{"id":3132,"date":"2026-03-02T14:15:44","date_gmt":"2026-03-02T13:15:44","guid":{"rendered":"https:\/\/www.hsu-hh.de\/imb\/?page_id=3132"},"modified":"2026-04-08T11:54:59","modified_gmt":"2026-04-08T09:54:59","slug":"materialwissenschaften-und-raeumliche-modelle","status":"publish","type":"page","link":"https:\/\/www.hsu-hh.de\/imb\/materialwissenschaften-und-raeumliche-modelle","title":{"rendered":"Materialwissenschaften und R\u00e4umliche Modelle"},"content":{"rendered":"\n

Kontakt: Cec\u00edlia Coelho<\/p>\n\n\n\n


Moderne Materialien und technische Systeme sind durch multiskalige raum-zeitliche Dynamiken, nichtlokale Effekte sowie komplexe physikalische Randbedingungen gepr\u00e4gt. Diese Eigenschaften stellen klassische Simulationsmethoden ebenso wie rein datengetriebene Ans\u00e4tze vor erhebliche Herausforderungen. Reine Black-Box-Modelle sind h\u00e4ufig nicht in der Lage, zugrunde liegende physikalische Gesetzm\u00e4\u00dfigkeiten zuverl\u00e4ssig abzubilden, Unsicherheiten zu quantifizieren oder dom\u00e4nenspezifisches Wissen in sicherheitskritischen Anwendungen zu integrieren. Unsere Forschung entwickelt mathematisch fundierte Machine-Learning-Methoden durch die Kombination von Scientific Machine Learning, beschr\u00e4nkter Optimierung, generativen Modellen und Unsicherheitsquantifizierung. Ziel ist die Entwicklung vertrauensw\u00fcrdiger Surrogatmodelle, digitaler Zwillinge und datenbasierter Entscheidungsverfahren f\u00fcr Anwendungen in Materialwissenschaften, Fertigung und physikalischen Systemen. Beispiele unserer Forschung umfassen neuronale Netze zur Approximation fraktionaler Differentialgleichungen, Methoden zur Integration von Vorwissen in neuronale Netze, schnelle Inferenzverfahren f\u00fcr 2D\/3D-generative KI mit diskreter und kontinuierlicher physikalischer Konditionierung, physics-informed neural networks f\u00fcr dateneffiziente Modellierung von Branddynamiken, unsicherheitsbewusste Bayes\u2019sche Kraftfelder mit Active Learning f\u00fcr zuverl\u00e4ssige atomare Materialsimulationen sowie Anomalieerkennung in Betonstrukturen.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n\n\n\n
<\/div>\n\n\n\n

Forschungsrichtung 1: Scientific Machine Learning f\u00fcr physikalische Systeme<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n


Physikalische Systeme unterliegen strukturellen
Randbedingungen, Erhaltungsgesetzen und zugrunde
liegenden Differentialgleichungen, die
auch dann erf\u00fcllt bleiben m\u00fcssen, wenn Modelle
aus Daten gelernt werden. Daher kombinieren
wir Differentialgleichungsmodellierung,
beschr\u00e4nkte Optimierung und Machine Learning,
um Modelle zu entwickeln, die eine hohe
Vorhersagegenauigkeit mit physikalischer Konsistenz
verbinden. <\/p>\n\n\n\n

Lernprobleme werden als strukturierte Optimierungsprobleme formuliert, in denen Vorwissen physikalische Nebenbedingungen und Dom\u00e4nenexpertise direkt in den Lernprozess integriert werden. Dadurch wird eine robuste Modellierung auch bei begrenzter Datenverf\u00fcgbarkeit erm\u00f6glicht und eine theoretische
Grundlage f\u00fcr vertrauensw\u00fcrdige KI-Methoden
geschaffen, die in den Forschungsaktivit\u00e4ten der
Gruppe Anwendung finden.<\/p>\n<\/div><\/div>\n\n\n\n

Coelho, C.; Costa, M. F. P.; & Ferr\u00b4as, L. L. (2025). A Two-Stage Training Method for Modeling Constrained Systems With Neural Networks. Journal of Forecasting, 44(5), 1785-1805. https:\/\/doi.org\/10.1002\/for.3270<\/a><\/p>\n\n\n\n


Liebert, A., Palani, A., Rensmeyer, T., Breuer, M., & Niggemann, O. (2024). CNN-based temperature dynamics approximation for burning rooms. IFAC-PapersOnLine, 58(4), 420-425. https:\/\/doi.org\/10.1016\/j.ifacol.2024.07.254<\/a>
<\/p>\n\n\n\n

Rensmeyer, T., Multaheb, S., Putzke, J., & Zimmering, B. (2022). Using Domain-Knowledge to Improve Machine Learning: A Survey of Recent Advances. atp magazin, 64(8), 78-84. https:\/\/doi.org\/10.17560\/atp.v63i9.2600<\/a><\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

Forschungsrichtung 2: Lernen raumzeitlicher Prozesse<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n


Viele physikalische und technische Systeme weisen Ged\u00e4chtniseffekte, nichtlokale Wechselwirkungen und Dynamiken auf, die sich \u00fcber mehrere Zeitskalen entwickeln. Unsere Forschung entwickelt neuronale Netzwerkarchitekturen zur Modellierung sequentieller Abh\u00e4ngigkeiten und zeitlicher Dynamiken direkt aus Daten. Dazu geh\u00f6ren Convolutional Neural Networks zur raum-zeitlichen Merkmalsextraktion, Recurrent Neural Networks zur Modellierung sequentieller Abh\u00e4ngigkeiten sowie Neural Differential Equations f\u00fcr kontinuierliche Tiefenmodelle. Klassische Differentialgleichungen ganzzahliger Ordnung sind h\u00e4ufig nicht ausreichend, um langreichweitige zeitliche Korrelationen und nichtlokale Effekte physikalischer Prozesse zu beschreiben. Daher liegt ein Schwerpunkt unserer Forschung auf fraktionaler Analysis und deren Integration in Machine-Learning-Modelle als einheitlicher mathematischer Rahmen zur Beschreibung komplexer Dynamiken. Fraktionale Modelle bieten einen mathematisch fundierten Ansatz zur Beschreibung von Diffusionsprozessen, Materialverhalten, thermischen Dynamiken und komplexen physikalischen Wechselwirkungen, die sich mit Markov\u2019schen Modellen nicht ad\u00e4quat erfassen lassen.<\/p>\n\n\n\n

<\/p>\n<\/div><\/div>\n\n\n\n

Coelho, C., Costa, M. F. P., & Ferr\u00b4as, L. L. (2025). Neural fractional differential equations. Applied Mathematical Modelling, 144, 116060. https:\/\/doi.org\/10.1016\/j.apm.2025.116060<\/a><\/p>\n\n\n\n

Coelho, C., Costa, M. F. P., Niggemann, O., & Ferr\u00b4as, L. L. (2025). Methodologies for Improved Optimisation of the Derivative Order and Neural Network Parameters in Neural FDE Models. Fractal and Fractional, 9(7), 471. https:\/\/doi.org\/10.3390\/fractalfract9070471<\/a><\/p>\n\n\n\n

Liebert, A., Palani, A., Rensmeyer, T., Breuer, M., & Niggemann, O. (2024). CNN-based temperature dynamics approximation for burning rooms. IFAC-PapersOnLine, 58(4), 420- 425. https:\/\/doi.org\/10.1016\/j.ifacol.2024.07.254<\/a><\/p>\n\n\n\n

Eilermann, S., L\u00fcddecke, L., Hohmann, M., Zimmering, B., Oertel, M., & Niggemann, O. (2024, October). A neural ordinary differential equations approach for 2D flow properties analysis of hydraulic structures. In 1st ECAI Workshop on \u201cMachine Learning Meets Differential Equations: From Theory to Applications<\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

Forschungsrichtung 3: Generative und probabilistische KI f\u00fcr strukturierte physikalische Daten<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n



Moderne ingenieurwissenschaftliche Arbeitsabl\u00e4ufe basieren zunehmend auf gro\u00dfen Mengen strukturierter r\u00e4umlicher und materialbezogener Daten. Unsere Forschung entwickelt generative Modelle zur Verarbeitung geometrischer Strukturen und Materialkonfigurationen, wobei Interpretierbarkeit und physikalische Plausibilit\u00e4t erhalten bleiben. Probabilistische Lernverfahren erm\u00f6glichen die Quantifizierung von Unsicherheiten und f\u00f6rdern vertrauensw\u00fcrdige Inferenzverfahren zur Datenrekonstruktion, konditionierten Generierung und unsicherheitsgesteuerten Lernstrategien. Damit etablieren sich diese Modelle als Werkzeuge f\u00fcr wissenschaftliche Analyse, Simulation und Design.<\/p>\n<\/div><\/div>\n\n\n\n

Rensmeyer, T., Kramer, D., & Niggemann, O. (2025). On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach. arXiv preprint arXiv:2507.13805. https:\/\/doi.org\/10.48550\/arXiv.2507.13805<\/a><\/p>\n\n\n\n

Rensmeyer, T., & Niggemann, O. (2024). On the convergence of locally adaptive and scalable diffusion-based sampling methods for deep Bayesian neural network posteriors. ArXiv preprint arXiv:2403.08609. https:\/\/doi.org\/10.48550\/arXiv.2403.08609<\/a><\/p>\n\n\n\n

Boschmann, D., Stieghorst, C., Knezevic, D., Kadri, L., & Niggemann, O. (2024, August). Automation of PGAA spectra analysis with deep learning. In 2024 IEEE 22nd International Conference on Industrial Informatics (INDIN) (pp. 1-8). IEEE. https:\/\/ieeexplore.ieee.org\/abstract\/document\/10774320<\/a><\/p>\n\n\n\n

Hohmann, M., Eilermann, S., Grosmann, W., & Niggemann, O. (2024, September). Design automation: a conditional VAE approach to 3D object generation under conditions. In 2024 IEEE 29th International Conference on Emerging Technologies and Factory Automation (ETFA) (pp. 1-8). IEEE. https:\/\/doi.org\/10.1109\/ETFA61755.2024.10710828<\/a><\/p>\n\n\n\n

Grosmann, W., Eilermann, S., Rensmeyer, T., Liebert, A., Hohmann, M., Wittke, C. H. A., & Niggemann, O. (2023, December). Position paper on materials design. In AAAI-24 Workshop at the 38th Annual AAAI Conference on Artificial Intelligence; Vancouver, Canada; February 26-27, 2024. arXiv. https:\/\/doi.org\/10.48550\/arXiv.2312.10996<\/a><\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n


Forschungsrichtung 4: KI-beschleunigte Simulation, digitale Zwillinge und optimale Entscheidungsfindung<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n


Unsere Forschung zielt auf die Entwicklung KI-basierter digitaler Zwillinge und pr\u00e4diktiver Monitoring-Systeme f\u00fcr Materialien, Strukturen und Fertigungsprozesse ab. Wir entwickeln Methoden zur Integration von Simulationsdaten, Sensordaten und Vorwissen, um schnelle, kosteneffiziente und zuverl\u00e4ssige Zustandsvorhersagen physikalischer Systeme zu erm\u00f6glichen. Dies bildet die Grundlage f\u00fcr datenbasierte Entscheidungsunterst\u00fctzungssysteme, die beispielsweise Regelungsstrategien, Wartungsplanung und Betriebsstrategien unter Ber\u00fccksichtigung physikalischer, sicherheitstechnischer und regulatorischer Randbedingungen unterst\u00fctzen.<\/p>\n<\/div><\/div>\n\n\n\n

Coelho, C., Costa, M. F. P., Ferr\u00b4as, L. L., & Niggemann, O. (2026). Neural ODEs for Optimal Control: Learning Continuous Trajectories and Feedback Policies via Adaptive Discretisation. Authorea Preprints. DOI: 10.36227\/techrxiv.177138734.49140553\/v1<\/a><\/p>\n\n\n\n

L\u00fcddecke, L., Hohmann, M., Eilermann, S., Tillmann-Mumm, J., Pourabdollah, P., Oertel, M., & Niggemann, O. (2026). WeirNet: A Large-Scale 3D CFD Benchmark for Geometric Surrogate Modeling of Piano Key Weirs. arXiv preprint arXiv:2602.20714. https:\/\/arxiv.org\/abs\/2602.20714<\/a><\/p>\n\n\n\n

Ili\u00b4c, S., Jovan\u02c7cevi\u00b4c, N., Kne\u02c7zevi\u00b4c, D., Maleti\u00b4c, D., Stieghorst, C., Nayak, A., … & Krmar, M. (2025). The use of artificial neural networks for the unfolding procedures in neutron activation measurements. The European Physical Journal A, 61(4), 80. https:\/\/link.springer.com\/article\/10.1140\/epja\/s10050-025-01555-z<\/a><\/p>\n\n\n\n

Coelho, C., Hohmann, M., Fern\u00b4andez, D., Penter, L., Ihlenfeldt, S., & Niggemann, O. (2025). Data-Driven Temperature Modelling of Machine Tools by Neural Networks: A Benchmark. arXiv preprint arXiv:2510.03261. https:\/\/doi.org\/10.48550\/arXiv.2510.03261<\/a><\/p>\n\n\n\n

Eilermann, S., Heesch, R., & Niggemann, O. (2025). A Continuous-Time Consistency Model for 3D Point Cloud Generation. arXiv preprint arXiv:2509.01492. https:\/\/doi.org\/10.48550\/arXiv.2509.01492<\/a><\/p>\n\n\n\n

Liebert, A., Dethof, F., Kesler, S., Niggemann, O. (2024). Automated impact echo spectrum anomaly detection using u-net autoencoder. In ECAI 2024 (pp. 4634-4641). IOS Press. https:\/\/pdfs.semanticscholar.org\/7e1d\/330bd88ebf354699335d56659daffc5085e6<\/a><\/p>\n\n\n\n

Wittke, C., Liebert, A., Friesen, A., Flatt, H., & Niggemann, O. (2024). Potato-Glow: Utilizing Glow for Vision-Based Anomaly Detection in an Industrial Context: A Comparative Benchmarking Approach. In Jahreskolloquium zur Bildverarbeitung in der Automation (pp. 15-28). Berlin, Heidelberg: Springer Berlin Heidelberg. https:\/\/link.springer.com\/chapter\/10.1007\/978-3-662-70997-9_2<\/a><\/p>\n\n\n\n

Krantz, M., Widulle, N., Nordhausen, A., Liebert, A., Ehrhardt, J., Eilermann, S., Niggemann, O. (2022, October). Flipsi: Generating data for the training of machine learning algorithms for cpps. In Annual Conference of the PHM Society (Vol. 14, No. 1) https:\/\/doi.org\/10.36001\/phmconf.2022.v14i1.3229<\/a><\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

Forschungsprojekte<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n

KIAAA<\/strong><\/p>\n\n\n\n

\n


Das Projekt \u201eKIAAA \u2013 An AI Assistant for Training in Automation\u201c entwickelt eine Trainingssoftware, die Fachkr\u00e4fte in der Automatisierungstechnik durch personalisiertes Echtzeit-Feedback unterst\u00fctzt. Auf Basis adaptiver Simulationen von Produktionsprozessen analysieren KI- und Machine-Learning-Methoden den Wissensstand der Lernenden und generieren individuell angepasste Lernszenarien. Ein Rollenmodell-Agent demonstriert beispielhafte Automatisierungsl\u00f6sungen, w\u00e4hrend eine kollaborative Umgebung den Wissensaustausch zwischen Lernenden erm\u00f6glicht.<\/p>\n\n\n\n

<\/p>\n<\/div>

\"\"<\/figure><\/div>\n\n\n\n

Eilermann, S., Wehmeier, L., Niggemann, O., & Deuter, A. (2023, July). KIAAA: An AI assistant for teaching programming in the field of automation. In 2023 IEEE 21st International Conference on Industrial Informatics (INDIN) (pp. 1-7). IEEE.<\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

DigiMed<\/strong><\/p>\n\n\n\n

\n

Das Verbundforschungsprojekt \u201eDigital Value Chains for Medical Technology Based on the Additive Manufacturing of Patient-Specific Facial Surgical Implants (DigiMed)\u201c verfolgt das Ziel einer nachhaltigen Patientenversorgung durch individuell angepasste Implantate. Im Mittelpunkt steht die Entwicklung und Demonstration einer prototypischen durchg\u00e4ngigen digitalen Wertsch\u00f6pfungskette, die KI-Methoden und additive Fertigung nutzt, um medizinische Bilddaten direkt in patientenspezifische Gesichtsimplantate zu \u00fcberf\u00fchren.<\/p>\n<\/div>

\"\"<\/figure><\/div>\n\n\n\n

Imgrund, P., Gromzig, P., B\u00f6hm, C., R\u00f6hrich, L., Lindecke, P., Walter, J., … & Niggemann, O. (2022). Digital work flow and process for additive manufacturing of patient-specific-implants for craniomaxillofacial reconstruction. Transactions on Additive Manufacturing Meets Medicine, 4(S1), 680-680.<\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

LaiLa \u2013 Laboratory for Intelligent Lightweight Construction<\/strong><\/p>\n\n\n\n

\n

Das Projekt adressiert weitgehend manuelle und papierbasierte Produktionsprozesse im Faserverbund-Leichtbau. Durch die Kombination symbolischer KI mit Machine Learning sollen digitale Integration, Zustandsdiagnose und pr\u00e4diktive Wartung erm\u00f6glicht werden.<\/p>\n<\/div>

\"\"<\/figure><\/div>\n\n\n\n

Eilermann, S., Heesch, R., Niggemann, O. (2025). A Continuous-Time Consistency Model for 3D Point Cloud Generation. arXiv preprint arXiv:2509.01492.<\/a><\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

KIBIDZ<\/strong><\/p>\n\n\n\n

\n

Eine Echtzeit-Gef\u00e4hrdungsbewertung bei Geb\u00e4udebr\u00e4nden erfordert pr\u00e4zise Vorhersagen der Rauchgasstr\u00f6mung, der Temperaturverteilung und der strukturellen Stabilit\u00e4t. Das Projekt entwickelt einen digitalen Zwilling brennender Geb\u00e4ude durch die Integration von Simulationen, Sensornetzwerken und Machine-Learning-Methoden.<\/p>\n\n\n\n

Diese Forschung wird durch dtec.bw \u2013 Digitalization and Technology Research Center of the Bundeswehr \u2013 gef\u00f6rdert, finanziert durch die Europ\u00e4ische Union im Rahmen von NextGenerationEU.<\/p>\n<\/div>

\"\"<\/figure><\/div>\n\n\n\n


Liebert et al. (2024): Automated Impact Echo Spectrum Anomaly Detection using U-Net Autoencoder, PAIS @ ECAI 2024 Proceedings DOI:10.3233\/FAIA241058<\/a><\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

<\/p>\n\n\n\n


AI Accelerated Materials Design<\/strong><\/p>\n\n\n\n

\n

Dieses Forschungsprojekt entwickelt benutzerfreundliche und vertrauensw\u00fcrdige KI-beschleunigte Materialsimulationen auf atomarer Ebene. Im Mittelpunkt stehen unsicherheitsgesteuerte autonome Workflows zur Trainings- und Feinabstimmung von Machine-Learning-Kraftfeldern f\u00fcr einzelne Materialkandidaten unter Nutzung von Foundation Models und Bayes\u2019schen neuronalen Netzen.<\/p>\n\n\n\n

Diese Forschung wird durch dtec.bw \u2013 Digitalization and Technology Research Center of the Bundeswehr \u2013 gef\u00f6rdert, finanziert durch die Europ\u00e4ische Union im Rahmen von NextGenerationEU.<\/p>\n<\/div>

\"\"<\/figure><\/div>\n\n\n\n


Rensmeyer et al. (2024): High accuracy uncertainty-aware interatomic force modeling with equivariant Bayesian neural networks, Digital Discovery, 3, DOI:10.1039\/d4dd00183d<\/a><\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n


Hyperspectral Unmixing of Physical Data with Prior Knowledge<\/strong><\/p>\n\n\n\n

\n

Dieses Dissertationsprojekt untersucht hyperspektrales Unmixing physikalischer Daten mittels Machine Learning unter Integration von Vorwissen. Im Rahmen des Projekts EvalSpek-ML wird der Ansatz auf Prompt Gamma Activation Analysis (PGAA)-Spektren angewendet: Ein neuartiger Dual-Head-Autoencoder, der auf zunehmend realistischen synthetischen Daten trainiert wird, rekonstruiert Hintergrundsignale und sch\u00e4tzt gleichzeitig vollst\u00e4ndige Elementzusammensetzungen.<\/p>\n\n\n\n

Durch die Einbettung bekannter Referenzspektren in lineare und polynomiale Decoder sowie durch Nebenbedingungen wie Nichtnegativit\u00e4t und Sum-to-One-Bedingungen erreicht das Modell eine bisher unerreichte Genauigkeit bei der Sch\u00e4tzung von Eisen-Chlor-Konzentrationen aus PGAA-Spektren.<\/p>\n<\/div>

\"\"<\/figure><\/div>\n\n\n\n


Boschmann et al. (2024): Automation of PGAA spectra analysis with deep learning, INDIN 2024, DOI:10.1109\/INDIN58382.2024.10774320<\/a>
<\/p>\n\n\n\n

\n\n\n\n
<\/div>\n\n\n\n

Datenbasierte Werkzeugeinarbeitung in der Blechumformung<\/strong><\/p>\n\n\n\n

\n

Das Forschungsprojekt verfolgt das Ziel, die bislang \u00fcberwiegend manuell durchgef\u00fchrte Werkzeugeinarbeitung in der Blechumformung datenbasiert zu unterst\u00fctzen und langfristig zu automatisieren. Im Fokus steht die Entwicklung von Machine-Learning-Methoden, die auf Basis
des Bauteils und Prozessparameter den Entwurf der Werkzeugwirkfl\u00e4chen sowie die Bestimmung der Maschinenparameter erm\u00f6glichen. Das Projekt wird im Rahmen des DFGSchwerpunktprogramms
\u201cDatengetriebene Prozessmodellierung in der Umformtechnik\u201d
(SPP 2422) gef\u00f6rdert.<\/p>\n\n\n\n

<\/p>\n<\/div>

\"\"<\/figure><\/div>\n\n\n\n

Hohmann, M., Yiming, A., Penter, L., Ihlenfeldt, S., & Niggemann, O. (2025). A Data-Driven Approach for Automating the Design Process of Deep Drawing Tools. In Journal of Physics: Conference Series (Vol. 3104, No. 1, p. 012061). IOP Publishing.<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Kontakt: Cec\u00edlia Coelho Moderne Materialien und technische Systeme sind durch multiskalige raum-zeitliche Dynamiken, nichtlokale Effekte sowie komplexe physikalische Randbedingungen gepr\u00e4gt. Diese Eigenschaften stellen klassische Simulationsmethoden ebenso wie rein datengetriebene Ans\u00e4tze […]<\/p>\n","protected":false},"author":2852,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-3132","page","type-page","status-publish","hentry","category-forschung"],"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3132","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/users\/2852"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/comments?post=3132"}],"version-history":[{"count":16,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3132\/revisions"}],"predecessor-version":[{"id":3590,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3132\/revisions\/3590"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/media?parent=3132"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/categories?post=3132"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/tags?post=3132"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}