Modeling and Computational Engineering (MOD510)

Dette kurset gir en grunnleggende innføring i numeriske metoder og modelleringsteknikker som brukes for å løse praktiske problemer. Kurset gir innsikt og ferdigheter innen algoritmisk tenkning og programmeringsteknikker.


Dette er emnebeskrivelsen for studieåret 2022-2023. Merk at det kan komme endringer.

Fakta

Emnekode

MOD510

Versjon

1

Vekting (stp)

10

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingssemester

Høst

Undervisningsspråk

Engelsk

Tilbys av
Timeplan

Vis timeplan

Innhold

Du vil lære de vanligste numeriske metodene som blir brukt for å løse komplekse fysiske, biologiske, finans og geologiske fenomener. Eksempler på metoder som blir gjennomgått er: numerisk deriverte, numerisk integrasjon, Monte Carlo og boot strapping metoder, inverse metoder, numerisk løsning av ordinære differensiallikninger, simulated annealing, lattice Boltzmann modeller, random walk modeller, boks (compartment) modeller.

Kurset baserer seg på programmeringsspråket Python. Innleveringsoppgavene vil fokusere på å lære deg å sette opp matematiske modeller av ulike fenomener og utvikler algoritmer for å løse de matematiske modellene. Du vil lære hvordan man koder effektivt i Python, både ved hjelp av å lage funksjoner og klasser.  Prosjektene legger vekt på å modellere reelle fenomener, og sammenlikne med målte data for å forstå bedre de ulike fenomenene som blir undersøkt.  Målet med prosjektene er å reprodusere "state of the art" vitenskapelige anvendelser.

Læringsutbytte

Kunnskap:

  • Avansert kunnskap om algoritmer og algoritmisk tekning slik at man kan formulere og løse diskrete og kontinuerlige problemer
  • Avansert kunnskap om numerisk analyse slik at man kan vurdere begrensingene som ligger i valg av løsningsmetode, inkludert numerisk feil
  • God kunnskap og oversikt over de vanligste numeriske metodene

Ferdigheter:

  • Lage matematiske modeller av fysiske systemer hentet fra biologi, kjemi, reservoar og geologi
  • Teste modeller mot eksperimentelle data og bestemme parametere i modellen
  • Velge passende numeriske metoder for å løse matematiske modeller
  • Utvikle større programmer i programmeringsspråket Python

Generell kompetanse:

  • Skrive vitenskapelig rapporter
  • Visualisering og fremstilling av resultater fra numeriske simuleringer
  • Bruke programmeringsspråk for å effektivisere arbeidet med større datamengder

Forkunnskapskrav

Ingen

Anbefalte forkunnskaper

MAF300 Numerisk modellering, MAT100 Matematiske metoder 1, MAT110 Lineær algebra, MAT320 Differensialligninger

Eksamen / vurdering

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Mappeevaluering 1/1 Bokstavkarakterer

Mappeevaluering som består av tre prosjekter, hvor alle teller 1/3 av karakteren hver. Ingen skriftlig eller muntlig eksamen. Dersom studenten ikke består- eller ønsker å forbedre karakter må emnet tas på nytt i sin helhet.

Vilkår for å gå opp til eksamen/vurdering

En eller to obligatoriske oppgaver som må være bestått for å få vurdering i emnet.

Fagperson(er)

Emneansvarlig:

Aksel Hiorth

Instituttleder:

Alejandro Escalona Varela

Arbeidsformer

4-8 timer undervisning per uke

8 timer lab-øvelser per uke

8-16 timer selvstudie

Kursdeltagelse er sterkt anbefalt da det kreves trening i dataferdigheter

Åpent for

Enkeltemner ved Det teknisk-naturvitenskaplige fakultet

Litteratur

Pensumlisten finner du i Leganto