Master Thesis in Data Science: Inhaltsbezogene Datenkomprimierung für Distributed Acoustic Sensing (m/w/d)

Distributed Acoustic Sensing (DAS) ermöglicht weitreichende und hochauflösende Messungen entlang optischer Fasern, indem diese in Arrays aus tausenden virtueller Mikrofone umgewandelt werden. Diese Technologie kommt in einer Vielzahl von Anwendungen zum Einsatz, darunter die Überwachung kritischer Infrastrukturen und die Umweltüberwachung. DAS-Systeme generieren jedoch riesige Mengen hochauflösender Daten, was erhebliche Herausforderungen für die Speicherung, Übertragung und Echtzeitverarbeitung mit sich bringt.

• Entwickle eine inhaltbezogene Datenkomprimierungsmethode für Distributed Acoustic Sensing (DAS)-Daten, die sich dynamisch an die Eigenschaften des Signals anpasst, um die Datenreduktion zu maximieren und gleichzeitig die für nachgelagerte Machine-Learning-Aufgaben (ML) erforderlichen wesentlichen Informationen erhält.
• Bewertung der entwickelten Methode anhand von Benchmark-DAS-Datensätzen, die verschiedene Ereignisse und Aktivitäten enthalten.
• Training und Validierung von ML-Modellen für die Ereignisklassifizierung unter Verwendung der dekomprimierten Daten.

Integration eines funktionierenden Software-Prototyps in die Datenextraktionspipeline von AP Sensing, der cloudbasierte Speicherung und Übertragung unterstützt.