Computational Engineering - master i teknologi/siv.ing.
Dette er studieprogrambeskrivelsen for studieåret 2023-2024
Vekting (stp)
120
Studieprogramkode
M-COMPEN
Studienivå
Mastergrad iht §3, 2 år
Fører til grad
Master of Science
Heltid/deltid
Heltid
Varighet
4 Semestre
Grunnstudium
Nei
Undervisningsspråk
Engelsk
Har du en bachelor i ingeniørfag (eller tilsvarende) og ønsker kompetanse om hvordan du kan kombinere moderne maskinlæringsteknikker og tradisjonelle beregningsteknikker for å løse ingeniørutfordringer så er dette studiet for deg. I dette studiet vil du lære hvordan du anvender matematiske og numeriske modeller for å analysere komplekse og usikre systemer. Innsikten brukes for å ta bedre beslutninger om forbedret ytelse, kvalitet og arbeidsflyt.
I studiet vil du møte studenter med ulik ingeniørbakgrunn. Vi har tre obligatoriske emner der fokus er på modellering, programmering og beslutningsstøtte. I emne våre bruker vi prosjektarbeid, og du vil få muligheter til å jobbe med realistiske problemstillinger og lære hvordan du fremstiller og kommuniserer resultatene profesjonelt. Resten av programmet består av anbefalte valgemner, der du kan velge emner som passer best dine interesser og/eller ingeniørbakgrunn.
Studiet er internasjonalt, hvor norske og utenlandske studenter studerer sammen. Alle emnene undervises på engelsk. Masterprogrammet introduserer, illustrerer og diskuterer en metodikk som bygger på matematikk, statistikk og grunnleggende programmering fra et bachelorprogram i ingeniør- eller realfag.
Programmet inkluderer avanserte emner innen:
- modellering og algoritmer
- beslutningsanalyse
- optimalisering og usikkerhetskvantifisering
Det er en stor etterspørsel etter denne kompetansen i samfunnet. Flere av våre studenter får relevante jobbtilbud før de har fullført masterprogrammet. Noen jobber med dataanalyser, noen med å utvikle og teste programmer, mens andre igjen jobber som ingeniør.
Studiet går over fire semestre og dekker 120 studiepoeng, og resulterer i en mastergrad i Computational Engineering.
Studentene på dette studieprogrammet har ulik ingeniørfaglig bakgrunn, og Universitetet i Stavanger tilbyr derfor et forberedende kurs i programmering og systemadministrasjon. Dette gir en grunnleggende innføring i kunnskaper og ferdigheter som studentene vil ha behov for i studieløpet sitt på Computational Engineering. Praktisk informasjon om dette gis i forkant av første semester.
Masterprogrammet i Computational Engineering er et toårig studium og utgjør 120 studiepoeng. 30 av studiepoengene består av emner som sikrer en grunnleggende felles basis i modellering, programmering og beslutningsanalyse. De resterende 90 studiepoengene består av 60 studiepoeng spesialiseringsemner, og en masteroppgave på 30 studiepoeng. Masteroppgaven er et større, individuelt prosjekt som gjennomføres I det siste semesteret, ofte i samarbeid med en ekstern bedrift. All undervisning gis på engelsk. Emnene har ukentlige forelesninger, og vurderingsformene I emnene er varierte. Du vil få øvelse i å skrive rapporter og kommunisere resultatene dine til et bredere publikum.
Hvert emne i programmet har en detaljert beskrivelse, som opplyser om:
- Arbeids- og undervisningsmetoder
- Pensumlitteratur
- Vurderingsformer
- Læringsutbytte
Masteroppgaven (MODMAS) gjennomføres vanligvis i det fjerde semesteret, og skal ta for seg et temaområde som er relevant for studieprogrammet. Mange studenter skriver oppgaven sin i samarbeid med en ekstern bedrift. Planleggingen av masteroppgaven skjer I det tredje semesteret.
Læringsutbytte
En kandidat med fullført og bestått toårig mastergrad i Computational Engineering skal ha følgende samlede læringsutbytte definert i form av kunnskap, ferdigheter og generell kompetanse:
Kunnskap
K1: Kan demonstrere kompetanse innenfor usikkerhetskvantifisering og avansert modellering for beslutningsstøtte. Dette innebærer at kandidaten har evnen til å utvikle matematiske modeller som tar høyde for usikkerhet i ufullstendige data og informasjon. Modellene skal gi grunnlag for forbedret forståelse og tolkning av data samt for beslutningsstøtte.
K2: Har kunnskap om flere matematiske og datavitenskapelige modeller slik at man kan bestemme passende matematisk formulering for å beskrive et system.
K3: Har kunnskap om numeriske løsningsmetoder slik at man kan kvantifisere begrensninger i de matematiske modellene og de numeriske feilene introdusert av løsningsmetodene.
Ferdigheter
F1: Kan analysere, og være kritisk til ulike informasjonskilder og anvende disse kildene til å strukturere og formulere faglige og vitenskapelige resonnementer i henhold til modellering, usikkerhetskvantifisering, simulering, optimalisering og beslutningsstøtte.
F2: Har detaljert kunnskap og erfaring med programmering i minst ett programmeringsspråk på høyt nivå. Utvikle egne modelleringsprogrammer for spesifikke beslutnings- eller optimaliseringssituasjoner
F3: Kan samle, analysere og kritisk vurdere egnede datasett for å teste modeller. Juster modellparametere ved å bruke data og ekspertkunnskap. Utfør sensitivitetsanalyse av modellparametere for å gi ytterligere innsikt og forståelse.
F4: Er i stand til å finne den rette balansen mellom en modells nytteverdi (hvor troverdig er forståelsen som modellen gir) og håndterbarhet (enhver analyse må gjennomføres innenfor gitte tids- og ressursbegrensninger).
F5: Kan gjennomføre et selvstendig, avgrenset forsknings- eller utviklingsprosjekt under veiledning og i henhold til gjeldende normer for forskningsetikk.
Generell kompetanse
G1: Kan utvikle hypoteser og foreslå systematiske måter å teste disse på ved hjelp av matematiske modeller.
G2: Kan kommunisere på en profesjonell måte om vitenskapelige problemer, beslutninger, resultater av data, usikkerhet og modelleringsanalyse – både til spesialister og til allmennheten.
G3: Kan bruke matematisk modellering som et verktøy i et bredt spekter av problemer og anvendelser innen ulike fagområder og bidra til innovasjon.
G4: Kan analysere relevante akademiske, faglige og forskningsetiske problemstillinger
Hva kan du bli?
Økt automatisering, robotisering, mer bruk av simuleringsmodeller og tilgang til store datamengder endrer de tradisjonelle ingeniørarbeidsoppgavene. Computational Engineers er godt egnet til å ta i bruk og bidra til digitalisering av de nye arbeidsoppgavene, fordi de har spesifikk kunnskap om de interiørmessige aspektene (domenekunnskap), programmering og modelleringskompetanse for å ta nødvendige digitaliseringsskritt.
Flere av våre studenter får relevante jobbtilbud før de har fullført mastergraden. Noen jobber med dataanalyser, noen utvikler og tester programmer, mens andre jobber som ingeniører.
En mastergrad i Computational Engineering gir et solid grunnlag for opptak til PhD-studier innen de områdene som er relevante for den valgte akademiske fordypningen, som informatikk, energi, anvendt matematikk og fysikk.
Emneevaluering
Ordninger for kvalitetssikring og evaluering av studier er fastsatt i kvalitetssystem for utdanning
Studieplan og emner
Oppstartssemester:
-
Obligatoriske emner
-
MODMAS: Masteroppgave i Computational Engineering
Andre år, semester 3
-
-
3. semester ved UiS eller utveksling
-
Emner ved UiS 3. semester
-
Anbefalte valgemner 3. semester
-
GEO506: Reservoir Modelling and Simulation
Andre år, semester 3
-
GEO620: Utvikle forsknings- og presentasjonsferdigheter
Andre år, semester 3
-
PET685: Investerings- og beslutningsanalyse for ingeniører
Andre år, semester 3
Investerings- og beslutningsanalyse for ingeniører (PET685)
Studiepoeng: 10
-
STA530: Statistisk læring
Andre år, semester 3
-
-
Andre valgemner 3. semester
-
DAT530: Diskret simulering og ytelsesanalyse
Andre år, semester 3
-
DAT540: Introduksjon til datavitenskap
Andre år, semester 3
-
GEO608: Integrert reservoarstyring: fra data til beslutninger
Andre år, semester 3
Integrert reservoarstyring: fra data til beslutninger (GEO608)
Studiepoeng: 10
-
GEO680: Practical Training in Computational Engineering or Energy, Reservoir and Earth Sciences
Andre år, semester 3
Practical Training in Computational Engineering or Energy, Reservoir and Earth Sciences (GEO680)
Studiepoeng: 10
-
MSK540: Elementmetoder, videregående kurs
Andre år, semester 3
-
STA510: Statistisk modellering og simulering
Andre år, semester 3
-
-
-
Utveksling 3. semester
-
3. semester utveksling
-
-
-
Obligatoriske emner
-
MOD500: Modeling for Decision Insight
Første år, semester 1
-
MOD510: Modeling and Computational Engineering
Første år, semester 1
-
MOD600: Matematisk og numerisk modellering av konserveringsligninger
Første år, semester 2
Matematisk og numerisk modellering av konserveringsligninger (MOD600)
Studiepoeng: 10
-
MODMAS: Masteroppgave i Computational Engineering
Andre år, semester 3
-
-
Anbefalte valgemner
-
DAT540: Introduksjon til datavitenskap
Første år, semester 1
-
PET685: Investerings- og beslutningsanalyse for ingeniører
Første år, semester 1
Investerings- og beslutningsanalyse for ingeniører (PET685)
Studiepoeng: 10
-
MOD550: Applied Data Analytics and Statistics for Spatial and Temporal Modeling
Første år, semester 2
Applied Data Analytics and Statistics for Spatial and Temporal Modeling (MOD550)
Studiepoeng: 10
-
MSK610: Beregningsassistert fluiddynamikk (CFD)
Første år, semester 2
-
PET575: Modellering og kontroll for automatiseringsprosesser
Første år, semester 2
Modellering og kontroll for automatiseringsprosesser (PET575)
Studiepoeng: 10
-
-
Andre valgemner 1 og 2. semester
-
ENE210: Matematisk og numerisk modellering av batteri
Første år, semester 1
-
PET510: Modellering av reservoar og brønnstrømning
Første år, semester 1
-
STA500: Sannsynlighetsregning og statistikk 2
Første år, semester 1
-
ELE520: Maskinlæring
Første år, semester 2
-
GEO506: Reservoir Modelling and Simulation
Første år, semester 2
-
MAT320: Differensialligninger
Første år, semester 2
-
-
3. semester ved UiS eller utveksling
-
Emner ved UiS 3. semester
-
Anbefalte valgemner 3. semester
-
ELE510: Bildebehandling og maskinsyn
Andre år, semester 3
-
GEO608: Integrert reservoarstyring: fra data til beslutninger
Andre år, semester 3
Integrert reservoarstyring: fra data til beslutninger (GEO608)
Studiepoeng: 10
-
GEO620: Utvikle forsknings- og presentasjonsferdigheter
Andre år, semester 3
-
STA530: Statistisk læring
Andre år, semester 3
-
-
Andre valgemner 3. semester
-
DAT530: Diskret simulering og ytelsesanalyse
Andre år, semester 3
-
DAT540: Introduksjon til datavitenskap
Andre år, semester 3
-
GEO680: Practical Training in Computational Engineering or Energy, Reservoir and Earth Sciences
Andre år, semester 3
Practical Training in Computational Engineering or Energy, Reservoir and Earth Sciences (GEO680)
Studiepoeng: 10
-
MSK540: Elementmetoder, videregående kurs
Andre år, semester 3
-
PET685: Investerings- og beslutningsanalyse for ingeniører
Andre år, semester 3
Investerings- og beslutningsanalyse for ingeniører (PET685)
Studiepoeng: 10
-
STA510: Statistisk modellering og simulering
Andre år, semester 3
-
-
-
Utveksling 3. semester
-
3. semester utveksling
-
-