Refine
Document Type
- Article (11)
- Part of a Book (4)
- Master's Thesis (3)
- Doctoral Thesis (2)
Has Fulltext
- yes (20) (remove)
Keywords
- Mathematische Modellierung (20) (remove)
Faculty / Organisational entity
Der weltweite Transformationsprozess der Agenda 2030 (United Nations 2015) muss, soll er gelingen, von der Gesellschaft mitgetragen und vollzogen werden. In der im Nachhaltigkeitsziel 4.7 verankerten Bildung für nachhaltige Entwicklung (BNE) nimmt auch die Schule als Bildungsträger eine relevante Rolle ein. BNE impliziert ein erneutes Nachdenken über Bildung, ihre Funktionen und ihre institutionelle und strukturelle Einbettung in Bildungsinstituten. Auch die Mathematik leistet zur Lösung globaler Probleme entscheidende Beiträge. Mit dem Blick auf den Bedarf an Menschen mit Expertise in interdisziplinären Denk- und Arbeitsweisen bezieht sich die mathematische Bildung jedoch zu wenig auf konkrete Lernaufgaben aus den realen sozialen, ökologischen, wirtschaftlichen sowie politischen Kontexten. Große Potenziale des Mathematikunterrichts bleiben so ungenutzt. Das soll sich ändern. Deshalb geht diese Forschungsarbeit „Zum Beitrag der mathematischen Modellierung zur Bildung für nachhaltige Entwicklung – ein Leitfaden zum Mathematikunterricht“ der Frage nach, wie BNE in den Mathematikunterricht integriert werden kann.
Auf Basis von Forschungsergebnissen der letzten Jahrzehnte konnte gezeigt werden, dass sich mathematische Modellierungen auch zur Darstellung von realen (nachhaltigen) Entwicklungsprozessen eignen. Der Bildungsanspruch der Mathematik im Kontext der BNE wird in der Fallstudienanalyse an prägnanten Modellierungsaufgaben beschrieben. Die Potenziale von Modellierungsaufgaben ermöglichen es, den Lernenden „notwendige Kenntnisse und Qualifikationen zur Förderung nachhaltiger Entwicklung“ (SDG 4.7) zu vermitteln.
Im Zentrum steht die Lernaufgabe als bedeutender Dreh- und Angelpunkt eines Mathematikunterrichts. Sie soll komplexe reale Zusammenhänge in den Mathematikunterricht integrieren und gleichzeitig fachliche und überfachliche Kompetenzen der Mathematik vermitteln. Diese scheinbare Kluft wird mit einer kompetenzfördernden und kognitiv-aktivierenden „BNE-Aufgabenkultur“ überwunden.
Eine „BNE-Modellierungsaufgabe“ schafft Grundlagen zur Erkenntnisgewinnung (Analyse) oder, mittels Datensammlung, zur eigenen Modellbildung (Synthese) realer Prozesse. Der integrative Lernansatz fördert ein Verständnis der Realität in all ihren Facetten und gibt der faktischen sowie ethischen Komplexität Raum. Daten und Fakten konfrontieren Lernende mit Entscheidungsdilemmata, regen zum Überdenken der eigenen Werte und zum Planen von Handlungen an. Eine konstruktive Auseinandersetzung mit gesellschaftlichen Entwicklungen liefert eine Grundlage für die Bewältigung von Anforderungen aus der unmittelbaren Lebenswelt und kann Orientierung im Alltag geben. Die Mathematik beschränkt sich hierbei auf das Beschreiben kausaler Zusammenhänge und versucht, die komplizierte Welt in eine kohärente Ordnung zu bringen. Die Wahl der Parameter und Randbedingungen einer Modellierung ermöglichen unterschiedliche Perspektiven. Dies kann auch zu voneinander abweichenden Interpretationen der Sachverhalte genutzt werden. Beispiele hierfür sind Klimamodelle oder Modellierungen im Rahmen der Covid-Krise, auf deren Ergebnissen unterschiedliche gesamtgesellschaftliche und politische Entscheidungen basierten. Dementsprechend kann ein metakognitiver Blick auf Modellierungsprozesse eine kritische und reflektierte Haltung schulen und zur Mündigkeit der Lernenden beitragen.
Die Auseinandersetzung mit den Grenzen deduktiver mathematischer Verfahren als Basis einer Visions- bzw. Prognosenbildung und eine darauf aufbauende Zukunftsgestaltung rücken in den Fokus. Ein besseres Verständnis der Mathematik und der Realität kann die Folge sein. Ziel eines BNE-orientierten Mathematikunterrichts muss es also sein, die Lernenden aufzufordern, die Welt durch die mathematische Brille zu betrachten, um gesellschaftliche Verhältnisse und Systeme kritisch zu „lesen“ und im Sinne der Nachhaltigkeit neu „schreiben“ zu können.
Dieser Lehr-Lernansatz erhält durch die qualitative Fallstudienanalyse eine wissenschaftliche Festigung. Aus den theoretischen Überlegungen zu einer integrativen Neuorientierung einer Modellierungsaufgabe im Mathematikunterricht sind neu ausgerichtete Wirkungsketten wünschens-werter Lehr-Lern-Prozesse entstanden. Sie gelten in diesem integrativen Bildungsanliegen als strukturbildend und zeigen einen Leitfaden zur Konzeption von „BNE-Modellierungsaufgaben“. Eine ergänzende Handreichung illustriert praxisnah die Entwicklung sowie Umsetzung von BNE-Lernaufgaben im Fachunterricht und regt zur Nachahmung an. Die vorgestellten BNE-Modellierungsaufgaben fügen sich in die Vorgaben der nationalen Bildungsstandards ein und wurden bereits im regulären Mathematikunterricht erprobt.
Die Einbeziehung anderer Fachbereiche spielt für den hier beschriebenen BNE-Ansatz zur Vermittlung der SDGs und der nachhaltigen Entwicklung eine zentrale Rolle. Möglichkeiten eines individuellen Engagements werden aufgezeigt. Dies kann richtungsweisend für die Nutzung der großen Potenziale der Mathematik für den notwendigen Transformationsprozess sein.
Epidemiological models have gained much interest during the COVID-19 pandemic.
As the pandemic is now driven by newly emerging variants of SARS-CoV-2, the
question arises how to model multiple virus variants in a single model.
In this thesis, we have extended an established model for COVID-19 forecasts to multiple
virus variants. We analyzed the model mathematically and showed the global
existence and uniqueness of the solution as well as important invariance properties
for a meaningful model. The implementation into an existing framework which allows
us to identify model parameters based on surveillance data is described briefly.
When applying our model to actual transitions between SARS-CoV-2 variants, we
found that forecasts would have been significantly improved by our model extension.
In most cases, we were able to precisely predict peak dates and heights in
case incidences of waves caused by newly emerging variants during early transition
phases. More severe outcomes, like hospitalizations, are found to be harder to predict
because of very limited observational data regarding these outcomes for newly
emerging variants.
Seit 1993 veranstaltet der Fachbereich Mathematik der TU Kaiserslautern jährlich die mathematischen Modellierungswochen. Die Veranstaltung erwuchs parallel zu der steigenden Relevanz angewandter mathematischer Forschungsgebiete, wie der Techno- und der Wirtschaftsmathematik. Sie soll dazu dienen, Schülerinnen und Schülern die Bedeutung mathematischer Arbeitsweisen in der heutigen Berufswelt, insbesondere in Industrie und Wirtschaft, begreifbar zu machen. Darüber hinaus bietet die Modellierungswoche den teilnehmenden Lehrkräften einen Einblick in die Projektarbeit mit offenen Fragestellungen im Rahmen der mathematischen Modellierung. In diesem Report beschreiben wir die Projekte, die während der Modellierungswoche im Dezember 2022 durchgeführt wurden.
Das MINT-EC-Girls-Camp: Math-Talent-School richtet sich an mathematikbegeisterte Schülerinnen von MINT-EC-Schulen, die Einblicke in die Berufswelt von Mathematikerinnen und Mathematikern bekommen möchten. Die Veranstaltung veranschaulicht den Schülerinnen die steigende Relevanz angewandter mathematischer Forschungsgebiete, wie der Techno- und der Wirtschaftsmathematik. Sie soll dazu dienen, Schüler:innen die Bedeutung mathematischer Arbeitsweisen in der heutigen Berufswelt, insbesondere in Industrie und Wirtschaft, begreifbar zu machen. Die Talent-School wird organisiert von MINT-EC und dem Felix-Klein-Zentrum für Mathematik. Die fachwissenschaftliche Betreuung der Schülerinnen während dieser Talent-School wurde durch Mitarbeitende des Kompetenzzentrums für Mathematische Modellierung in MINT-Projekten in der Schule (KOMMS) der TU Kaiserslautern und des Fraunhofer ITWM umgesetzt. In diesem Report beschreiben wir die Projekte, die während der Talent-School im Oktober 2022 durchgeführt wurden.
Seit 1993 veranstaltet der Fachbereich Mathematik der TU Kaiserslautern jährlich die mathematischen Modellierungswochen. Die Veranstaltung erwuchs parallel zu der steigenden Relevanz angewandter mathematischer Forschungsgebiete, wie der Technomathematik und der Wirtschaftsmathematik. Sie soll dazu dienen, Schülerinnen und Schülern die Bedeutung mathematischer Arbeitsweisen in der heutigen Berufswelt, insbesondere in Industrie und Wirtschaft, begreifbar zu machen. Darüber hinaus bietet die Modellierungswoche den teilnehmenden Lehrkräften einen Einblick in die Projektarbeit mit offenen Fragestellungen im Rahmen der mathematischen Modellierung. In diesem Report beschreiben wir die Projekte, die während der Modellierungswoche im Dezember 2021 durchgeführt wurden. Der Themenschwerpunkt der Veranstaltung lautete "Wetter und Katastrophenschutz".
Life insurance companies are asked by the Solvency II regime to retain capital requirements against economically adverse developments. This ensures that they are continuously able to meet their payment obligations towards the policyholders. When relying on an internal model approach, an insurer's solvency capital requirement is defined as the 99.5% value-at-risk of its full loss probability distribution over the coming year. In the introductory part of this thesis, we provide the actuarial modeling tools and risk aggregation methods by which the companies can accomplish the derivations of these forecasts. Since the industry still lacks the computational capacities to fully simulate these distributions, the insurers have to refer to suitable approximation techniques such as the least-squares Monte Carlo (LSMC) method. The key idea of LSMC is to run only a few wisely selected simulations and to process their output further to obtain a risk-dependent proxy function of the loss. We dedicate the first part of this thesis to establishing a theoretical framework of the LSMC method. We start with how LSMC for calculating capital requirements is related to its original use in American option pricing. Then we decompose LSMC into four steps. In the first one, the Monte Carlo simulation setting is defined. The second and third steps serve the calibration and validation of the proxy function, and the fourth step yields the loss distribution forecast by evaluating the proxy model. When guiding through the steps, we address practical challenges and propose an adaptive calibration algorithm. We complete with a slightly disguised real-world application. The second part builds upon the first one by taking up the LSMC framework and diving deeper into its calibration step. After a literature review and a basic recapitulation, various adaptive machine learning approaches relying on least-squares regression and model selection criteria are presented as solutions to the proxy modeling task. The studied approaches range from ordinary and generalized least-squares regression variants over GLM and GAM methods to MARS and kernel regression routines. We justify the combinability of the regression ingredients mathematically and compare their approximation quality in slightly altered real-world experiments. Thereby, we perform sensitivity analyses, discuss numerical stability and run comprehensive out-of-sample tests. The scope of the analyzed regression variants extends to other high-dimensional variable selection applications. Life insurance contracts with early exercise features can be priced by LSMC as well due to their analogies to American options. In the third part of this thesis, equity-linked contracts with American-style surrender options and minimum interest rate guarantees payable upon contract termination are valued. We allow randomness and jumps in the movements of the interest rate, stochastic volatility, stock market and mortality. For the simultaneous valuation of numerous insurance contracts, a hybrid probability measure and an additional regression function are introduced. Furthermore, an efficient seed-related simulation procedure accounting for the forward discretization bias and a validation concept are proposed. An extensive numerical example rounds off the last part.
Gängige Füllstandmesssysteme für mobile Schüttgutsilos werden i. d. R. invasiv an der Innenseite des Behälters angebracht. Hierdurch sind die Sensoren abrasiven Mechanismen und einem entsprechend hohen Verschleiß ausgesetzt. Dies führt zu einer geringen Wirtschaftlichkeit der bisherigen Füllstandüber-wachung von mobilen Schüttgutsilos. Im Rahmen dieser Arbeit wird die Umsetzbarkeit eines alternativen, nichtinvasiven Sensorkonzeptes untersucht, welches auf der Auswertung der füllstandabhängigen Impulsantwort des Silos basiert.
Hierzu werden anhand einer analytischen Modellierung des Messsystems die potentiellen Einflussgrößen des Sensorkonzeptes identifiziert. Anschließend werden die potentiellen Einflussgrößen im Rahmen numerischer Untersuchungen (FEM/DEM) näher analysiert und bewertet. Die ermittelten, scheinbar kritischen Einflussgrößen werden weiterhin experimentell untersucht. Es werden zwölf Füllstandkennwerte definiert, anhand derer eine Support Vector Machine trainiert und anschließend zur robusten Ermittlung des Füllstandes verwendet wird.