|
|
@@ -1,11 +1,37 @@
|
|
|
\begin{center}{\sectfont\LARGE \"{U}berblick}\end{center}
|
|
|
|
|
|
-German version of the abstract. \newline\blindtext
|
|
|
-
|
|
|
-\vspace{\fill}
|
|
|
+Deutschland wurde, wie viele andere Länder, von der schweren COVID-19-Pandemie
|
|
|
+betroffen, die im Jahr 2020 begann und bis 2023 andauerte. Die hohe Zahl der
|
|
|
+Infektionen und Todesfälle erfordert eine Analyse. Das kompartimentäre
|
|
|
+SIR-Modell bietet eine Reihe von Metriken für eine solche Analyseaufgabe,
|
|
|
+darunter die Übertragungsrate $\beta$, die Erholungsrate $\alpha$ und die
|
|
|
+Reproduktionszahl $\Rt$. Diese Werte zeigen die Ausbreitung einer Krankheit an
|
|
|
+und können durch die Lösung des maßgeblichen Systems von
|
|
|
+Differentialgleichungen des SIR-Modells ermittelt werden. Ziel dieser Arbeit
|
|
|
+ist es also, diese Parameter und Werte für Deutschland zu finden, indem ein
|
|
|
+datengesteuerter Ansatz zur Lösung der Differentialgleichungen unter Verwendung
|
|
|
+eines physikalisch informierten neuronalen Netzes verwendet wird. Dazu
|
|
|
+nutzen wir die vom Robert-Koch-Institut erhobenen Daten und bereiten sie für
|
|
|
+unsere Zwecke auf. Schließlich zeigen wir, dass unsere Herangehensweise an
|
|
|
+diese Aufgabe zu einem erfolgreichen Ergebnis führt. Trotz der unvollkommenen
|
|
|
+Genauigkeit unserer Methode finden wir eine Korrelation zwischen unseren
|
|
|
+Ergebnissen und den realen Ereignissen während der COVID-19 Pandemie in
|
|
|
+Deutschland, was die Effektivität unserer Methode unterstreicht.
|
|
|
|
|
|
\begin{center}{\sectfont\LARGE Abstract}\end{center}
|
|
|
|
|
|
-English version of the abstract. \newline\blindtext
|
|
|
-
|
|
|
+Germany, like many other countries, was hit by the severe COVID-19 pandemic
|
|
|
+that began in 2020 and continued through 2023. The amounted infection and death
|
|
|
+counts call for an analysis. The compartmental SIR model provides a number of
|
|
|
+metrics for such an analysis task, including the transmission rate $\beta$,
|
|
|
+the recovery rate $\alpha$, and the reproduction number $\Rt$. These values
|
|
|
+demonstrate the propagation of a disease and can be identified by solving the governing system
|
|
|
+of differential equations of the SIR model. Thus the objective of this thesis is
|
|
|
+find these parameters and values for Germany, by employing a data-driven
|
|
|
+approach to solve differential equations utilizing physics-informed neural
|
|
|
+network. Therefor, we use the data which was collected by the Robert Koch
|
|
|
+Institute and preprocess it for our means. Finally, we show, that our approach
|
|
|
+to this task yields successful result. Despite the imperfect accuracy of our
|
|
|
+method, we find a correlation between our results and the real-world events
|
|
|
+during COVID-19 in Germany, which highlights the efficacy of our method.
|
|
|
\cleardoublepage
|
FlipediFlop