb als großer Kostenfaktor für eine massenhafte Verwendung im Automobilbereich. Mithilfe von modellbasierten und machine-learning-Ansätzen sollen die Vorgänge während des Konditionierens untersucht werden, um so diesen optimieren zu können. Während machine-learning Ansätze eine große Menge an teuren, experimentellen Trainingsdaten benötigen, haben modellbasierte Ansätze oft sehr lange Simulationszeiten und sind so für Optimierungen nicht geeignet. Surrogate Modelling mit machine-learning Methoden hat das Potential die Vorteile beider Ansätze zu vereinen. Beim Surrogate Modelling wird das rechenaufwendige, physikalische Modell mit gängigen machine-learning Methoden angenähert. Dadurch können Auswertungen, welche mit dem physikalischen Modell mehrere Stunden brauchen, innerhalb von Sekunden gemacht werden. Insbesondere haben sich in den letzten Jahren in der Literatur Support Vector Machines (SVMs) und Deep Neural Networks (DNNs) als besonders geeignet erwiesen.
read more

Kontakt: Prof. Dr.-Ing. Christian Endisch – els.eal@ei.tum.de

25.05.2021
Diplomarbeiten, Bachelor- und Masterarbeiten:
Abschlussarbeit/Praktikum: Mesoscale Modellierung einer Brennstoffzelle   

Brennstoffzellen bieten insbesondere in Fahrzeugen gegenüber großen Batteriepacks Gewichts- und Reichweitenvorteile. Allerdings scheitert derzeit eine großflächige und kostengünstige Produktion an der Dauer des Konditioniervorgangs: Direkt nach der Produktion erreichen Brennstoffzellen nur ca. 70-80% ihrer Nennleistung. Erst nach dem Konditionieren - einer gezieltem Einfahrprozedur - wird die gewünschte Leistung erreicht und ein Einbau im Fahrzeug ermöglicht. Die Dauer dieses Konditioniervorgangs liegt momentan im Bereich von mehreren Stunden und gilt deshalb als großer Kostenfaktor für eine massenhafte Verwendung im Automobilbereich. Mithilfe von modellbasierten und machine-learning-Ansätzen sollen die Vorgänge während des Konditionierens untersucht werden, um so die Konditionierdauer optimieren zu können. Je genauer man dabei die Effekte während der Konditionierung abbilden kann, desto besser kann man prädizieren, welche Betriebsbedingungen zu einer bestmöglichen Konditionierung führen. Weiterhin ist es dann möglich schon im Fertigungsprozess die Layer einer Brennstoffzelle gezielt vorzuverarbeiten, um zeitaufwändige Konditioniereffekte vorwegzunehmen. Hierbei wird insbesondere erwartet, dass das Katalysator-Layer der Kathode performance-limitierend ist.
read more

Kontakt: Prof. Dr.-Ing. Christian Endisch – els.eal@ei.tum.de

25.05.2021
Studentische Hilfskräfte, Praktikantenstellen, Studienarbeiten:
Abschlussarbeit/Praktikum: Machine Learning zur Bestimmung der Performancecharakteristik von Brennstoffzellen   

Brennstoffzellen bieten insbesondere in Fahrzeugen gegenüber großen Batteriepacks Gewichts- und Reichweitenvorteile. Allerdings scheitert derzeit eine großflächige und kostengünstige Produktion an der Dauer des Konditioniervorgangs: Direkt nach der Produktion erreichen Brennstoffzellen nur ca. 70-80% ihrer Nennleistung. Erst nach dem Konditionieren - einer gezieltem Einfahrprozedur - wird die gewünschte Leistung erreicht und ein Einbau im Fahrzeug ermöglicht. Die Dauer dieses Konditioniervorgangs liegt momentan im Bereich von mehreren Stunden und gilt deshalb als großer Kostenfaktor für eine massenhafte Verwendung im Automobilbereich. Mithilfe von modellbasierten und machine-learning-Ansätzen sollen die Vorgänge während des Konditionierens untersucht werden, um so diesen optimieren zu können. Während machine-learning Ansätze eine große Menge an teuren, experimentellen Trainingsdaten benötigen, haben modellbasierte Ansätze oft sehr lange Simulationszeiten und sind so für Optimierungen nicht geeignet. Surrogate Modelling mit machine-learning Methoden hat das Potential die Vorteile beider Ansätze zu vereinen. Beim Surrogate Modelling wird das rechenaufwendige, physikalische Modell mit gängigen machine-learning Methoden angenähert. Dadurch können Auswertungen, welche mit dem physikalischen Modell mehrere Stunden brauchen, innerhalb von Sekunden gemacht werden. Insbesondere haben sich in den letzten Jahren in der Literatur Support Vector Machines (SVMs) und Deep Neural Networks (DNNs) als besonders geeignet erwiesen.
read more

Kontakt: Prof. Dr.-Ing. Christian Endisch – els.eal@ei.tum.de

25.05.2021
Studentische Hilfskräfte, Praktikantenstellen, Studienarbeiten:
Abschlussarbeit/Praktikum: Mesoscale Modellierung einer Brennstoffzelle   

Brennstoffzellen bieten insbesondere in Fahrzeugen gegenüber großen Batteriepacks Gewichts- und Reichweitenvorteile. Allerdings scheitert derzeit eine großflächige und kostengünstige Produktion an der Dauer des Konditioniervorgangs: Direkt nach der Produktion erreichen Brennstoffzellen nur ca. 70-80% ihrer Nennleistung. Erst nach dem Konditionieren - einer gezieltem Einfahrprozedur - wird die gewünschte Leistung erreicht und ein Einbau im Fahrzeug ermöglicht. Die Dauer dieses Konditioniervorgangs liegt momentan im Bereich von mehreren Stunden und gilt deshalb als großer Kostenfaktor für eine massenhafte Verwendung im Automobilbereich. Mithilfe von modellbasierten und machine-learning-Ansätzen sollen die Vorgänge während des Konditionierens untersucht werden, um so die Konditionierdauer optimieren zu können. Je genauer man dabei die Effekte während der Konditionierung abbilden kann, desto besser kann man prädizieren, welche Betriebsbedingungen zu einer bestmöglichen Konditionierung führen. Weiterhin ist es dann möglich schon im Fertigungsprozess die Layer einer Brennstoffzelle gezielt vorzuverarbeiten, um zeitaufwändige Konditioniereffekte vorwegzunehmen. Hierbei wird insbesondere erwartet, dass das Katalysator-Layer der Kathode performance-limitierend ist.
read more

Kontakt: Prof. Dr.-Ing. Christian Endisch – els.eal@ei.tum.de

25.05.2021
Professuren:
Tenure Track Assistant Professor in »Sustainable Energy Materials«   

The Technical University of Munich (TUM) invites applications for the position of Tenure Track Assistant Professor in »Sustainable Energy Materials« to begin as soon as possible. The position is a W2 fixed-term (6 year) tenure-track professorship with the possibility for promotion to a tenured W3.
read more

Kontakt: rektor@cs.tum.de

1 | ... | 16 | 17 | 18 | 19 | 20 Next 5 items