Text

Kursplan AI-baserad modellering och optimering för
industriella system, 7,5 hp

Information om kursen

  • Kurskod: FOES032
  • Ämne på forskarnivå: Energi- och miljöteknik
  • Akademi: Akademin för ekonomi, samhälle och teknik
  • Anvarig avdelning: Avdelningen för hållbara energisystem
  • Giltig från: Höstterminen 2025
  • Beslutsinstans: Akademichef
  • Beslutsdatum: 2025-05-22
  • Utbildningsnivå: Forskarnivå

Syfte

Syftet med kursen är att utveckla förtrogenhet med grunderna i Python som plattform för att använda AI/datadrivna metoder och optimering för energisystem. Nuvarande praxis och framtida utveckling kommer att diskuteras tillsammans med en mångfald tillämpningar.

Deltagarna kommer att lära sig om toppmoderna AI-baserade modellerings- och optimeringsmetoder, inklusive fallstudier av relevanta applikationer. Särskilt fokus läggs på pedagogiska tillämpningar och modellering samt optimering för industriella system.

Innehåll

  • Introduktion till grunderna i Python i ML/AI-sammanhang.
  • Introduktion till AI-metoder för klassificering/regression, övervakat vs oövervakat lärande och regressionsmetoder.
  • Artificiella neurala nätverk (ANN) för diagnostik, t. ex. om ANN-baserad diagnostik, fallstudier.
  • Tidssekventiell förutsägelse: Fallstudier.
  • Fundamentals of Reinforcement Learning med fallstudie.
  • Introduktion till optimeringsmetoder, problemklassificering, val av
    meritvärde och analys av optimeringsresultat - Genetiska algoritmer och AI-baserad optimering.
  • Linjär optimering, produktionsplanering och datadriven kontroll.
  • Transformatorer.
  • Fysik informerat Neural Network.
  • Stora språkmodeller-1.
  • Stora språkmodeller-2.
  • Osäkerhetskvantifiering, Monte Carlo-bortfall och Deep Ensembles metoder

Lärandemål

Efter avslutad kurs ska doktoranden kunna:

  1. Beskriva grundläggande syntax, datortyper och strukturer i Python.
  2. Utveckla algoritmer i Python-kod med öppen källkodsbibliotek (numpy, scipy, matplotlib), med syftet att beräkna och presentera resultat grafiskt.
  3. Implementera de grundläggande principerna och tillämpningarna av AI/datadrivna metoder.
  4. Beskriva grunderna i Reinforcement Learning, transformatorer, PINN & LLM-modeller med fallstudier.
  5. Utveckla ANN- och CNN-koncept med fallstudier.
  6. Beskriva och utveckla grunderna för osäkerhetsanalys med Monte Carlobortfall och Deep Ensembles metoder.
  7. Identifiera och implementera en av fallstudierna som presenterades i kursen för att lösa ett valt problem.

Kursen behandlar följande examensmål

Kunskap och förståelse

För doktorsexamen ska doktoranden visa

  • A1: brett kunnande inom och en systematisk förståelse av forskningsområdet samt djup och aktuell specialistkunskap inom en avgränsad del av forskningsområdet, och
  • A2: förtrogenhet med vetenskaplig metodik i allmänhet och med det specifika forskningsområdets metoder i synnerhet.

Färdighet och förmåga

För doktorsexamen ska doktoranden visa förmåga

  • B1: till vetenskaplig analys och syntes samt till självständig kritisk granskning och bedömning av nya och komplexa företeelser, frågeställningar och situationer, och
  • B2: att kritiskt, självständigt, kreativt och med vetenskaplig noggrannhet identifiera och formulera frågeställningar samt att planera och med adekvata metoder bedriva forskning och andra kvalificerade uppgifter inom givna tidsramar och att granska och värdera sådant arbete.

Värderingsförmåga och förhållningssätt

För doktorsexamen ska doktoranden visa

  • C1: intellektuell självständighet och vetenskaplig redlighet samt förmåga att göra forskningsetiska bedömningar.

Utbildningsformer

Seminarier, lektioner och workshops.

Examination

NAR1, aktivt deltagande på seminarier, lektioner och workshops, 3 hp, avseende lärandemålen 1, 4, 5 & 6, betyg underkänd (U) eller godkänd (G).

INL1, individuell skriftlig inlämningsuppgift, 4.5 hp, avseende lärandemålen 2, 3 & 7, betyg underkänd (U) eller godkänd (G).

För godkänd (G) på kursen krävs godkänd på NAR1 and INL1.

Betyg

Prov som ingår i kursen bedöms enligt en tvågradig betygsskala med betygen underkänt eller godkänt.

Betyg ska beslutas av en av universitetet särskilt utsedd lärare.

Den som inte har blivit godkänd vid ordinarie prov ska ges tillfälle till omprov.

Behörighet

För att få delta i kursen och de prov som ingår i kursen ska sökanden vara antagen till utbildning på forskarnivå.

Urval

Urval av sökande görs i enlighet med rangordningen nedan

  1. Doktorander i energiteknik eller miljöteknik.
  2. Doktorander vid Mälardalens högskola.
  3. Doktorander från andra universitet.