Dr.-Ing. Daniel Wolff

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

Trávníková, V., Wolff, D., Dirkes, N., Elgeti, S., von Lieres, E., & Behr, M. (2024). A model hierarchy for predicting the flow in stirred tanks with physics-informed neural networks. In Advances in Computational Science and Engineering (Vol. 2, Issue 2, pp. 91–129). American Institute of Mathematical Sciences (AIMS). https://doi.org/10.3934/acse.2024007

Fricke, C., Wolff, D., Kemmerling, M., & Elgeti, S. (2023). Investigation of reinforcement learning for shape optimization of 2D profile extrusion die geometries. In Advances in Computational Science and Engineering (Vol. 1, Issue 1, pp. 1–35). American Institute of Mathematical Sciences (AIMS). https://doi.org/10.3934/acse.2023001

Begutachtete Tagungsbände und Buch Beiträge

Sahin, T., Wolff, D., von Danwitz, M., & Popp, A. (2024). Towards a Hybrid Digital Twin: Fusing Sensor Information and Physics in Surrogate Modeling of a Reinforced Concrete Beam. In 2024 Sensor Data Fusion: Trends, Solutions, Applications (SDF) (pp. 1–8). 2024 Sensor Data Fusion: Trends, Solutions, Applications (SDF). IEEE. https://doi.org/10.1109/sdf63218.2024.10773885

Idzik, C., Hilger, D., Hosters, N., Kemmerling, M., Niemietz, P., Ortjohann, L., Sasse, J., Serafeim, A., Wang, J., Wolff, D., & Hirt, G. (2023). Decision Support for the Optimization of Continuous Processesusing Digital Shadows. In Interdisciplinary Excellence Accelerator Series (pp. 281–301). Springer International Publishing. https://doi.org/10.1007/978-3-031-44497-5_12

Wolff, D., Fricke, C., Kemmerling, M., & Elgeti, S. (2023). Towards shape optimization of flow channels in profile extrusion dies using reinforcement learning. In PAMM (Vol. 22, Issue 1). Wiley. https://doi.org/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