Eldorado - Repository of the TU Dortmund
Resources for and from Research, Teaching and Studying
This is the institutional repository of the TU Dortmund. Ressources for Research, Study and Teaching are archived and made publicly available.
Communities in Eldorado
Select a community to browse its collections.
Recent Submissions
Mobility analytics based on passive sensing data
(2025) Huang, Yunfeng; Chen, Jian-Jia; Wu, Fang-Jing
Nowadays, mobility analytics plays an important role in our daily lives, such as in improving urban planning, optimizing transportation systems, and enhancing public safety. With the rapid development of sensor technology, contemporary mobility analytics based on sensing data has become more efficient and reliable. Depending on how the sensing data is acquired, mobility analytics is generally divided into active sensing-based mobility analytics and passive sensing-based mobility analytics. Active sensing-based mobility analytics, such as deploying Light Detection and Ranging (LiDAR) sensors for traffic flow monitoring or Radio Detection And Ranging (RADAR) systems for movement tracking, either requires a high cost of deploying additional infrastructure or users’ active and continuous participation in sensing data collection. In addition, privacy concerns may arise due to the exposure
of personal identity in active sensing technologies.
Passive sensing-based mobility analytics, such as Wi-Fi-based localization or Inertial Measurement Unit (IMU)-based navigation, passively collects data from existing Internet of Things (IoT) sensors in the environment. Because these IoT sensors are not dedicated to mobility analytics but pre-exist to support other IoT services, passive sensing-based mobility analytics avoids the high costs of installing additional infrastructure, the need of users’ active participation, and the exposure of users’ identities.
However, passive sensing-based mobility analytics still faces many limitations. First, since passive sensing technology lacks dedicated IoT infrastructure, sensing data from a single sensor usually provides mobility information from a limited perspective. Second, the process of collecting passive sensing data is uncontrollable because ambient sensors are not directly controlled by users. As a result, the potential data loss may cause failures in mobility analytics when one type of sensor stops providing data for unknown reasons. Third, passive sensing data is generally sparse also due to this uncontrollable data collection process. Therefore, many studies aim to generate denser sensing data to enhance mobility analytics. However, generating reliable sensing data is non-trivial and remains challenging.
To address these limitations, this dissertation proposes a collaborative and complementary computing paradigm for passive sensing-based mobility analytics. The key idea behind the proposed paradigm lies in three aspects: 1) mobility analytics based on multi-modal sensing data, 2) mobility analytics based on crossdomain sensing data, 3) multi-model-based sensing data generation. In the first case, different types of sensors are jointly utilized for mobility analytics to complement the weaknesses of individual sensors. In the second case, different forms of sensing data from the same sensor are incorporated to provide insights from different knowledge domains. In the third case, Artificial Intelligence (AI)-driven methods and non-AI-driven methods are synergized to generate denser sensing data.
In this dissertation, the feasibility of the proposed computing paradigm is first demonstrated in our preliminary work, where the advantages of collaboration and complement between different sensors are exhibited. Next, this dissertation further
investigates the necessity and effectiveness of the proposed computing paradigm through comprehensive mobility analytics in the following three scenarios.
• This dissertation estimates Physical Proximity between users based on multi-modal sensing data, i.e., Wi-Fi data and IMU data. Wi-Fi data provides
absolute spatial information for mobility analytics, which IMU data lacks. Conversely, IMU data offers fine-grained mobility information, which is not
available in Wi-Fi data. The joint use of Wi-Fi data and IMU data complements each other’s weaknesses, facilitating more reliable physical proximity
estimation.
• This dissertation investigates users’ Visual Attention based on cross-domain sensing data, i.e., eye movements and light patterns reflected in human eyes.
The movement of human eyeballs and the light patterns reflected in human eyes characterize users’ visual attention from different knowledge domains.
Therefore, the joint use of both types of data enables a more comprehensive analysis of users’ visual attention.
• This dissertation develops a framework for Indoor Localization through multi-model-based Wi-Fi fingerprint generation. First, Wi-Fi radio maps
are augmented by jointly utilizing a Generative Adversarial Network (GAN) model and a Gaussian Process Regression (GPR) model,leveraging
the strengths of each approach. Second, a tailored localization algorithm is designed by incorporating the augmented Wi-Fi radio maps.
This dissertation provides a comprehensive and in-depth mobility analytics based on the proposed paradigm. On the one hand, the importance of collaboration and complementarity in passive sensing-based mobility analytics is validated. On the other hand, feasible strategies for mobility analytics in different scenarios are given in this dissertation.
Metal-organic frameworks
(2025) Kolodzeiski, Pascal; Henke, Sebastian; Czeslik, Claus
Metallorganische Gerüstverbindungen (MOFs) sind funktionelle Hybridmaterialien mit vielseitigen Anwendungen, die von Katalyse und Gastrennung bis zur CO₂-Speicherung reichen. Für einen industriellen Einsatz müssen MOFs immobilisiert werden, beispielsweise durch Hochdruckverpressung oder mittels Schmelzguss zu Glasmembranen. Diese Arbeit untersucht zwei zentrale Aspekte dieser Prozesse: die gezielte Einstellung der Materialeigenschaften von MOF-Gläsern durch chemische Modifikation (Teil I) sowie das strukturelle Verhalten einer Reihe kristalliner MOFs unter Hochdruck (Teil II).
Teil I untersucht die Übertragbarkeit bewährter Konzepte der Silikatglaschemie auf einen prototypischen MOF-Glasbildner und zeigt, wie durch die Inkorporation von Modifikatoren Glaseigenschaften (z.B. thermische und strukturelle Eigenschaften, Porosität) systematisch gesteuert werden können. Dies erweitert den konzeptionellen Gestaltungsspielraum von MOF-Gläsern und eröffnet neue Ansätze zur Fertigung poröser Membranmaterialien.
Teil II untersucht das Hochdruck-Verhalten einer Reihe strukturell verwandter MOFs bis zu einem hydrostatischen Druck von 4000 bar mittels in-situ Pulverröntgendiffraktion. Die Ergebnisse zeigen, wie anorganische und organische Baueinheiten Kompressibilität und Stabilität beeinflussen. Die gewonnenen Einblicke in Struktur-Eigenschaftsbeziehungen sind für den Einsatz von MOFs in Hochdruckprozessen der chemischen Industrie von hoher Relevanz.
Multiscale approximations of integral equation-based solvation models
(2025) Eisel, Lennart; Kast, Stefan M.; Czodrowski, Paul
Die Anwendbarkeit und Kosten quantenchemischer Solvatationsmodelle, wie dem "embedded cluster reference interaction site model" (EC-RISM) werden vor allem durch die Berechnungskosten der Elektronenstruktur, sowie des elektrostatischen Potentials bestimmt, bedingt durch die iterative Lösung dieser Verfahren und der damit einhergehenden Wiederholung der teuren Elektronenstrukturrechnung.
Hierdurch wird ihre Anwendung auf chemische Systeme geringer Größe beschränkt. In dieser Arbeit wird ein neues Solvatationsmodell, ONIOM-EC-RISM, präsentiert mit dem dieser Rechenaufwand für das bisherige EC-RISM Verfahren, durch die Einführung einer multiskalen Approximation der Elektronenstruktur, drastisch reduziert werden kann. Hierdurch erschließt sich die Möglichkeit das EC-RISM-Solvatationsmodell auch auf größere chemische Systeme, wie z.B. Proteinsysteme, anzuwenden.
Neben den für das Verständnis des ONIOM-EC-RISM-Modells relevanten theoretischen Grundlagen additiver und subtraktiver Multiskalenapproximationen, des statistisch-thermodynamischen RISM-Solvatationsmodells, sowie des methodisch verwandten ONIOM-PCM-Solvatationsmodells, werden die Theorie und technische Implementation des neuen Modells umfangreich dargestellt. Darüber hinaus wird aufgezeigt wie zuvor für das EC-RISM-Referenzmodell verwendete empirische Korrekturen in den ONIOM-EC-RISM-Kontext übertragen werden können. Hierbei wird das Größenextrapolationslimit der ONIOM-Methode ausgenutzt, wodurch Korrekturen erhalten werden, die frei von jeglichen Partitionierungsfehlern sind.
Die resultierenden Modelle sind in der Lage, die $\pKa$-Vorhersagequalität des EC-RISM-Referenzmodells für den pKa-Datensatz der SAMPL6-Challenge, einem "blind prediction" Wettbewerb zur Vorhersage thermodynamischer Größen, zu reproduzieren und teilweise zu übertreffen, während gleichzeitig die Gesamtkosten des EC-RISM-Verfahrens drastisch reduziert werden können.
Neben der Validierung des ONIOM-EC-RISM-Verfahrens anhand von pKa-Werten wird demonstriert, wie das ONIOM-EC-RISM-Modell zusätzlich zur Vorhersage chemischer Verschiebungen eines Pentapeptidsystem verwendet werden kann. In diesem Zusammenhang wird ein neuartiger Ansatz vorgestellt der es erlaubt, pH-abhängige chemische Verschiebungen direkt aus spektroskopischen sowie pKa-Vorhersagen zu berechnen. Dies eröffnet erstmalig die Möglichkeit der direkten Modellierung von NMR-Titrationsexperimenten auf Grundlage des EC-RISM-Solvatationsmodells.
“Come and visit us!”
(2025) Hülsebusch, Daniela; Holzmüller, Hartmut H.; Schäfers, Tobias
Industrial tourism is an important marketing tool for companies to promote their brand or present their company. Despite its significance, there is still a lack of research on the effect of factory tours on customer attitudinal and behavioral loyalty. In a first study, the paper encompasses a detailed literature overview of existing research on industrial tourism. The paper outlines the advantages and disadvantages of factory tours and delimits consumer tourism to industrial tourism. Despite its widespread use, however, there is a lack of research on the economic consequences, as well as the underlying perceptual processes. Thus, the second paper entails the results of two studies conducted in collaboration with an industrial manufacturer, allowing for detailed analyses of the effects of factory tours on customer loyalty. The results of a first study show that customer participation in a factory tour leads to an increase in revenues. A second study explores the potential mediating role of attitudinal loyalty and customer perceptions of the tour guide, a finding that remains unconfirmed. The results confirm the positive effects of factory tour participation on behavioral loyalty (i.e., purchases) and attitudinal loyalty (i.e., affective commitment). Moreover, the analysis reveals evidence for the effects of customers’ perceived competence as tour guides on loyalty. The third paper concludes the topic by examining financial aspects of factory tours, which are part of a company’s experience tourism. The customer loyalty resulting from factory tours plays a decisive role in terms of long-term effects for the companies.
Application of synthetically trained Neural State Estimation to real-world distribution grids
(2025) Oberließen, Thomas; Rehtanz, Christian; Lehnhoff, Sebastian
Die Integration erneuerbarer Energien und Fortschritte der Sektorkopplung führen zu einer zunehmend komplexen Versorgungssituation in Verteilnetzen. Während aktive Netzüberwachung und Betriebsführung in Verteilnetzen historisch unüblich waren, nimmt ihre Bedeutung nun deutlich zu. Aktuelle Forschung verweist, unter anderem, auf Ansätze basierend auf überwachtem Lernen als eine effektive Lösung für die Verteilnetz-Zustandsschätzung. Eine fundamentale Einschränkung dieser Ansätze ist die Abhängigkeit von synthetischen Trainingsdaten für das Training und Testen der Modelle. Diese Arbeit modelliert eine synthetische Variante eines realen Verteilnetzes und untersucht die Übertragbarkeit eines synthetisch trainierten Modells auf die Messdaten des realen Netzes. Reale Messdaten enthalten unweigerlich Fehler und fehlende Signale, was eine signifikante Herausforderung für die Zustandsschätzung darstellt. Daher untersucht die Arbeit die Detektion und Rekonstruktion von Anomalien in realen Messdaten. Darüber hinaus behindert die begrenzte Transparenz von Machine-Learning-Modellen ihre Anwendung in der Praxis. Folglich wird eine Erweiterung des Modells des überwachten Lernens zu einer stochastischen Zustandsschätzung vorgeschlagen, die die Schätzunsicherheit quantifiziert und Schätzbereiche liefert.