MIDS Logo

Herzlich Willkommen auf der Seite
der Professur für Datenassimilation

Um Unwetterereignisse oder das Abschmelzen des Eises in der Arktis vorhersagen zu können, müssen Informationen in Form von heterogenen Daten mit numerischen Modellen dynamischer Systeme verbunden werden. Dies geschieht durch die Datenassimilation, die es ermöglicht, Prozesse besser zu untersuchen und ihre weitere Entwicklung vorherzusagen.  Im Bereich der Datenassimilation beschäftigt sich die Professur mit der Fortentwicklung von Data Science Algorithmen durch die Einbeziehung von physikalischen Erhaltungsgesetzen und der Lösung entsprechend großer  Optimierungsprobleme in den Umweltwissenschaften.  Die Quantifizierung der Unsicherheiten von Vorhersagen, numerischen Modellen und Beobachtungen spielt hier ebenfalls eine zentrale Rolle. 

Über uns

Prof. Janjic stellt sich und den Lehrstuhl vor

Vorschaubild Tijana Janjic

Bitte beachten Sie: Durch Klicken auf die Bildfläche geben Sie Ihre Einwilligung, dass Videoinhalte von YouTube nachgeladen, Cookies von YouTube/Google auf Ihrem IT-System gespeichert und personenbezogene Daten wie Ihre IP-Adresse an Google weitergegeben werden. Klicken Sie nach Beendigung des Videoinhaltes auf ein anderes Video, öffnet sich in einem neuen Tab Ihres Browsers YouTube und erfasst weitere Daten von Ihnen. Weitere Informationen finden Sie in unseren Datenschutzhinweisen und unter Google Privacy .

Neuigkeiten aus der Mathematik

Erfolgreiche Promotion von Dr. Daniel Müllerklein

Wir freuen uns über die erfolgreiche Disputation von Daniel Müllerklein.

Unter der Betreuung von Prof. Pirmin Fontaine leistete Daniel einen bedeutenden Beitrag im Bereich des resilienten Supply Chain Managements. Er entwickelte innovative, datengetriebene Lösungsansätze für strategische, taktische und operative Entscheidungen. Dabei setzte er fortgeschrittene kombinatorische Optimierungsverfahren wie z. B. Benders Dekomposition, neue Machine-Learning-Algorithmen sowie Heuristiken ein. Anhand von praxisnahen Daten konnte er die Anwendbarkeit seines methodischen Frameworks eindrucksvoll aufzeigen. Daniel setzt seine Karriere nun im familiengeführten Borne Firmengruppe als Geschäftsführer fort. Wir wünschen ihm für seine berufliche Zukunft alles Gute – und stets eine resiliente Supply Chain im Unternehmen.

Seine Dissertation führte zu vier wissenschaftlichen Artikeln. Einer davon ist bereits im European Journal of Operational Research (VHB: A) veröffentlicht. Zwei weitere befinden sich derzeit im Begutachtungsprozess in zwei führenden Fachzeitschriften (beide VHB: A).

  • Müllerklein, D., & Fontaine, P. (2025). Resilient transportation network design with disruption uncertainty and lead times. European Journal of Operational Research, 322(3), 827-840.
  • Müllerklein, D., Fontaine, P., & Ortmann, J. (2025). A Cost Focused Machine Learning framework for replenishment decisions under transportation cost uncertainty. Working Paper.
  • Müllerklein, D., & Fontaine, P., 2025. On product characteristics in a two-echelon resilient network design. Working Paper.
  • Müllerklein, D., 2025. A seven-step supply chain resilience framework for mitigating waterborne disruptions in transportation network design. Working Paper.

Mathematisches Institut für Maschinelles Lernen und Data Science

Logo MIDS

Die Heisenberg Professur ist Teil des Mathematischen Instituts für Maschinelles Lernen und Data Science, kurz MIDS.
Finden Sie alle Informationen rund um das MIDS hier.