Podcasts about siam journal

Bissan Ghaddar is the John M. Thompson Chair in Engineering Leadership and Innovation and an Associate Professor of Management Science and Sustainability at the Ivey Business School working on problems at the intersection of machine learning and non-linear optimization. She is also affiliated with university of Waterloo and DTU. Bissan holds a PhD in Management Science from the University of Waterloo. Before joining academia, she worked on energy, water, and transportation network optimization at IBM Research and on inventory management problems at the Centre for Operational Research and Analysis, Department of National Defence Canada. Her work has been published in prestigious journals such as Mathematical Programming, INFORMS Journal on Computing, SIAM Journal on Optimization, among others. Her research has been supported by national and international grants including NSERC, OCE, Cisco, H2020, and Marie Curie International Incoming Fellowship. She serves as the Research Lead at the Ivey Energy Policy and Management Centre and is a fellow at the Balsillie School of International Affairs, engaged in the research cluster on AI, Global Governance, and International Public Policy. She is the Associate Editor for the EURO Journal on Computational Optimization. She was recently awarded the best survey paper award at the EURO conference in Copenhagen and the Distinguished International Associate by the Royal Academy of Engineering.

Artur Pessoa is an Associate Professor at Universidade Federal Fluminense, Brazil. He holds a bachelor's degree in Computer Engineering from PUC-Rio and master's and doctoral degrees in Informatics from the same institution. His research interests focus on developing insightful approaches to solving optimization problems in general. Artur has contributed to designing solution methods based on integer programming, column generation, dynamic programming, branch-and-bound, and related techniques to tackle combinatorial, bilevel, robust, and other optimization problems. He is one of the key figures behind several state-of-the-art exact algorithms for vehicle routing, scheduling, and generalized quadratic assignment problems. He has published papers in prestigious journals like Mathematical Programming, Operations Research, Theoretical Computer Science, SIAM Journal on Computing, Mathematical Programming Computation, INFORMS Journal on Computing, Transportation Science, European Journal of Operational Research, among others. Artur was honored with the best doctoral dissertation award from the Brazilian Computer Society and has twice won the best paper award at the Brazilian OR Symposium. In addition, he received the 2017 Best Paper Prize from the journal Mathematical Programming Computation, and the 2022 Transportation Science Meritorious Service Award from INFORMS. Artur is one of the developers of the VRPSolver package and the Coluna branch-cut-and-price framework. He is also a co-author of the recent book “Optimizing with Column Generation”, written in collaboration with Eduardo Uchoa and Lorenza Moreno.

Simge Küçükyavuz is Chair and David A. and Karen Richards Sachs Professor in the Industrial Engineering and Management Sciences Department at Northwestern University. She is an expert in mixed-integer, large-scale, and stochastic optimization, with applications in complex computational problems across numerous domains, including social networks, computing and energy infrastructure, statistical learning, and logistics. Her research has been supported by multiple grants from the National Science Foundation (NSF) and the Office of Naval Research (ONR). She is an INFORMS Fellow, and the recipient of the NSF CAREER Award and the INFORMS Computing Society (ICS) Prize. She is the past chair of ICS and serves on the editorial boards of Mathematics of Operations Research, Mathematical Programming, Operations Research, SIAM Journal on Optimization, and MOS-SIAM Optimization Book Series. She received her Ph.D. in Industrial Engineering and Operations Research from the University of California, Berkeley.

Francesca Maggioni is Associate Professor of Operations Research at the Department of Management, Information and Production Engineering (DIGIP) of the University of Bergamo (Italy). Her research interests concern both methodological and applicative aspects of optimization under uncertainty. From a methodological point of view, she has developed different types of bounds and approximations for stochastic, robust and distributionally robust multistage optimization problems. She applies these methods to solve problems in logistics, transportation, energy production, pension funds and machine learning. On these topics she has published more than 60 scientific articles featured in peer-reviewed operations research and optimization journal like, among others, SIAM Journal on Optimization (SIOPT), European Journal of Operational Research (EJOR), Transportation Science, Journal of Optimization, Theory and Applications (JOTA). She is currently serving the “EURO Working Group on Stochastic Optimization” and the “AIRO Thematic Section of Stochastic Programming” as chair and has served the “Stochastic Programming Society” in the period 2016-2023. She is Associate Editor of the journals “Computational Management Science” (CMS), “EURO Journal on Computational Optimization” (EJCO), “An Official Journal of the Spanish Society of Statistics and Operations Research” (TOP), “Networks” and “International Transactions in Operational Research” (ITOR). She is principal investigator of the PRIN 2020 project "Urban Logistics and sustainable TRAnsportation: OPtimization under uncertainTY and MAchine Learning (ULTRAOPTYMAL) funded by the Italian University and Research Ministry.

Claudia D'Ambrosio is a research director (Directeure de recherche) at CNRS (France) and an adjunct professor at École Polytechnique (France). She is the head of the International Academic and Research Chair "Integrated Urban Mobility". She holds a Computer Science Engineering Master Degree and a Ph.D. in Operations Research from University of Bologna (Italy). Her research speciality is mathematical optimization, with a special focus on mixed integer nonlinear programming. During her whole carrier, she was involved both in theoretical and applied research projects. She was awarded the EURO Doctoral Dissertation Award for her Ph.D. thesis on "Application-oriented Mixed Integer Non-Linear Programming" and the 2nd award "Prix Robert Faure" (3 candidates are awarded every 3 years) granted by ROADEF society. Claudia published many papers in highly prestigious journals such as the SIAM Journal on Optimization, Mathematical Programming, Transportation Science, to name a few. She also serves as Associate Editor for the EURO Journal and Computational Optimization, Optimization Methods and Software, Optimization and Engineering and 4OR.

Martin Schmidt is full professor for "Nonlinear Optimization" at Trier University since 2019. He studied Mathematics and Computer Science at the Leibniz Universität Hannover and received his PhD in 2013 in the area of algorithmic optimization. From 2014 to 2018 he was junior professor for the optimization of energy systems at the Friedrich-Alexander-Universität Erlangen-Nürnberg and the Energy Campus Nürnberg. His research interests are mixed-integer nonlinear and bilevel optimization as well as general equilibrium problems. He develops novel algorithms for solving these problems for real-world and large-scale instances, mainly from the energy sector. Martin Schmidt is editorial board member of the Journal of Optimization Theory and Applications, Optimization Letters, EURO Journal on Computational Optimization, OR Spectrum, and is technical editor for Mathematical Programming Computation. He wrote more than 85 articles that have been published in prestigious journals of our field including Mathematical Programming (A, B, and C), SIAM Journal on Optimization, Operations Research, or INFORMS Journal on Computing. Moreover, together with colleagues, he was awarded the Marguerite Frank Award for the best EJCO paper in 2021, the MMOR Best Paper Award 2021, and the Howard Rosenbrock Prize 2020 for the best paper published in the journal "Optimization and Engineering" in the year 2020, and the EURO Excellence in Practice Award in 2016. Besides these scientific aspects, he is a passionate baker and photographer.

Thibaut Vidal holds the SCALE-AI Chair in Data-Driven Supply Chains and is professor at the Department of Mathematics and Industrial Engineering (MAGI) of Polytechnique Montréal, Canada. He is also a member of CIRRELT and an adjunct professor at the Pontifical Catholic University of Rio de Janeiro, Brazil. His main domains of expertise relate to combinatorial optimization, heuristic search and interpretable machine learning, with applications to logistics and supply chain management, production management, resource allocation and information processing. He is the author of over fifty articles in reputed international journals and conferences such as ICML, Operations Research, Transportation Science, SIAM Journal on Optimization, Pattern Recognition and INFORMS Journal on Computing, among many others. His work has been recognized by various prizes in different scientific societies. In particular, he twice received the best paper award from the Transportation Science and Logistics (TSL) section of INFORMS, and received the Robert Faure prize from the French operations research society, as well as other best paper and doctoral dissertation awards from EJOR, ROADEF, VeRoLog and PGMO. He serves as associate editor for the journal Transportation Science.

Ivan Oseledets is a Professor of the Center for Computational and Data-Intensive Science and Engineering at Skoltech. Ivan graduated from Moscow Institute of Physics and Technology in 2006, got Candidate of Sciences degree in 2007, and Doctor of Sciences in 2012, both from Marchuk Institute of Numerical Mathematics of Russian Academy of Sciences. He joined Skoltech CDISE in 2013. Ivan's research covers a broad range of topics. He proposed a new decomposition of high-dimensional arrays (tensors) – tensor-train decomposition, and developed many efficient algorithms for solving high-dimensional problems. These algorithms are used in different areas of chemistry, biology, data analysis and machine learning. His current research focuses on development of new algorithms in machine learning and artificial intelligence such as construction of adversarial examples, theory of generative adversarial networks and compression of neural networks. It resulted in publications in top computer science conferences such as ICML, NIPS, ICLR, CVPR, RecSys, ACL and ICDM. Ivan is an Associate Editor of SIAM Journal on Mathematics in Data Science, SIAM Journal on Scientific Computing, Advances in Computational Mathematics (Springer). He is also an area chair of ICLR 2020 conference. Ivan got several awards for his research and industrial cooperation, including two gold medals of Russian academy of Sciences (for students in 2005 and young researchers in 2009), Dynasty Foundation award (2012), SIAM Outstanding Paper Prize (2018), Russian President Award for young researchers in science and innovation (2018), Ilya Segalovich award for Best PhD thesis supervisor (2019), Best Professor award from Skoltech (2019), the best cooperation project leader award from Huawei (2015, 2017). He also has been a Pi and Co-Pi of several grants and industrial projects (230 million of rubles since 2017). In 2021, Ivan became one of the winners of the Humboldt Research Award, is an award given by the Alexander von Humboldt Foundation of Germany. Ivan is actively involved in education and research supervision: he introduced and is teaching three courses of Skoltech curriculum, and five of his PhD students have successfully defended their theses, including two PhD students at Skoltech. FIND IVAN ON SOCIAL MEDIA LinkedIn | Facebook | Instagram | Twitter © Copyright 2022 Den of Rich. All rights reserved.

Ivan Oseledets is a Professor of the Center for Computational and Data-Intensive Science and Engineering at Skoltech.Ivan graduated from Moscow Institute of Physics and Technology in 2006, got Candidate of Sciences degree in 2007, and Doctor of Sciences in 2012, both from Marchuk Institute of Numerical Mathematics of Russian Academy of Sciences. He joined Skoltech CDISE in 2013.Ivan's research covers a broad range of topics. He proposed a new decomposition of high-dimensional arrays (tensors) – tensor-train decomposition, and developed many efficient algorithms for solving high-dimensional problems. These algorithms are used in different areas of chemistry, biology, data analysis and machine learning. His current research focuses on development of new algorithms in machine learning and artificial intelligence such as construction of adversarial examples, theory of generative adversarial networks and compression of neural networks. It resulted in publications in top computer science conferences such as ICML, NIPS, ICLR, CVPR, RecSys, ACL and ICDM.Ivan is an Associate Editor of SIAM Journal on Mathematics in Data Science, SIAM Journal on Scientific Computing, Advances in Computational Mathematics (Springer). He is also an area chair of ICLR 2020 conference.Ivan got several awards for his research and industrial cooperation, including two gold medals of Russian academy of Sciences (for students in 2005 and young researchers in 2009), Dynasty Foundation award (2012), SIAM Outstanding Paper Prize (2018), Russian President Award for young researchers in science and innovation (2018), Ilya Segalovich award for Best PhD thesis supervisor (2019), Best Professor award from Skoltech (2019), the best cooperation project leader award from Huawei (2015, 2017). He also has been a Pi and Co-Pi of several grants and industrial projects (230 million of rubles since 2017). In 2021, Ivan became one of the winners of the Humboldt Research Award, is an award given by the Alexander von Humboldt Foundation of Germany.Ivan is actively involved in education and research supervision: he introduced and is teaching three courses of Skoltech curriculum, and five of his PhD students have successfully defended their theses, including two PhD students at Skoltech.FIND IVAN ON SOCIAL MEDIALinkedIn | Facebook | Instagram | Twitter

In den nächsten Wochen bis zum 20.2.2020 möchte Anna Hein, Studentin der Wissenschaftskommunikation am KIT, eine Studie im Rahmen ihrer Masterarbeit über den Podcast Modellansatz durchführen. Dazu möchte sie gerne einige Interviews mit Ihnen, den Hörerinnen und Hörern des Podcast Modellansatz führen, um herauszufinden, wer den Podcast hört und wie und wofür er genutzt wird. Die Interviews werden anonymisiert und werden jeweils circa 15 Minuten in Anspruch nehmen. Für die Teilnahme an der Studie können Sie sich bis zum 20.2.2020 unter der Emailadresse studie.modellansatz@web.de bei Anna Hein melden. Wir würden uns sehr freuen, wenn sich viele Interessenten melden würden. Gudruns Arbeitsgruppe begrüßte im Januar 2020 Andrea Walther als Gast. Sie ist Expertin für das algorithmische Differenzieren (AD) und ihre Arbeitsgruppe ist verantwortlich für das ADOL-C Programmpaket zum algorithmischen Differenzieren. Zusammen mit Andreas Griewank hat sie 2008 das Standardbuch zu AD veröffentlicht. Im Abitur und im mathematischen Grundstudium lernt jede und jeder Anwendungen kennen, wo Ableitungen von Funktionen gebraucht werden. Insbesondere beim Auffinden von Minima und Maxima von Funktionen ist es sehr praktisch, dies als Nullstellen der Ableitung zu finden. Bei der Modellierung komplexer Zusammenhänge mit Hilfe von partiellen Differentialgleichungen ist es möglich, diese Idee in ein abstrakteres Setting zu Übertragen. Eine sogenannte Kostenfunktion misst, wie gut Lösungen von partiellen Differentialgleichungen einer vorgegebenen Bedingung genügen. Man kann sich beispielsweise einen Backofen vorstellen, der aufgeheizt wird, indem am oberen und unteren Rand eine Heizspirale Wärme in den Ofen überträgt. Für den Braten wünscht man sich eine bestimmte Endtemperaturverteilung. Die Wärmeverteilung lässt sich mit Hilfe der Wärmeleitungsgleichung berechnen. In der Kostenfunktion wird dann neben der gewünschten Temperatur auch noch Energieeffizienz gemessen und die Abweichung von der Endtemperatur wird zusammen mit der benötigten Energie minimiert. Auch hierzu werden Ableitungen berechnet, deren Nullstellen helfen, diese Kosten zu minimeren. Man spricht hier von optimaler Steuerung. Eine Möglichkeit, die abstrakte Ableitung auszudrücken, ist das Lösen eines sogenannten adjungierten partiellen Differenzialgleichungsproblems. Aber hier wird es sehr schwierig, immer schnell und fehlerfrei Ableitungen von sehr komplexen und verschachtelten Funktionen zu berechnen, zumal sie für jedes Problem immer wieder neu und anders aussehen. Außerdem braucht man in der numerischen Auswertung des Algorithmus oft nur Werte dieser Ableitung an bestimmten Stellen. Deshalb ist die effiziente Berechnung von Funktionswerten der Ableitung ein unverzichtbarer Baustein in zahlreichen Anwendungen, die von Methoden zur Lösung nichtlinearer Gleichungen bis hin zu ausgefeilten Simulationen in der Optimierung und optimalen Kontrolle reichen. Am liebsten sollte dies der Computer fehlerfrei oder doch mit sehr kleinen Fehlern übernehmen können. Auch für das Newtonverfahren braucht man die Ableitung der Funktion. Es ist das Standardverfahren zur Lösung nichtlinearer Gleichungen und Gleichungssysteme. Das algorithmische Differenzieren (AD) liefert genaue Werte für jede Funktion, die in einer höheren Programmiersprache gegeben ist, und zwar mit einer zeitlichen und räumlichen Komplexität, die durch die Komplexität der Auswertung der Funktion beschränkt ist. Der Kerngedanke der AD ist die systematische Anwendung der Kettenregel der Analysis. Zu diesem Zweck wird die Berechnung der Funktion in eine (typischerweise lange) Folge einfacher Auswertungen zerlegt, z.B. Additionen, Multiplikationen und Aufrufe von elementaren Funktionen wie zum Beispiel Exponentialfunktion oder Potenzen. Die Ableitungen bezüglich der Argumente dieser einfachen Operationen können leicht berechnet werden. Eine systematische Anwendung der Kettenregel ergibt dann die Ableitungen der gesamten Sequenz in Bezug auf die Eingangsvariablen Man unterscheidet zwei Verfahren: den Vorwärts- und den Rückwärtsmodus. Im Vorwärtsmodus berechnet man das Matrizenprodukt der Jacobi-Matrix mit einer beliebigen Matrix (sogenannte Seedmatrix), ohne vorher die Komponenten der Jacobi-Matrix zu bestimmen. Der Rückwärtsmodus besteht aus zwei Phasen. Die Originalfunktion wird zunächst ausgeführt und gewisse Daten abgespeichert. Anschließend rechnet man rückwärts. Dabei werden Richtungsableitungen übergeben und es werden die im ersten Schritt gespeicherten Daten verwendet. Mit dem Rückwärtsmodus von AD ist es möglich, den Gradienten einer skalarwertigen Funktion mit Laufzeitkosten von weniger als vier Funktionsauswertungen zu berechnen. Diese Grenze ist auch noch völlig unabhängig von der Anzahl der Eingangsvariablen. Das ist phänomenal effektiv, aber er ist mit einem erhöhten Speicherbedarf verbunden. Im Laufe der Jahre wurden Checkpointing-Strategien entwickelt, um einen goldenen Mittelweg zu finden. Die Methoden sind für viele und sehr unterschiedliche Anwendungen interessant. In DFG-Projekten an denen Andrea beteiligt war und ist, wurde das unter anderem für die Modellierung von Piezokeramiken und für die Maxwellsche Wellengleichung umgesetzt. Außerdem sprechen Gudrun und Andrea über die Optimierung der Form einer Turbinenschaufel. Andrea begann ihre berufliche Laufbahn mit einer Ausbildung zur Bankkauffrau in Bremerhaven. Sie entschied sich anschließend für ein Studium der Wirtschaftsmathematik, um Mathematik und ihren erlernten Beruf zusammen zu halten. Unter den wenigen verfügbaren Standorten für so ein Studium in Deutschland entschied sie sich für die Universität Bayreuth. Nach Abschluss des Diploms gab es die Chance, an der TU Dresden im Optimierungsfeld zu arbeiten. Dort promovierte sie, wurde es später Leiterin der selbständigen Nachwuchsgruppe "Analyse und Optimierung von Computermodellen", Juniorprofessorin für "Analyse und Optimierung von Computermodellen" und habilitierte sich. 2009-2019 war sie als Professorin für "Mathematik und ihre Anwendungen" an der Universität Paderborn tätig. Seit Oktober 2019 ist sie Professorin für "Mathematische Optimierung", Humboldt-Universität zu Berlin. Literatur und weiterführende Informationen A. Griewank und A. Walther: Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation, Second Edition. SIAM (2008). A. Gebremedhin und A. Walther: An Introduction to Algorithmic Differentiation. in WIREs Data Mining and Knowledge Discovery. S. Fiege, A. Walther und A. Griewank: An algorithm for nonsmooth optimization by successive piecewise linearization. Mathematical Programming 177(1-2):343-370 (2019). A. Walther und A. Griewank: Characterizing and testing subdifferential regularity for piecewise smooth objective functions. SIAM Journal on Optimization 29(2):1473-1501 (2019). Podcasts G. Thäter, A. Zarth: Automatic Differentiation, Gespräch im Modellansatz Podcast, Folge 167, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. G. Thäter, P. Allinger und N. Stockelkamp: Strukturoptimierung, Gespräch im Modellansatz Podcast, Folge 053, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015.

Gudrun hatte zwei Podcast-Gespräche beim FEniCS18 Workshop in Oxford (21.-23. März 2018). FEniCS ist eine Open-Source-Plattform zur Lösung partieller Differentialgleichungen mit Finite-Elemente-Methoden. Dies ist die zweite der beiden 2018er Folgen aus Oxford. Susanne Claus ist zur Zeit NRN Early Career Personal Research Fellow an der Cardiff University in Wales. Sie hat sich schon immer für Mathematik, Physik, Informatik und Ingenieursthemen interesseirt und diese Interessen in einem Studium der Technomathematik in Kaiserlautern verbunden. Mit dem Vordiplom in der Tasche entschied sie sich für einen einjährigen Aufenthalt an der Universität Kyoto. Sie war dort ein Research exchange student und hat neben der Teilnahme an Vorlesungen vor allem eine Forschungsarbeit zu Verdunstungsprozessen geschrieben. Damit waren die Weichen in Richtung Strömungsrechnung gestellt. Dieses Interesse vertiefte sie im Hauptstudium (bis zum Diplom) an der Uni in Bonn, wo sie auch als studentische Hilfskraft in der Numerik mitarbeitete. Die dabei erwachte Begeisterung für nicht-Newtonsche Fluid-Modelle führte sie schließlich für die Promotion nach Cardiff. Dort werden schon in langer Tradition sogenannte viskoelastische Stoffe untersucht - das ist eine spezielle Klasse von nicht-Newtonschem Fluiden. Nach der Promotion arbeitet sie einige Zeit als Postdoc in London am University College London (kurz: UCL) zu Fehleranalyse für Finite Elemente Verfahren (*). Bis sie mit einer selbst eingeworbenen Fellowship in der Tasche wieder nach Cardiff zurückkehren konnte. Im Moment beschäftigt sich Susanne vor allem mit Zweiphasenströmungen. In realen Strömungsprozessen liegen eigentlich immer mindestens zwei Phasen vor: z.B. Luft und Wasser. Das ist der Fall wenn wir den Wasserhahn aufdrehen oder die Strömung eines Flusses beobachten. Sehr häufig werden solche Prozesse vereinfacht modelliert, indem man sich nur eine Phase, nämlich die des Wassers genau ansieht und die andere als nicht so wichtig weglässt. In der Modellbildung für Probleme, in denen beide Phasen betrachtet werden sollen, ist das erste Problem, dass das physikalische Verhalten der beiden Phasen sehr unterschiedlich ist, d.h. man braucht in der Regel zwei sehr unterschiedliche Modelle. Hinzu treten dann noch komplexe Vorgänge auf der Grenzflächen auf z.B. in der Wechselwirkung der Phasen. Wo die Grenzfläche zu jedem Zeitpunkt verläuft, ist selbst Teil der Lösung des Problems. Noch interessanter aber auch besonders schwierig wird es, wenn auf der Grenzfläche Tenside wirken (engl. surfactant) - das sind Chemikalien die auch die Geometrie der Grenzfläche verändern, weil sie Einfluß auf die Oberflächenspannung nehmen. Ein Zwischenschritt ist es, wenn man nur eine Phase betrachtet, aber im Fließprozess eine freie Oberfläche erlaubt. Die Entwicklung dieser Oberfläche über die Zeit wird oft über die Minimierung von Oberflächenspannung modelliert und hängt deshalb u.a. mit der Krümmung der Fläche zusammen. D.h. man braucht im Modell lokale Informationen über zweite Ableitungen. In der numerischen Bearbeitung des Prozesses benutzt Susanne das FEniCS Framework. Das hat sie auch konkret dieses Jahr nach Oxford zum Workshop geführt. Ihr Ansatz ist es, das Rechengitter um genug Knoten anzureichern, so dass Sprünge dargestellt werden können ohne eine zu hohe Auflösung insgesamt zu verursachen. (*) an der UCL arbeitet auch Helen Wilson zu viscoelastischen Strömungen, mit der Gudrun 2016 in Oxford gesprochen hat. Literatur und weiterführende Informationen S. Claus & P. Kerfriden: A stable and optimally convergent LaTIn-Cut Finite Element Method for multiple unilateral contact problems, CoRR, 2017. H. Oertel jr.(Ed.): Prandtl’s Essentials of Fluid Mechanics, Springer-Verlag, ISBN 978-0-387-21803-8, 2004. S. Gross, A. Reusken: Numerical Methods for Two-phase Incompressible Flows, Springer-Verlag, eBook: ISBN 978-3-642-19686-7, DOI 10.1007/978-3-642-19686-7, 2011. E. Burman, S. Claus & A. Massing: A stabilized cut finite element method for the three field Stokes problem. SIAM Journal on Scientific Computing 37.4: A1705-A1726, 2015. Podcasts G. Thäter, R. Hill: Singular Pertubation, Gespräch im Modellansatz Podcast, Folge 162, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. H. Wilson: Viscoelastic Fluids, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 92, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016.

Join host Amy Zellmer as she speaks with TBI survivor Deb Brandon. I was born in England, raised in Israel, Switzerland, and England, and now live in the United States. I’m a math professor at Carnegie Mellon University. I’ve participated nationally and internationally in dragon boating. I’m a mother, a writer, and a respected textile artist. I am also a brain injury survivor. My journey towards reclaiming my life began with three brain surgeries in as many weeks—two carefully planned, the third a terrifying surprise. My essays have appeared in several publications, including the Weave A Real Peace newsletter, where I have a regular column; Dragon Boat World International, Hand/Eye Magazine,and Logan Magazine; and SIAM Journal of Mathematical Analysis and Journal of Integral Equations and Applications. As a speaker, I present programs about brain injury (both my own and the wider scope of brain injury). I am an active blogger and participate in social media platforms including Facebook, discussing brain injury and its impact both in new material through my own Facebook page and by contributing to other sites and posts. Purchase Deb's book on Amazon: http://amzn.to/2EBEDl0 Sponsored by: Minnesota Functional Neurology, DC

Das Gespräch mit Susanne Höllbacher von der Simulationsgruppe an der Frankfurter Goethe-Universität war ein Novum in unserer Podcastgeschichte. Das erste mal hatte sich eine Hörerin gemeldet, die unser Interesse an Partikeln in Strömungen teilte, was sofort den Impuls in Gudrun auslöste, sie zu einem Podcastgespräch zu diesem Thema einzuladen. Susanne hat in der Arbeitsgruppe von Gabriel Wittum in Frankfurt promoviert. Dort werden Finite-Volumen-Verfahren zur Lösung von Partiellen Differentialgleichungen benutzt. Das Verfahren betrifft hier insbesondere die räumliche Diskretisierung: Das Rechengebiet wird in Kontrollvolumen aufgeteilt, in denen durch das Verfahren sichergestellt wird, dass bestimmte Größen erhalten bleiben (z.B. die Masse). Diese Verfahren stammen aus dem Umfeld hyperbolischer Probleme, die vor allem als Erhaltungsgesetze modelliert sind. Diese Gleichungen haben die Eigenschaft, dass Fehler nicht automatisch geglättet werden und abklingen sondern potentiell aufgeschaukelt werden können. Trotzdem ist es möglich, diese numerischen Verfahren ähnlich wie Finite-Elemente-Verfahren als Variationsprobleme zu formulieren und die beiden Familien in der Analyse etwas näher zusammenrücken zu lassen. Gemeinsam ist ihnen ja ohnehin, dass sie auf große Gleichungssysteme führen, die anschließend gelöst werden müssen. Hier ist eine billige und doch wirkungsvolle Vorkonditionierung entscheidend für die Effizienz und sogar dafür, ob die Lösungen durch das numerische Verfahren überhaupt gefunden werden. Hier hilft es, schon auf Modell-Ebene die Eigenschaften des diskreten Systems zu berücksichtigen, da ein konsistentes Modell bereits als guter Vorkonditionierer fungiert. Das Promotionsprojekt von Susanne war es, eine Methode zur direkten numerischen Simulation (DNS) von Partikeln in Fluiden auf Basis eines finite Volumen-Verfahrens zu entwickeln. Eine grundsätzliche Frage ist dabei, wie man die Partikel darstellen möchte und kann, die ja winzige Festkörper sind und sich anders als die Strömung verhalten. Sie folgen anderen physikalischen Gesetzen und man ist geneigt, sie als Kräfte in die Strömung zu integrieren. Susanne hat die Partikel jedoch als Teil des Fluides modelliert, indem die Partikel als finite (und nicht infinitesimal kleine) Volumen mit zusätzlicher Rotation als Freiheitsgrad in die diskreten Gleichungen integriert werden. Damit fügen sich die Modelle für die Partikel natürlich und konsistent in das diskrete System für die Strömung ein. Vorhandene Symmetrien bleiben erhalten und ebenso die Kopplung der Kräfte zwischen Fluid und Partikel ist gewährleistet. Die Nebenbedingungen an das System werden so formuliert, dass eine Sattelpunkt-Formulierung vermieden wird. Die grundlegende Strategie dabei ist, die externen Kräfte, welche bedingt durch die Partikel und deren Ränder wirken, direkt in die Funktionenräume des zugrundeliegenden Operators zu integrieren. In biologischen Systemen mit hoher Viskotität des Fluides fungiert die Wirkung der Partikel auf das Fluid als Informationstransport zwischen den Partikeln und ist sehr wichtig. In der Umsetzung dieser Idee verhielten sich die Simulationen des Geschwindigkeitsfeldes sehr gutartig, aber Susanne beobachtete Oszillationen im Druck. Da sie sich nicht physikalisch erklären ließen, musste es sich um numerische Artekfakte handeln. Bei näherem Hinsehen zeigte sich, dass es vor allem daran lag, dass die Richtungen von Kraftwirkungen auf dem Rand der Partikel im diskreten System nicht sinnvoll approximiert wurden. In den berechneten Lösungen für das Geschwindigkeitsfeld hat sich dies kaum messbar niedergeschlagen. Im Druck zeigte sich jedoch, dass es sich lohnt, hier das numerische Verfahren zu ändern, so dass die Normalenrichtungen auf dem Rand jeweils korrekt sind. Mathematisch heißt das, dass die Ansatzfunktionen so geändert werden, dass deren Freiheitsgrade auf dem Rand liegen. Der Aufwand dafür ist vergleichsweise gering und die Resultate sind überzeugend. Die Oszillationen verschwinden komplett. Der Nachweis der Stabilität des entstehenden Gleichungssystems lässt sich über die inf-sup-Bedingung des orginalen Verfahrens erbringen, da die Konstruktion den Raum in der passenden Weise erweitert. Literatur und weiterführende Informationen S. V. Apte, M. Martin, N. A. Patankar: A numerical method for fully resolved simulation (FRS) of rigid particle–flow interactions in complex flows, Journal of Computational Physics 228, S. 2712–2738, 2009. R. E. Bank, D. J. Rose: Some Error Estimates for the Box Method, SIAM Journal on Numerical Analysis 24, S. 777–787, 1987. Glowinski, R.: Finite element methods for incompressible viscous flow, P. G. Ciarlet, J. L. Lions (Eds.), Handbook of Numerical Analysis IX (North-Holland, Amsterdam), S. 3–1176, 2003. Strang, G.: Wissenschaftlisches Rechnen, Springer-Verlag Berlin Heidelberg, 2010. A. Vogel, S. Reiter, M. Rupp, A. Naegel, G. Wittum: UG 4: A novel flexible software system for simulating PDE based models on high performance computers, Computing and Visualization in Science 16, S. 165–179, 2013. G. J. Wagner, N. Moes, W. K. Liu, T. Belytschko: The extended finite element method for rigid particles in Stokes flow, International Journal for Numerical Methods in Engineering 51, S. 293–313, 2001. D. Wan, S. Turek: Fictitious boundary and moving mesh methods for the numerical simulation of rigid particulate flows, Journal of Computational Physics 222, S. 28–56, 2007. P. Wessling: Principles of Computational Fluid Dynamics, Springer, Series in Computational Mathematics, 2001. J. Xu, Q. Zou: Analysis of linear and quadratic simplicial finite volume methods for elliptic equations, Numerische Mathematik 111, S. 469–492, 2009. X. Ye: On the Relationship Between Finite Volume and Finite Element Methods Applied to the Stokes Equations, Numerical Methods for Partial Differential Equations 17, S. 440–453, 2001. Podcasts T. Henn: Partikelströmungen, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 115, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. http://modellansatz.de/partikelstroemungen L.L.X. Augusto: Filters, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 112, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. http://modellansatz.de/filters L. Adlung: Systembiologie, Gespräch mit G. Thäter und S. Ritterbusch im Modellansatz Podcast, Folge 39, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014. http://modellansatz.de/systembiologie

Join John and special guest Dr. Elizabeth Seiver of PLOS (Public Library of Science) in Austin, TX at the scientific Python (SciPy) conference to talk open science and geek tools! Sorry for the slight echo in the room, we did what we could with the audio! Elizabeth on twitter: @tweetotaler PLOS Alison Gopnik’s Berkeley Lab SciPy 2015 arXiv Figshare Dryad Digital Object Identifier Paywall Polymath Project nvALT Simplenote Drafts TextExpander Keyboard Maestro Alfred App arXiv Citation Study Cameron Neylon's open science blog Reviewer/Authoring Guessing Study VisPy Talk from SciPy Hazel for Mac #FunPaperFriday Keller, Joseph B. “Ponytail motion.” SIAM Journal on Applied Mathematics 70.7 (2010): 2667–2672. Contact us: Show - www.dontpanicgeocast.com - @dontpanicgeo - show@dontpanicgeocast.com John Leeman - www.johnrleeman.com - @geo_leeman Shannon Dulin - @ShannonDulin Keyboard Maestro Todo List: # This week's list   *    ## %ICUDateTimePlus%7%Days%EEE MMMM dd% 1. Create next week's list   ## %ICUDateTimePlus%8%Days%EEE MMMM dd%     ## %ICUDateTimePlus%9%Days%EEE MMMM dd%     ## %ICUDateTimePlus%10%Days%EEE MMMM dd%     ## %ICUDateTimePlus%11%Days%EEE MMMM dd% 1. Weekly review and summary 2. Create next week's plan 3. Read all inbox folders     ## Notes     ## Last week [[To do: %ICUDateTime%yyyy 'Week' ww%]]   ## Next week [[To do: %ICUDateTimePlus%2%Week%yyyy 'Week' ww%]]