Eva Dierkes

Wissenschaftliche Mitarbeiterin der AG Optimierung und Optimale Steuerung, Research Training Group π³


Teil des Frauenbeauftragtenkollektivs im Fachbereich 3

Lebenslauf

Abschlussarbeiten

Masterarbeit (12/2018)

Identifikation und Kartierung von Umgebungsparametern, basierend auf Optimalsteuerung und maschinellem Lernen
Betreuer: Dr. Kathrin Flaßkamp, Prof. Dr. Christof Büskens
Universität Bremen

Bachelorarbeit (08/2016)

Akustische Ortung im Raum
Betreuer: Prof. Dr. Christof Büskens, Dr. Matthias Knauer
Universität Bremen

Arbeit & Forschung

Doktorandin im RTG π³ (seit 09/2019)

R2-7: Parameter and Structure Identification for Complex Dynamical Systems
Zentrum für Technomathematik
Universität Bremen

Wissenschaftlicher Mitarbeiterin (seit 01/2019)

Optimierung und Optimale Steuerung
Zentrum für Technomathematik
Universität Bremen

Praktikum (08/2017 - 10/2017)

Modellbildung industrieller Produktionsprozesse mit künstlichen Neuronalen Netzen
IAV GmbH
Giffhorn, Germany

Studentische Hilfskraft (06/2015 - 12/2018)

CAUSE-Cognitive Autonomous Subsurface Exploration
Optimierung und Optimale Steuerung
Universität Bremen

Forschungsgebiete

• Parameteridentifikation in dynamischen Systemen
• Optimierung
• Optimale Steuerung

Projekte

1. SmartDrive (01.11.2018 - 30.04.2020)
2. CAUSE-Cognitive Autonomous Subsurface Exploration (01.04.2015 - 30.09.2018)

Publikationen (Auswahl)vollständige Liste

1. E. Dierkes, F. Jung, C. Büskens.
   Data-based models of drive technology for automation in automotive production.
   GAMM 91st Annual Meeting of the international Association of Applied Mathematics and Mechanics, online, 15.03.2021 - 19.03.2021.
   

   DOI: 10.1002/pamm.202000286

2. E. Dierkes, C. Meerpohl, K. Flaßkamp, C. Büskens.
   Estimation and Mapping of System-Surface Interaction by Combining Nonlinear Optimization and Machine Learning.
   Third IFAC Conference on Modelling, Identification and Control of Nonlinear Systems, 15.09-17.09.2021.
   
3. E. Dierkes, K. Flaßkamp.
   Learning Mechanical Systems by Hamiltonian Neural Networks.
   GAMM 91st Annual Meeting of the international Association of Applied Mathematics and Mechanics, online, 15.03.2021 - 19.03.2021.
   
4. E. Dierkes, K. Flaßkamp.
   Learning Hamiltonian Systems considering System Symmetries in Neural Networks.
   The 7th IFAC Workshop on Lagrangian and Hamiltonian Methods for Nonlinear Control, 11.10-13.10.2021, Berlin, Deutschland.
   

© Zentrum für Technomathematik 2008-2020