In der Hochschulbibliographie werden seit 1994 erschienene und der Universitätsbibliothek gemeldete Publikationen von Angehörigen der Universität Erfurt nachgewiesen, die im Zusammenhang mit einer Tätigkeit an der Universität Erfurt entstanden sind.
Die Hochschulbibliographie (ehemals Jahrbuch der TUM) verzeichnet wissenschaftliche Veröffentlichungen von Angehörigen der Technischen Universität München seit 1970. Es wird von der Universitätsbibliothek redaktionell betreut.
Die Hochschulbibliographie der TU Dortmund dient dem Nachweis von Publikationen der Angehörigen der TU Dortmund. Dabei wird Vollständigkeit angestrebt.
In der Hochschulbibliografie werden laufend die Publikationen der an der Universität beschäftigten Wissenschaftlerinnen und Wissenschaftler bibliografisch erfasst und im Online-Katalog vollständig nachgewiesen.
Die Universitätsbibliographie ist der zentrale Publikationsnachweis der Universität Duisburg-Essen, der online die Publikationstätgkeit der Hochschulangehörigen verzeichnet.
Das Kompetenzzentrum Bibliometrie ist ein institutionenübergreifender Verbund, um auf der Basis der zur Verfügung stehenden Dateninfrastruktur einen Beitrag zur Fortentwicklung der Bibliometrie und deren Anwendbarkeit zu leisten.
D. Holzmüller, V. Zaverkin, J. Kästner, und I. Steinwart. Software, (2023)Related to: David Holzmüller, Viktor Zaverkin, Johannes Kästner, and Ingo Steinwart. A Framework and Benchmark for Deep Batch Active Learning for Regression, 2023. arXiv: 2203.09410.
M. Gültig, J. Range, B. Schmitz, und J. Pleiss. Software, (2022)Related to: Gültig, M., Range, J. P., Schmitz, B., & Pleiss, J. (2022). Integration of Simulated and Experimentally Determined Thermophysical Properties of Aqueous Mixtures by ThermoML. Journal of Chemical & Engineering Data,. doi: 10.1021/acs.jced.2c00391.
M. Gültig, J. Range, B. Schmitz, und J. Pleiss. Software, (2022)Related to: Gültig, M., Range, J. P., Schmitz, B., & Pleiss, J. (2022). Integration of Simulated and Experimentally Determined Thermophysical Properties of Aqueous Mixtures by ThermoML. Journal of Chemical & Engineering Data,. doi: 10.1021/acs.jced.2c00391.
S. Gravelle, C. Holm, und A. Schlaich. Software, (2023)Related to: Simon Gravelle, Sabina Haber-Pohlmeier, Carlos Mattea, Siegfried Stapf, Christian Holm and Alexander Schlaich: NMR Investigation of Water in Salt Crusts: Insights from Experiments and Molecular Simulations, ChemRxiv, 2023. doi: 10.26434/chemrxiv-2023-6dml7.
M. Ruf, und H. Steeb. Dataset, (2023)Related to: Ruf, M., Lee, D., & Steeb, H. (2023). A multifunctional mechanical testing stage for micro X-ray computed tomography. Review of Scientific Instruments, 94, 085115. doi: 10.1063/5.0153042.
M. Ruf, M. Balcewicz, E. Saenger, und H. Steeb. Dataset, (2021)Related to: Balcewicz, M., Siegert, M., Gurris, M., Ruf, M., Krach, D., Steeb, H., & Saenger, E.H. (2021). Digital rock physics: A geological driven workflow for the segmentation of anisotropic Ruhr sandstone. Frontiers in Earth Science (under review).
T. Praditia. Dataset, (2020)Related to: Praditia, T., Walser, T., Oladyshkin, S. and Nowak, W.: Improving Thermochemical Energy Storage dynamics forecast with Physics-Inspired Neural Network architecture. Energies 2020.
J. Magiera. Dataset, (2024)Related to: Jim Magiera, Deep Ray, Jan S. Hesthaven, Christian Rohde, Constraint-aware neural networks for Riemann problems, Journal of Computational Physics, Volume 409, 2020, 109345. doi: 10.1016/j.jcp.2020.109345.
M. Takamoto, T. Praditia, R. Leiteritz, D. MacKinlay, F. Alesiani, D. Pflüger, und M. Niepert. Dataset, (2022)Related to: Takamoto, M., Praditia, T., Leiteritz, R., MacKinlay, D., Alesiani, F., Pflüger, D. and Niepert, M.: PDEBench: An Extensive Benchmark for Scientific Machine Learning. submitted to the 36th Conference on Neural Information Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks.
V. Zaverkin, D. Holzmüller, L. Bonfirraro, und J. Kästner. Dataset, (2023)Related to: Viktor Zaverkin, David Holzmüller, Luca Bonfirraro, Johannes Kästner. Transfer learning for chemically accurate interatomic neural network potentials, Phys. Chem. Chem. Phys., 2023, 25, 5383-5396. doi: 10.1039/D2CP05793J.
M. Ruf, K. Taghizadeh Bajgirani, und H. Steeb. Dataset, (2023)Related to: Taghizadeh, K., Ruf, M., Luding, S., & Steeb, H. (2023). X-ray 3D imaging–based microunderstanding of granular mixtures: Stiffness enhancement by adding small fractions of soft particles. Proceedings of the National Academy of Sciences, 120(26), e2219999120. doi: 10.1073/pnas.2219999120.
A. Schlaich. Dataset, (2023)Related to: The possible role of lipid bilayer properties in the evolutionary disappearance of betaine lipids in seed plants. Bolik Stéphanie, Schlaich Alexander, Mukhina Tetiana, Amato Alberto, Bastien Olivier, Schneck Emanuel, Demé Bruno, Jouhet Juliette. bioRxiv 2023.01.24.525350. doi: 10.1101/2023.01.24.525350.
S. Hermann. Dataset, (2022)Related to: Hermann, S., Fehr, J. Documenting research software in engineering science. Sci Rep 12, 6567 (2022). doi: 10.1038/s41598-022-10376-9.