Studenti budou umět:

• zvolit vhodný typ matematického modelu pro řešení problému

• sestavit bilanční rovnice hmoty, energie a hybnosti pro složitější dynamické systémy

• implementovat jednodušší matematické modely v prostředí Matlab

Students will be able to:

• select appropriate mathematical modeling technique for specific problem solving

• establish mass, energy, and momentum balance equations for complex dynamic systems

• implement simple mathematical models in Matlab environment

Vypracování projektu založeného na implementaci zadaného matematického modelu a jeho obhajoba.

Project based on development of mathematical model of specified system and successful project discussion.

Z: Ingham J., Dunn I. J., Heinzle E., Přenosil J. E.: Chemical Engineering Dynamics - Modelling with PC Simulation, VCH, Wienheim 1994.

D: Hickey A. J., Ganderton D: Pharmaceutical Process Engineering, Marcel Dekker 2001.

D: Fogler H. S.: Elements of Reaction Engineering, Prentice Hall, New Jersey 2000.

R: Ingham J., Dunn I. J., Heinzle E., Přenosil J. E.: Chemical Engineering Dynamics - Modelling with PC Simulation, VCH, Wienheim 1994.

A: Hickey A. J., Ganderton D: Pharmaceutical Process Engineering, Marcel Dekker 2001.

A: Fogler H. S.: Elements of Reaction Engineering, Prentice Hall, New Jersey 2000.

1. Matematické modely, rozdělení modelů

2. Empirické a mechanistické modely - rozdíl v interpretaci

3. Modely proudění tekutin, ideální a neideální tok

4. Modely sdílení tepla a hmoty

5. Modely složitějších reakčních systémů a systémů s heterogenní katalýzou

6. Modelování procesů zahrnujících partikulární látky

7. Základy optimalizace

8. Identifikace parametrů matematických modelů

9. Posouzení adekvátnosti matematických modelů

10. Umělé neuronové sítě, fuzzy modely

11. Probabilistické modely

1. Introduction to matematical models, types of models

2. Empirical and mechanistical models

3. Modeling fluid dynamics

4. Heat and mass transfer models

5. Models of complex reaction systems and heterogeneous catalytic systems

6. Models of processes involving particulate solids

7. Models optimization

8. Identification of mathematical model parameters

9. Model discrimination

10. Artificial neural networks

11. Probabilistic models