Dr.-Ing. Daniel Wolff

BAU 1 - Institut für Mathematik und Computergestützte Simulation
Gebäude 41/100, Zimmer 5124
+49 89 6004 4449
d.wolff@unibw.de

Dr.-Ing. Daniel Wolff

 


Forschung

In meiner Forschung habe ich mich bis jetzt mit der daten-getriebenen Konstruktion von reduzierten Simulationsmodellen beschäftigt. Dabei kamen die folgenden Methoden zum Einsatz:

  • Physikalisch-Informierte Neuronale Netze (PINNs)
  • Bestärkendes Lernen

Angwandt wurden die Methoden zur Formoptimerung von Strömungskanälen in Profilextrudern sowie zur Vorhersage der Strömungsfelder in Bioreaktoren.


Akademische Karriere

Ich habe im Oktober 2014 mein Studium in Computational Engineering Science an der RWTH begonnen. Im Bachelor habe ich mich in den Bereich Energietechnik mit Fokus auf erneuerbare Energien vertieft. Nach meinem Bachelor habe ich mein Studium mit einem Master im gleichen Fach fortgesetzt, meinen Fokus nun aber auf numerische Methoden für Strömungssimulationen gerichtet.

Im März 2020 habe ich meine Promotion als Teil der HDS-LEE Graduierten Schule begonnen, was mein Wissen über Methoden des Maschinellen Lernens vertieft hat.

02/2024 – jetzt Postdoktorand, Institut für Mathematik and Computergestützte Simulation, Universität der Bundeswehr München, Deutschland
Projektkoordinator des dtec Projekts RISK.twin
03/2020 – 12/2023 Doktorand, Lehrstuhl für Computergestützte Analyse Technischer Systeme, RWTH Aachen Universität, Deutschland
10/2018 – 02/2020 Master of Science, Computational Engineering Science, RWTH Aachen Universität, Deutschland
10/2014 – 06/2018 Bachelor of Science, Computational Engineering Science, RWTH Aachen Universität, Deutschland

 


Veröffentlichungen


Begutachtete Veröffentlichungen

Veronika Trávníková, Daniel Wolff, Nico Dirkes, Stefanie Elgeti, Eric von Lieres, Marek Behr. A model hierarchy for predicting the flow in stirred tanks with physics-informed neural networks. Advances in Computational Science and Engineering, 2024, DOI: 10.3934/acse.2024007
Clemens Fricke, Daniel Wolff, Marco Kemmerling, Stefanie Elgeti. Investigation of reinforcement learning for shape optimization of 2D profile extrusion die geometries. Advances in Computational Science and Engineering, 2023, 1(1): 1-35. DOI: 10.3934/acse.2023001


Begutachtete Tagungsbände und Buch Beiträge

Idzik, C. et al. (2024). Decision Support for the Optimization of Continuous Processes using Digital Shadows. In: Brecher, C., Schuh, G., van der Aalst, W., Jarke, M., Piller, F.T., Padberg, M. (eds) Internet of Production. Interdisciplinary Excellence Accelerator Series. Springer, Cham. DOI: 10.1007/978-3-031-44497-5_12
Wolff, D., Fricke, C., Kemmerling, M. and Elgeti, S. (2023), Towards shape optimization of flow channels in profile extrusion dies using reinforcement learning. Proc. Appl. Math. Mech., 22: e202200009. DOI: 10.1002/pamm.202200009

 

Monografien

Wolff, D. (2023). Lernbasierte Ansätze für die Analyse und Optimierung von Profilextrusionswerkzeugen und Bioreaktoren. Dissertation. RWTH Aachen University. DOI: 10.18154/RWTH-2023-10706
Wolff, D. (2020). Modernes Design eines C++17 Finite Elemente Kontinuumsmechanik Simulations-Codes: Automatisierte Ableitungsbestimmung und flexible Kopplungsstrategien. Master Arbeit. RWTH Aachen University. DOI: 10.18154/RWTH-2020-09061