Systematische Aufbereitung experimenteller Labordaten zur Entwicklung von
Machine-Learning-Modellen in der Brandforschung
Machine-Learning | Data Mining | Auswertung von Labordaten | Brandforschung
Kontext – Relevanz
Die Nutzung experimentell gewonnener Labordaten für Machine-Learning-Anwendungen in der
Brandforschung stellt ein bislang kaum erschlossenes Forschungsfeld dar. Zwar werden in experimentellen
Studien umfangreiche und qualitativ hochwertige Datensätze generiert, deren systematische Aufbereitung
und weiterführende Nutzung bleibt jedoch häufig aus. Entsprechend liegt ein signifikanter, bislang
ungenutzter Datenschatz vor. Dessen erstmalige strukturierte Erschließung eröffnet das Potenzial,
datengetriebene Modelle zu entwickeln und somit neue, objektivierbare Erkenntnisse für die
Brandforschung zu gewinnen.
Erkenntnisinteresse – Zieldefinition – Art der Arbeit
Ziel dieser Arbeit ist die systematische Erschließung und Aufbereitung experimentell erhobener Labordaten
in der Brandforschung, um deren Nutzbarkeit für Machine-Learning-Anwendungen zu ermöglichen. Dabei
soll ein strukturierter Ansatz zur Vereinheitlichung heterogener Datensätze entwickelt werden, der die
Grundlage für datengetriebene Analysen und Modellierungen schafft. Darüber hinaus sollen erste
Auswertungen durchgeführt werden, um das Erkenntnispotenzial der aufbereiteten Daten aufzuzeigen und
deren Anschlussfähigkeit an bestehende Datenbanksysteme zu prüfen.
• RQ1: Welche ersten Erkenntnisse lassen sich durch eine explorative Auswertung der aufbereiteten
Daten gewinnen?
• MQ1: Welche Methoden eignen sich zur Vereinheitlichung und Strukturierung heterogener und
unstandardisierter Datensätze?
• MQ2: Inwiefern können die aufbereiteten Daten in bestehende Datenbanksysteme integriert und
langfristig verfügbar gemacht werden?
Methodik – Arbeitspakete
1. Datensichtung und -verständnis: Analyse vorhandener Labordaten (Struktur, Qualität, Formate)
2. Datenstandardisierung: Vereinheitlichung von Einheiten, Bezeichnungen und Formaten
3. Datenintegration: Zusammenführung heterogener Datensätze in ein konsistentes Schema
4. Feature Engineering: Ableitung relevanter Merkmale für Machine Learning
5. Explorative Datenanalyse: Identifikation erster Muster, Trends und Zusammenhänge
6. Datenbankanbindung: Strukturierte Ablage und Prüfung der Integration in bestehende Systeme
Erkenntnisgewinn
Die Arbeit vermittelt die Fähigkeit, heterogene experimentelle Labordaten systematisch zu analysieren, zu
strukturieren und für Machine-Learning-Anwendungen aufzubereiten. Dabei wird ein vertieftes Verständnis
für Datenqualitätsaspekte, Standardisierungsansätze sowie Methoden des Feature Engineerings
entwickelt. Darüber hinaus fördert die Arbeit die Kompetenz, aus unstrukturierten Datensätzen relevante
Informationen zu extrahieren und erste datengetriebene Erkenntnisse abzuleiten. Die Auseinandersetzung
mit der Integration in Datenbanksysteme stärkt zudem das Verständnis für nachhaltige Datenhaltung und
die praktische Umsetzung datenbasierter Forschungsansätze.
Betreuung – Beginn
Bewerbungsende:
24.09.2026
Christian Benkert
christian.benkert@tum.de
