Eldorado - Repositorium der TU Dortmund

Ressourcen aus und für Forschung, Lehre und Studium

Bei diesem Service handelt es sich um das Institutionelle Repositorium der Technischen Universität Dortmund. Hier werden Ressourcen aus und für Lehre, Studium und Forschung gespeichert, erschlossen und der Öffentlichkeit zugänglich gemacht.

Hauptbereiche in Eldorado

Wählen Sie einen Bereich, um dessen Inhalt anzusehen.

Gerade angezeigt 1 - 5 von 9

Fach- und Universitätsübergreifendes 1319
Fakultäten 13912
Graduate School und Graduiertenkollegs 12
Hochschulverwaltung 1250
Sonderforschungsbereiche 1595

Aktuellste Veröffentlichungen

Abbruchrisiken in der Kinderpflege- und Erzieher:innenausbildung
(2026) Angenendt, Pia; Lange, Mirja; Schayani, Nikolai
Dieses Dossier ist Band 5 der Reihe „Fachkräfte in der Kinder- und Jugendhilfe in NRW“. Es beleuchtet zentrale strukturelle und individuelle Faktoren sowie deren Einfluss auf Abbruchrisiken in der Kinderpflege- und Erzieher:innenausbildung. Grundlage ist eine explorative Befragung von rund 1.300 Schüler:innen in NRW. Die Ergebnisse können dazu beitragen, Abbruchrisiken in den Ausbildungsgängen besser zu verstehen und mögliche Ansatzpunkte zur Unterstützung erfolgreicher Ausbildungsabschlüsse in diesen Bildungsgängen in NRW sichtbar zu machen.
Verbindung von synthetischer Datenerzeugung und Machine Learning zur kostenorientierten Auswahl von dynamischen Bestellmengenverfahren
(2026) Brüggenolte, Matthias; Henke, Michael; Meyer, Anne
Die Arbeit untersucht die Verbindung von synthetischer Datenerzeugung und Machine Learn-ing zur kostenorientierten Auswahl dynamischer Bestellmengenverfahren. In der Unterneh-menspraxis werden Heuristiken zur Bestellmengenplanung wie Silver Meal, Groff, Least Unit Cost und Part Period zwar in ERP-Systemen bereitgestellt, jedoch häufig ohne systematische Auswahl eingesetzt. Zu diesem Zweck wird die dynamische Bestellmengenplanung zunächst systemtheoretisch modelliert. Anschließend werden durch Simulationsexperimente umfangreiche synthetische Daten generiert. Diese Datengrundlage ermöglicht eine umfassende Analyse der Leistungsfä-higkeit der vier dynamischen Bestellmengenverfahren in Abhängigkeit von den zugrundelie-genden Systemfaktoren. Auf Basis der synthetischen Daten sowie unterschiedlicher statistischer Analysen werden niedrigschwellige und interpretierbare Entscheidungsregeln abgeleitet, die eine kostenorien-tierte Auswahl der Heuristik ermöglichen. Parallel dazu werden unterschiedliche Machine Learning-basierte Klassifikationsmodelle zur Heuristikwahl entwickelt, welche auf Grundlage der synthetischen Daten trainiert und anhand etablierter Gütemaße verglichen werden. Das Verfahren LightGBM erweist sich dabei als das leistungsfähigste Modell und ermöglicht im Vergleich zu einer zufälligen Heuristikwahl signifikante Kosteneinsparungen. Die Übertragbarkeit wird anhand realer Unternehmensdaten aus zwei Anwendungsfällen vali-diert, wobei sowohl die Entscheidungsregeln als auch das Machine Learning Modell deutliche Kosteneinsparungen erzielen. Die Arbeit verknüpft damit systemtheoretische Modellierung, Si-mulation, Statistik und Machine Learning und liefert Unternehmen eine fundierte Grundlage für die kostenorientierte Heuristikwahl.
Entwicklung einer Methodik für die Planung und Implementierung von flexiblen Montageanlagen in der Automobilproduktion
(2026) Schulz, Bennet; Henke, Michael; Klingbiel, Katja
The flexibility of production equipment has become a critical success factor in industrial pro-duction systems. In light of volatile conditions – such as increasing number of product variants, geopolitical uncertainties, and rapid technological advancements – an enhanced responsiveness is imperative to enable the planning and implementation of efficient and future-proof manu-facturing systems. This is particularly relevant in automated automotive assembly, where cur-rent assembly stations are primarily optimized for performance, often at the expense of adapt-ability. Based on a theoretical examination of equipment planning as part of factory planning, this research develops one central research question and three specific sub-questions. Together, these address a theoretical gap in the literature and reflect the practical challenge – limited flexibility of current assembly stations. The overarching research question is: "How can flexi-bility in assembly systems be systematically planned, designed, and conceptually imple-mented?" To answer this question, a multi-stage methodological approach was employed. First, a sys-tematic international literature review on the topics of flexibility, assembly, and automation has been conducted. Based on this analysis, a conceptual flexibility model has been developed. In a subsequent multiple case study involving five international automotive OEMs, the model has been expanded with practical insights to form a practical flexibility model. Data collection has been conducted via expert interviews and participant observations, and the analysis applied a mixed-methods approach and triangulation. Finally, theoretical and practical findings have been synthesized into an integrated model the Assembly Flexibility Model. The resulting model has prototypically been applied in a planning project of a flexible automo-tive assembly station and validated through workshops with industry experts. By systematically integrating factory planning processes, relevant aspects of flexibility, and practical implemen-tation requirements, the developed Assembly Flexibility Model addresses both the identified research gap and practical challenges in industrial assembly planning. Future application of the model is expected to significantly enhance the flexibility of automated assembly systems.
Development of flavour tagging algorithms for Run 3 at LHCb
(2025) Olocco, Micol; Albrecht, Johannes; Delitzsch, Chris Malena
This thesis investigates the role of automation and machine-learning techniques as a methodological bridge between high-energy physics and industry, within the framework of the SMARTHEP European Training Network. The core scientific contribution of this thesis is the development of flavour-tagging algorithms for the LHCb Upgrade I. The performance of the developed algorithms is evaluated using data collected by the LHCb experiment in 2024 and demonstrates stable behaviour in the upgraded detector environment. These algorithms constitute the first flavour-tagging implementation specifically developed for Run 3, enabling time-dependent measurements of neutral B-meson mixing and CP violation. Automation principles are further applied to the development of an infrastructure for the deployment and validation of Trigger Configuration Keys at LHCb, designed to support Run 3 data-taking and operations. Beyond the core LHCb physics programme, this thesis presents the design of an open-source framework for the automated generation of synthetic financial transaction data using large language models. Such synthetic datasets provide a practical alternative for fraud-detection research, where access to real financial data is constrained by privacy and regulatory requirements.
Measurement of Isospin Asymmetry in B -> K µ+ µ- decays at the LHCb experiment
(2026) De Vellis, Fabio; Albrecht, Johannes; Elsässer, Dominik
Symmetries in the Standard Model of particle physics stem from fundamental aspects of the theory and play a determinant role in shaping our understanding of elementary particles. Isospin symmetry predicts nearly identical decay rates for processes differing only by a spectator quark, such as the rare decays B0 -> K0 mu+ mu- and B+ -> K+ mu+ mu-. The isospin asymmetry, defined as the difference in their partial widths, is a theoretically clean observable: dominant hadronic uncertainties cancel out, offering a precise test of the theory. Previous measurements have hinted at coherent deviations from the Standard Model expectations, motivating a more precise determination using a larger dataset. This thesis details the complete strategy for an updated measurement of the differential branching fractions and isospin asymmetry of these decays, using the full proton-proton collision dataset collected by the LHCb experiment during Run 1 and Run 2, corresponding to 9/fb. The analysis is performed in intervals of the dimuon invariant mass squared, using the resonant decays B -> J/psi K as normalisation to reduce systematic uncertainties. A blinded approach is adopted to prevent experimenter bias. Consequently, while the final numerical results are not included, this thesis details the comprehensive analysis strategy. All key aspects are presented, including the optimisation of the event selection, the calibration of the simulation, and the development of the simultaneous fitting framework. The robustness of the method is demonstrated through extensive validation using control modes and pseudo-experiments. Finally, the expected sensitivity of the measurement is evaluated, highlighting the potential of the full dataset to significantly improve the precision compared to previous results.