Computational Engineering - master i teknologi/siv.ing.
Dette er studieprogrambeskrivelsen for studieåret 2022-2023
Vekting (Sp)
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
A master’s degree in computational engineering makes you eligible for the most in demand and interesting tasks in the private or public sector as an engineer, researcher or leader.
You will acquire skills that will enable you to analyse complex real world problems, and to use this insight as a foundation for better decisions to, for example, improve performance, quality, and workflows.
Computational engineers focus on the development and application of mathematical and numerical models to analyse complex and uncertain systems for gaining knowledge and insights into the systems and using these knowledge and insights to support decision making. The main emphasis in computational engineering is on modelling. Data is an important source of understanding systems and can be used to refine models. Thus, a key aspect of computational engineering is to bridge scientific theories and data science in applications.
The career opportunities are multiple and, in a world, where digitalization is becoming increasingly important there is a need for candidates with domain knowledge and computational modelling skills. Many companies, including all major energy and service companies, research institutes and many of their spin-off companies seek this competence.
The program is international and includes Norwegian and foreign students. All courses are taught in English.
The program includes advanced topics in modelling and algorithms, decision analysis, optimization, and uncertainty quantification. Master in Computational Engineering is a post-graduate program that runs over four semesters and covers 120 ECTS, resulting in a master’s degree in computational engineering
Læringsutbytte
Etter å ha fullført masterstudiet i datateknikk skal studenten ha oppnådd følgende læringsutbytte når det gjelder kunnskaper, ferdigheter og generell kompetanse
Avansert 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
S1: 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.
S2: Har detaljert kunnskap og erfaring med programmering i minst ett programmeringsspråk på høyt nivå. Utvikle egne modelleringsprogrammer for spesifikke beslutnings- eller optimaliseringssituasjoner
S3: 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.
S4: 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).
S5: 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
Fagplan
Programme content, structure and composition
After the student is admitted to the 2-years master programme in Computational Engineering, the student must take a test in programming and system administration. If the test is not passed, the University of Stavanger offers and advices the student to take a preparatory summer course in programming and system administration. The course is being taught early in August and before the official semester starts. The purpose of the summer course is to prepare the student for the master’s programme in the best possible way. The University of Stavanger does not consider necessary to offer the preparatory summer course to students who have passed the following courses at the University of Stavanger:
- 10 ECTS in programming and a minimum of 5 ECTS in operating systems.
The master programme in Computational Engineering is a two-year full time study consisting of 120 ECTS. 30 ECTS come from courses that ensure a broad and common basis in modelling, programming and decision making.
The remaining 90 ECTS consist of 60 ECTS from specialization courses and a Master’s thesis of 30 ECTS. The Master thesis is a large, independent project completed in the final semester, often in close cooperation with an external company.
All teaching is in English. The courses have weekly lectures, many courses use mandatory hand-in projects as an active learning strategy and as part of a folder evaluation. You will get training in writing reports and communicate your results to a broader audience. Programming and analysing data is an integral part of most courses. A description of each individual course is provided, detailing:
- Working and teaching methods
- Course literature
- Evaluation methods
- Assessment methods
- Learning outcomes
The master’s thesis (MODMAS) is usually completed in the 4th semester and addresses topics relevant to the study programme. Many students write their thesis with a company or public institution. Planning of the master’s thesis should start in the third semester.
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
Schemes for quality assurance and evaluation of studies are stipulated in the Quality system for education
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
-
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
-
DAT530: Diskret simulering og ytelsesanalyse
Første år, semester 2
-
ELE520: Maskinlæring
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
-
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
-
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
-
-