@inproceedings{StaatDuong2016,
  author    = {Staat, Manfred and Duong, Minh Tuan},
  title     = {Smoothed Finite Element Methods for Nonlinear Solid Mechanics Problems: 2D and 3D Case Studies},
  series = {Proceedings of the National Science and Technology Conference on Mechanical - Transportation Engineering (NSCMET 2016), 13th October 2016, Hanoi, Vietnam, Vol.2},
  booktitle = {Proceedings of the National Science and Technology Conference on Mechanical - Transportation Engineering (NSCMET 2016), 13th October 2016, Hanoi, Vietnam, Vol.2},
  pages     = {440 -- 445},
  year      = {2016},
  abstract  = {The Smoothed Finite Element Method (SFEM) is presented as an edge-based and a facebased techniques for 2D and 3D boundary value problems, respectively. SFEMs avoid shortcomings of the standard Finite Element Method (FEM) with lower order elements such as overly stiff behavior, poor stress solution, and locking effects. Based on the idea of averaging spatially the standard strain field of the FEM over so-called smoothing domains SFEM calculates the stiffness matrix for the same number of degrees of freedom (DOFs) as those of the FEM. However, the SFEMs significantly improve accuracy and convergence even for distorted meshes and/or nearly incompressible materials. Numerical results of the SFEMs for a cardiac tissue membrane (thin plate inflation) and an artery (tension of 3D tube) show clearly their advantageous properties in improving accuracy particularly for the distorted meshes and avoiding shear locking effects.},
  language  = {en}
}
@inproceedings{DuongJungFrotscheretal.2016,
  author    = {Duong, Minh Tuan and Jung, Alexander and Frotscher, Ralf and Staat, Manfred},
  title     = {A 3D electromechanical FEM-based model for cardiac tissue},
  series = {ECCOMAS Congress 2016, VII European Congress on Computational Methods in Applied Sciences and Engineering. Crete Island, Greece, 5-10 June 2016},
  booktitle = {ECCOMAS Congress 2016, VII European Congress on Computational Methods in Applied Sciences and Engineering. Crete Island, Greece, 5-10 June 2016},
  editor    = {Papadrakakis, M.},
  pages     = {13 S.},
  year      = {2016},
  language  = {en}
}
@misc{Schreiber2016,
  author    = {Schreiber, Marc},
  title     = {Mit Maximum-Entropie das Parsing nat{\"u}rlicher Sprache erlernen},
  publisher = {FH Aachen},
  address   = {Aachen},
  pages     = {23 Seiten},
  year      = {2016},
  abstract  = {F{\"u}r die Verarbeitung von nat{\"u}rlicher Sprache ist ein wichtiger Zwischenschritt das Parsing, bei dem f{\"u}r S{\"a}tze der nat{\"u}rlichen Sprache Ableitungsb{\"a}ume bestimmt werden. Dieses Verfahren ist vergleichbar zum Parsen formaler Sprachen, wie z. B. das Parsen eines Quelltextes. Die Parsing-Methoden der formalen Sprachen, z. B. Bottom-up-Parser, k{\"o}nnen nicht auf das Parsen der nat{\"u}rlichen Sprache {\"u}bertragen werden, da keine Formalisierung der nat{\"u}rlichen Sprachen existiert [3, 12, 23, 30]. In den ersten Programmen, die nat{\"u}rliche Sprache verarbeiten [32, 41], wurde versucht die nat{\"u}rliche Sprache mit festen Regelmengen zu verarbeiten. Dieser Ansatz stieß jedoch schnell an seine Grenzen, da die Regelmenge nicht vollst{\"a}ndig sowie nicht minimal ist und wegen der ben{\"o}tigten Menge an Regeln schwer zu verwalten ist. Die Korpuslinguistik [22] bot die M{\"o}glichkeit, die Regelmenge durch Supervised-Machine-Learning-Verfahren [2] abzul{\"o}sen. Teil der Korpuslinguistik ist es, große Textkorpora zu erstellen und diese mit sprachlichen Strukturen zu annotieren. Zu diesen Strukturen geh{\"o}ren sowohl die Wortarten als auch die Ableitungsb{\"a}ume der S{\"a}tze. Vorteil dieser Methodik ist es, dass repr{\"a}sentative Daten zur Verf{\"u}gung stehen. Diese Daten werden genutzt, um mit Supervised-Machine-Learning-Verfahren die Gesetzm{\"a}ßigkeiten der nat{\"u}rliche Sprachen zu erlernen. Das Maximum-Entropie-Verfahren ist ein Supervised-Machine-Learning-Verfahren, das genutzt wird, um nat{\"u}rliche Sprache zu erlernen. Ratnaparkhi [25] nutzt Maximum-Entropie, um Ableitungsb{\"a}ume f{\"u}r S{\"a}tze der nat{\"u}rlichen Sprache zu erlernen. Dieses Verfahren macht es m{\"o}glich, die nat{\"u}rliche Sprache (abgebildet als Σ∗) trotz einer fehlenden formalen Grammatik zu parsen.},
  language  = {de}
}