Ein zentrales Forschungsfeld unseres Instituts ist die Lösung des inversen Problems in der Elektrischen Impedanztomographie (EIT). Dabei geht es darum, aus elektrischen Messungen an der Oberfläche innere Leitfähigkeitsverteilungen zu rekonstruieren – eine mathematisch wie technisch anspruchsvolle Aufgabe.
Unsere Arbeiten verbinden klassische numerische Methoden mit modernen, Machine-Learning-basierten Ansätzen. So können wir robuste Rekonstruktionen erreichen, die sowohl Stabilität als auch Detailtreue ermöglichen. Neben etablierten Verfahren erforschen wir auch lernbasierte Methoden, die physikalisches Vorwissen mit datengetriebener Modellierung kombinieren.
Darüber hinaus beschäftigen wir uns mit der datengetriebenen Entwicklung von EIT-Sensoren. Auf Grundlage von Sensitivitätsanalysen und Optimierungsalgorithmik untersuchen wir, wie sich Geometrien anpassen und die Stromführung steuern lässt, um die Bildqualität weiter zu steigern. Dadurch können Elektrodenanordnung, Messstrategien und Ansteuerkonzepte gezielt optimiert werden, sodass EIT-Systeme mit maximaler räumlicher Auflösung für spezifische Anwendungen realisiert werden können.
Besonderes Augenmerk legen wir auf eine anwendungsgetriebene Entwicklung, mit einem Schwerpunkt auf Prozesstechnik. Hier erschließen wir neue Möglichkeiten, EIT als zuverlässige und vielseitige Bildgebungstechnologie in industriellen Prozessen nutzbar zu machen.