Im Zeitalter der Digitalisierung wird sich die Erwartungshaltung der Industrie, gedruckte Strukturbreiten immer weiter zu reduzieren und gleichzeitig den Produktionsdurchsatz zu maximieren, weiter beschleunigen. Dem Sieb- und Schablonendruckverfahren stehen dabei zentralen ungelösten Herausforderungen bevor. Es stellt sich die Frage wie ein solcher Prozess den Weg in das digitale Zeitalter finden kann, wenn dessen Erfolgsgeschichte über die letzten Jahrzehnte maßgeblich vom Fingerspitzelgefühl des Applikationsingenieurs und der langjährigen Erfahrung des Druckoperators geprägt wurde. In den kommenden Jahren müssen alle Voraussetzungen geschaffen werden, um die Drucktechnologie und die Fertigungsverfahren von Sieben und Schablonen darauf vorzubereiten in die digitalen Strukturen der Industrie 4.0 eingebunden zu werden. Die Optimierung der Wechselwirkung für den Druck, bei gleichzeitiger Steigerung des Produktionsdurchsatzes ist heutzutage nur unter enormen Ressourceneinsatz zu bewerkstelligen. Mit Hilfe der Einbindung aller Siebparameter und Toleranzen, soll der Ressourceneinsatz reduziert werden. Hierbei sollen KI oder maschinelles Lernen genutzt werden, um Spezifikationen auf Basis von mathematischen Berechnungen automatisch zu erstellen (theoretischer Ansatz). Die digitalen Spezifikationen werden in der Sieb- und Schablonenfertigung umgesetzt (praktischer Ansatz) und die Ergebnisse beim Drucken verifiziert.
Der Einsatz künstlicher Intelligenz (KI) hat sich bei der Analyse großer Mengen an Fotofallenbildern als fester Bestandteil in der Wildtierforschung etabliert. Dennoch existieren zum jetzigen Zeitpunkt unserer Kenntnis nach keine Untersuchungen, die für die Analyse von Fotofallendaten in mitteleuropäischen Regionen neben der Güte der Algorithmen auch die Benutzerfreundlichkeit betrachten. Vor diesem Hintergrund untersucht die vorliegende Studie die Effektivität, Effizienz und Anwendbarkeit des KI-Algorithmus DeepFaune> (DF) in der Auswertung von Fotofallenbildern im Vergleich zu menschlichen Bearbeiterinnen und Bearbeitern. Dafür wurden 1.013 Fotofallenbilder von drei Standorten in Deutschland manuell von fünf kundigen Personen sowie durch DF klassifiziert. Zuvor wurden 20 Klassen von Tierarten, Tierartengruppen, weiteren Objekten sowie die Klassen "Nicht erkennbar" und "Leer" festgelegt. Anschließend wurde ein korrekter Datensatz erstellt, der als Referenz für die Bewertung der Güte der menschlichen und der durch den Algorithmus generierten Analyseergebnisse diente. Die menschliche Vergleichsgruppe erreichte im Mittel eine korrekte Klassifikation von 91,9% der Bilder, während DF 72,85% der Bilder richtig klassifizierte. Im Durchschnitt brauchten die Personen 5,75h und DF 15min für die Klassifikation des Datensatzes. Die Genauigkeit ist momentan für seltene Arten in vielen Fällen noch gering, wird aber durch die schnelle Weiterentwicklung der KI-Technologie in Zukunft zunehmen. Algorithmen wie DF bieten daher ein hohes Potenzial für eine automatisierte Auswertung großer Mengen von Fotofallenbildern.
Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs auch unter Einsatz von privaten 5G-Netzwerken entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, einem Microgrid, entworfen. Die Kommunikation zwischen und innerhalb der DER soll mittels Mobilfunktechnologie erfolgen. Dabei soll die Energieoptimierung mittels KI-Algorithmen erfolgen und auch den Energietransport mit Fahrzeugen berücksichtigen. Die softwareseitige Integration der KI-Algorithmen und des Energiemanagementsystems in das Kommunikationssystem ist ein wesentlicher Bestandteil dieses Projektes. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet.
Das Projekt zielt darauf ab, die Fahrdynamik eines Schiffs aus Fahrtaufzeichnungen zu charakterisieren und abzuleiten. Im nächsten Schritt wird für das individuelle Schiff ein passender Satz an Koeffizienten für ein Manövriermodell in der Schiffsführungssimulation generiert. Dazu bedarf es der Unterstützung durch Verfahren des maschinellen Lernens. Aufgabenstellung und Ziel Schiffsführungssimulationen für wasserbauliche Maßnahmen und/oder zur Festlegung schifffahrtspolizeilicher Regelungen an den Wasserstraßen erfordern im Vergleich zu Simulationen für Trainings- und Ausbildungszwecke eine höhere Präzision und Detailtiefe der zugrundeliegenden Daten. Das betrifft neben den Umweltdaten, Seekarten, Peilungen, Wetterbedingungen und Tideströmungen insbesondere die Fahrdynamik der zu untersuchenden Schiffe. In den meisten Fällen sind die verfügbaren fahrdynamischen Daten und Informationen nicht umfangreich oder genau genug, um scharfe Aussagen zu wasserbaulichen Maßnahmen oder schifffahrtspolizeilichen Regelungen treffen zu können. Im Sinne der Vorlaufforschung sollen Techniken und Möglichkeiten geschaffen werden, die Fahrdynamik des zu untersuchenden Schiffs oder Schiffstyps mit höherer Genauigkeit und in kürzerer Zeit als bisher zu generieren. Daher wird ein Verfahren entwickelt, das die Koeffizienten der Fahrdynamik in der Schiffsführungssimulation aus Aufzeichnungen einzelner realer Fahrten des jeweiligen Schiffs ermittelt. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Die Aussageschärfe von Schiffsführungssimulationen zur Überprüfung wasserbaulicher Maßnahmen auf nautische Belange und für wasserpolizeiliche Regelungen wird verbessert. Zusätzlich kann erwartet werden, dass die Akzeptanz der Untersuchungsergebnisse aus einer Schiffsführungssimulation erhöht wird, indem die simulierte Fahrdynamik auf der des realen Schiffes beruht, das in der jeweiligen Schiffsführungssimulation gefahren wird. Untersuchungsmethoden Die Möglichkeiten zur Erstellung und Kalibrierung der Fahrdynamik im Schiffsführungssimulator wird erweitert. Das erfolgt auf Grundlage von Daten und Messwerten, die aus dem Forschungsprojekt ManoevIdent zur Verfügung stehen. Die Erweiterung wird zunächst am See-Schiffsführungssimulator der BAW eingerichtet und getestet, sodass diese Erweiterungen zuverlässig an Seefahrtschulen und Trainingszentren mit einem Schiffsführungssimulator ANS6000 von Rheinmetall eingesetzt werden können.
Zielsetzung: Klimatische Veränderungen beeinflussen die verfügbare Wassermenge und -qualität in Talsperren, was deutliche Auswirkungen auf die Sicherheit der Trinkwasserversorgung und auf die Ökosysteme der Stauseen und den Landschaftswasserhaushalt hat. Klimaprognosen deuten für Gebiete wie den Harz auf einen Anstieg von Niederschlägen im Winter und häufigere Trockenperioden im Sommer hin, was stärker schwankende Wasserstände bedeutet. Zur Anpassung im Management der Talsperren und deren Ökosystemen mangelt es jedoch oft an präzisen Vorhersagen und den nötigen Instrumenten, um risikobasierte Entscheidungen über notwendige dynamische Betriebsstrategien zu treffen. Vor diesem Hintergrund soll im Rahmen des Projekts ein vorhersagebasiertes, mengen- und gütegewichtetes Entscheidungsunterstützungssystem für Talsperren entwickelt werden, welches auf datengetriebenen Modellen basiert und am Beispiel des Systems der Harzwasserwerke implementiert wird. Das Projekt konzentriert sich darauf, durch die Nutzung moderner Technologien und Methoden der Künstlichen Intelligenz (KI), wie LSTM-Netzwerke (Long Short-Term Memory) und Ensemble-Methoden, zuverlässige Vorhersagen des Wasserbedarfs und -dargebots zu erstellen. Diese Vorhersagen werden in ein hydrodynamisches Optimierungsmodell integriert, um eine flexible und belastbare Entscheidungsunterstützung im Ereignisfall zu ermöglichen. Hierdurch sollen die verschiedenen Bewirtschaftungsziele wie Hochwasserschutz, Versorgungssicherheit, Ökosystemleistungen, Landschaftswasserhaushalt und Energieerzeugung bestmöglich erfüllt werden. Die Kombination von Echtzeit-Sensoren, Open-Source-Datensätzen und fortschrittlichen Datenanalyse-Tools ermöglicht es, komplexe und dynamische Prozesse zu simulieren und in Echtzeit Informationen bereitzustellen. Im Sinne der nachhaltigen Klimawandelanpassung werden so proaktive Maßnahmen zur Unterstützung der Versorgungssicherheit, des Hochwasserschutzes sowie des Landschaftswasserhaushaltes ermöglicht. Die Implementierung des Demonstrators im System der Harzwasserwerke soll die Vorteile einer proaktiven Steuerung demonstrieren und eine multikriterielle Bewertung im Vergleich zu herkömmlichen Methoden ermöglichen. Der Fokus liegt nicht nur auf einem hohen Technology Readiness Level, sondern auch auf der Handhabung von Unsicherheiten und der Berücksichtigung verschiedener Vorhersagehorizonte. Diese sind für die verschiedensten wasserwirtschaftlichen Zielsetzungen von entscheidender Bedeutung.
Angesichts der Herausforderungen der Energiewende und insbesondere dem anstehenden Wechsel von Synchronmaschinen zu netzbildenden Wechselrichtern, ist methodische Forschung zur kollektiven Dynamik von Stromnetzen hochaktuell. Existierende Simulationsumgebungen entsprechen oft nicht dem Stand der Technik, was numerische Methoden sowie die Nutzung von High-Performance Computern (HPC) und GPUs angeht. Dies verhindert ihren Einsatz in großen Sampling Studien, die zum Beispiel für den Einsatz von Machine Learning (ML) notwendig sind. Des Weiteren lassen sich methodische und mathematische Fortschritte häufig nur schwer oder gar nicht in existierender Software implementieren, wodurch sie nicht an realistischen Modellen validiert werden können und letzten Endes nicht in der Praxis ankommen. Für die methodische Forschung ist die Flexibilität der Implementierung der Modelle, als auch die Performance von Simulationen von entscheidender Bedeutung. Für den Einsatz von KI und ML sind große Mengen an Simulationsdaten als Input erforderlich. Um überhaupt in die Forschung zu hybriden KI Methoden, die physikalischen Simulationen und ML direkt verbinden, einsteigen zu können, ist es notwendig, die Modelle in dafür konzeptionierten Programmiersprachen zu implementieren. Existierende Softwaretools stoßen auch in der Praxis an Performance-Grenzen. Durch die eingeschränkte Leistungsfähigkeit heutiger Simulationssoftware können so in zeitkritischen Situationen nicht alle potenziell relevanten Störfälle betrachtet werden. In diesem Projekt soll diese Lücke geschlossen werden, indem eine Software Suite entwickelt wird, die darauf ausgelegt ist, methodische Neuerungen schnell und effektiv zu integrieren und gleichzeitig realistische dynamische Modelle des Stromnetzes simulieren kann. Die Aufgaben des PIK umfassen Koordination des Projekts, Community-Building und Workshops, Trainingsmaterialien und Tutorials, Backend- und Frontend-Entwicklung sowie erste Forschungsvorhaben als Modellstudien.
Angesichts der Herausforderungen der Energiewende und insbesondere dem anstehenden Wechsel von Synchronmaschinen zu netzbildenden Wechselrichtern, ist methodische Forschung zur kollektiven Dynamik von Stromnetzen hochaktuell. Existierende Simulationsumgebungen entsprechen oft nicht dem Stand der Technik, was numerische Methoden sowie die Nutzung von High-Performance Computern (HPC) und GPUs angeht. Dies verhindert ihren Einsatz in großen Sampling Studien, die zum Beispiel für den Einsatz von Machine Learning (ML) notwendig sind. Des Weiteren lassen sich methodische und mathematische Fortschritte häufig nur schwer oder gar nicht in existierender Software implementieren, wodurch sie nicht an realistischen Modellen validiert werden können und letzten Endes nicht in der Praxis ankommen. Für die methodische Forschung ist die Flexibilität der Implementierung der Modelle, als auch die Performance von Simulationen von entscheidender Bedeutung. Für den Einsatz von KI und ML sind große Mengen an Simulationsdaten als Input erforderlich. Um überhaupt in die Forschung zu hybriden KI Methoden, die physikalischen Simulationen und ML direkt verbinden, einsteigen zu können, ist es notwendig, die Modelle in dafür konzeptionierten Programmiersprachen zu implementieren. Existierende Softwaretools stoßen auch in der Praxis an Performance-Grenzen. Durch die eingeschränkte Leistungsfähigkeit heutiger Simulationssoftware können so in zeitkritischen Situationen nicht alle potenziell relevanten Störfälle betrachtet werden. In diesem Projekt soll diese Lücke geschlossen werden, indem eine Software Suite entwickelt wird, die darauf ausgelegt ist, methodische Neuerungen schnell und effektiv zu integrieren und gleichzeitig realistische dynamische Modelle des Stromnetzes simulieren kann. Die Aufgaben des PIK umfassen Koordination des Projekts, Community-Building und Workshops, Trainingsmaterialien und Tutorials, Backend- und Frontend-Entwicklung sowie erste Forschungsvorhaben als Modellstudien.
| Origin | Count |
|---|---|
| Bund | 1726 |
| Global | 1 |
| Land | 80 |
| Wissenschaft | 22 |
| Zivilgesellschaft | 24 |
| Type | Count |
|---|---|
| Agrarwirtschaft | 1 |
| Daten und Messstellen | 2 |
| Ereignis | 6 |
| Förderprogramm | 1587 |
| Text | 155 |
| Umweltprüfung | 1 |
| unbekannt | 92 |
| License | Count |
|---|---|
| geschlossen | 207 |
| offen | 1630 |
| unbekannt | 7 |
| Language | Count |
|---|---|
| Deutsch | 1785 |
| Englisch | 312 |
| Resource type | Count |
|---|---|
| Archiv | 2 |
| Bild | 7 |
| Datei | 10 |
| Dokument | 67 |
| Keine | 1523 |
| Unbekannt | 1 |
| Webdienst | 3 |
| Webseite | 266 |
| Topic | Count |
|---|---|
| Boden | 916 |
| Lebewesen und Lebensräume | 1152 |
| Luft | 760 |
| Mensch und Umwelt | 1844 |
| Wasser | 578 |
| Weitere | 1496 |