API src

Found 2308 results.

Related terms

Untersuchungen zum Einfluß des Weltraumwetters auf die Chemie und Dynamik der Erdatmosphäre (SPEACH)

Energetische Elektronen aus der Aurora und den Strahlungsgürteln sind bekannte Quellen von Stickoxiden in der Auroraregion der oberen Mesosphäre und unteren Thermosphäre (MLT, 60-140 km). Im polaren Winter können diese Stickoxide bis in die mittlere Stratosphäre (30—45 km) herunter transportiert werden; sie variieren dabei mit der geomagnetischen Aktivität und dem dynamischen Zustand der Atmosphäre. Hier tragen Stickoxide maßgeblich zum katalytischen Ozonabbau bei; da Ozon eine wesentliche Rolle in der Strahlungsheizung der Stratosphäre spielt, ändern sich durch den Abwärtstransport von auroralen Stickoxiden auch Temperaturen und Windfelder. Diese Änderungen der Atmosphärendynamik können die ganze Atmosphäre bis hinunter zu troposphärischen Wettersystemen betreffen. Aus diesem Grund wurde kürzlich zum ersten Mal empfohlen, geomagnetische Aktivität als Teil des solaren Forcings des Klimasystems in Klima-Chemiemodellstudien wie CMIP-6 zu berücksichtigen. Die atmosphärischen Ionisationsraten, welche verwendet werden, um solche Modellexperimente anzutreiben, basieren empirisch auf Flüssen von präzipitierenden Elektronen, welche jedoch mit großen Unsicherheiten behaftet sind; neue Studien legen nahe, daß es ernsthafte Probleme mit der Genauigkeit dieser Daten gibt. In diesem Projekt werden wir untersuchen, wie vom Sonnenwind getriebene Prozesse in der Magnetosphäre präzipitierende Elektronen verschiedener Energien beeinflussen, und welchen Einfluß diese präzipitierenden Elektronen auf die Zusammensetzung, Temperatur, und Windfelder in der mittleren Atmosphäre haben.Insbesondere werden wir untersuchen:• Wie beeinflussen vom Sonnenwind getriebene Prozesse in der Magnetosphäre das Präzipitieren von Strahlungsgürtelelektronen in die Atmosphäre?• Zu welchen Energien werden präzipitierende Elektronen in den unterschiedlichen geomagnetischen Stürmen in der Magnetosphäre beschleunigt? • Welcher Energiebereich der Präzipitierenden Elektronen hat den größten Einfluss auf die Zusammensetzung und Dynamik der mittleren Atmosphäre?Dazu werden Modellsimulationen mit dem neuentwickelten VERB-4D Modell durchgeführt, welches Elektronenbeschleunigung in die Atmosphäre durch Welle-Teilchen-Wechselwirkungen mit Chorus, Plasmaspheric hiss, hiss in plumes, und EMIC-Wellen berücksichtigt. Ergebnisse werden mit NOAA POES Daten validiert. Modellierte Elektronenflüsse am Oberrand des Modells werden als Input verwendet für das neuentwickelte Klima-Chemiemodells EMAC/EDITh (Boden bis 220km). Modellierte Temperaturen und der Stickoxid-Gehalt werden anhand von Beobachtungen validiert. Fallstudien werden durchgeführt werden für geomagnetische Stürme, die durch Korotating Interaction Regions (CIR) und solare koronale Massenauswürfe (CMEs) ausgelöst wurden, um zu untersuchen, wie die verschiedenen Prozesse unterschiedliche Bereiche der Atmosphäre beeinflussen.

Forschergruppe (FOR) 1898: Mehrskalendynamik von Schwerewellen, Spontanes Ungleichgewicht (SI)

Schwerewellen (GWs) sind zu kleinskalig, um in den heutigen Wetter- und Klimamodellen aufgelöst zu werden. Sie müssen daher parametrisiert werden, da sie einen starken Einfluss auf die Dynamik der großen Skalen haben. Parametrisierungen existieren für orographisch und konvektiv erzeugte GWs, während für die GW-Quellen entlang großskaliger Jets noch keine etablierte Parametrisierung vorliegt. Die Quellen resultieren aus einer spontanen Imbalance (SI) der großskaligen quasi-geostrophischen Strömung. Die Untersuchung von Schwerewellenabstrahlung durch SI ist schwierig, da die GWs in ein sehr komplexes zeitabhängiges Strömungsfeld eingebettet sind, mit einer großen Zahl von interagierenden Prozessen. Auch die Validierung von Parametrisierungen wird dadurch erschwert. Daher kombinieren wir Theorie und numerische Modellierung mit ergänzenden Laborexperimenten. Laborexperimente garantieren eine Reproduzierbarkeit der betrachteten großskaligen Strömungssituation. Die direkte Korrespondenz zwischen den experimentellen Daten und den Modelldaten und die erwähnte Reproduzierbarkeit machen das Laborexperiment zu einem idealen Prüfstand für Parametrisierungen und für die Untersuchung klimarelevante Prozesse. Das differenziell beheizte rotierende Zylinderspalt-Experiment, welches an der BTU (Brandenburg Technische Universität Cottbus-Senftenberg) aufgebaut und betrieben wird, stellt die Referenzdaten für Benchmark-Simulationen an der GU-F (Goethe Universität Frankfurt) und dem IAP (Leibniz Institut für Atmosphärische Physik, Kühlungsborn) bereit. Dabei stehen Experimente im Vordergrund, die zeigen sollen, welche baroklinen Strömungen eine besonders ausgeprägte GW-Abstrahlung aufweisen. Ergänzend dazu werden idealisierte numerische Simulationen an der GU-F und dem IAP durchgeführt, um die Variabilität der GWs und den Abstrahlungsprozess zu untersuchen. Wichtig ist dabei, einen Zusammenhang zwischen verschiedenen großskaligen Strömungen und der mesoskaligen GW-Quelle herzustellen und diesen Zusammenhang mittels grob aufgelöster Wellenstrahlenmodelle zu validieren. Ziel ist es, eine skalenabhängige SI-Parametrisierung zu konstruieren. Diese Parametrisierung soll mit Hilfe der Labor-Referenzdaten validiert werden. Begleitet wird dies von einer Analyse grob- und feinaufgelöster Daten aus UA-ICON Simulationen. Schließlich soll die Parametrisierung an das Wellenstrahlenmodell MS-GWaM angekoppelt werden, welches in UA-ICON implementiert ist.

Physicochemical Aging Mechanisms in Soil Organic Matter (SOM- AGING): II. Hydration-dehydration mechanisms at Biogeochemical Interfaces

Soil organic matter (SOM) controls large part of the processes occurring at biogeochemical interfaces in soil and may contribute to sequestration of organic chemicals. Our central hypothesis is that sequestration of organic chemicals is driven by physicochemical SOM matrix aging. The underlying processes are the formation and disruption of intermolecular bridges of water molecules (WAMB) and of multivalent cations (CAB) between individual SOM segments or between SOM and minerals in close interaction with hydration and dehydration mechanisms. Understanding the role of these mediated interactions will shed new light on the processes controlling functioning and dynamics of biogeochemical interfaces (BGI). We will assess mobility of SOM structural elements and sorbed organic chemicals via advanced solid state NMR techniques and desorption kinetics and combine these with 1H-NMR-Relaxometry and advanced methods of thermal analysis including DSC, TGADSC- MS and AFM-nanothermal analysis. Via controlled heating/cooling cycles, moistening/drying cycles and targeted modification of SOM, reconstruction of our model hypotheses by computational chemistry (collaboration Gerzabek) and participation at two larger joint experiments within the SPP, we will establish the relation between SOM sequestration potential, SOM structural characteristics, hydration-dehydration mechanisms, biological activity and biogechemical functioning. This will link processes operative on the molecular scale to phenomena on higher scales.

Forschergruppe (FOR) 1525: INUIT - Ice Nuclei research UnIT, Umfassende Prozessuntersuchungen zur heterogenen Eisnukleation: von einzelnen Wolkentropfen zu Wolkensimulationen

Verlässliche Vorhersagen von Wetter und Klimawandel erfordern ein gutes Verständnis der Eisbildung in troposphärischen Wolken. Von besonderer Bedeutung ist dabei die sogenannte heterogene Eisnukleation durch atmosphärische Aerosolpartikel. Das hier beantragte Projekt beinhaltet eine umfassende Untersuchung der heterogenen Eisnukleation in Zirruswolken und Mischphasenwolken, gemeinsam mit 8 weiteren Projekten der Forschergruppe INUIT. Eisbildung durch Kontaktgefrieren wird für einzelne Tröpfchen in einem elektrodynamischen Levitator (Paulfalle) untersucht. Experimente zum Einfluss von Aerosolen auf Immersionsgefrieren, Kontaktgefrieren und Depositionsnukleation werden in der AIDA-Wolkenkammer und einer neuen dynamischen Wolkenkammer durchgeführt, falls diese wie geplant bis Anfang 2016 zur Verfügung stehen wird. Hauptziele und Arbeitspakete des Projekts sind (a) Untersuchungen zum Immersionsgefrieren, Kontaktgefrieren und zur Depositionsnukleation von INUIT-2 Referenzaerosolen in enger Zusammenarbeit mit allen anderen lNUlT-2-Partnern, (b) AIDA-Wolkensimulationsexperimente mit redispergierten atmosphärischen Aerosolen die auf Filtern gesammelt wurden (in Zusammenarbeit mit RP8), (c) AIDA-Experimente mit porösen Partikeln zur Untersuchung des Einflusses von Kapillarkondensation und Prä-aktivierung auf Eisnukleationsprozesse, (d) EDB-Experimente zur Kontaktnukleation mit atmosphärisch relevanten und komplexen Aerosolen, (e) Untersuchungen zu den grundlegenden Mechanismen des Kontaktgefrierens, (f) die Entwicklung einer umfassenden und einheitlichen Parametrisierung heterogener Eisnukleation in enger Zusammenarbeit mit RP3 und RP5, (g) erste Experimente zur Kontaktnukleation in einer neuen Wolkenkammer unter Nutzung der Expertise aus langjährigen Experimenten zum Kontaktgefrieren und mit der Wolkensimulationskammer, (h) die Durchführung von zwei AIDA-Messkampagnen, eine nur für die INUIT-2- Partner und eine mit internationaler Beteiligung, bei denen Labormethoden und Feld Instrumente für die Messung von Aerosolen und eisbildenden Partikeln getestet und miteinander verglichen werden um hohe internationale Standards in der Eisnukleationsforschung zu entwickeln und zu erhalten. Die Aktivitäten an der AIDA-Wolkenkammer bieten auch eine gute Verknüpfung der Labor-, Feld und Modellieraktivitäten innerhalb der Forschergruppe INUIT und mit externen Partnern. In Ergänzung der laufenden INUIT-Arbeiten möchten wir in weiteren drei Jahren der Forschergruppe folgende neue Schwerpunkte setzen: die Eisnukleationseigenschaften von porösen Partikeln, Immersionsgefrieren und Depositionsnukleation von größenselektierten Partikeln mit Durchmessern bis zu einigen Mikrometern, die Quantifizierung von Kontaktgefrierraten von atmosphärisch relevanten komplexen Aerosolpartikeln, und erste Wolkenkammerexperimente zum Kontaktgefrieren. Außerdem werden wir die Erstellung und Pflege einer neuen Datenbank für Laborergebnisse zur heterogenen Eisnukleation unterstützen.

Repository der KI-Ideenwerkstatt: robbenblick

# robbenblick A Computer Vision project for object detection and annotation management using YOLOv8, SAHI, and FiftyOne, with the primary aim of counting objects (Robben) in large aerial images. ## Overview This repository provides a complete MLOps pipeline for: * **Data Preparation:** Converting raw CVAT annotations (XML) and large images into a tiled, YOLO-compatible dataset. * **Automated Experiments:** Systematically training and tuning YOLOv8 models. * **Tiled Inference:** Running optimized inference (SAHI) on large, high-resolution images for object counting. * **Evaluation:** Assessing model performance for both detection (mAP) and counting (MAE, RMSE, R²). * **Visualization:** Analyzing datasets and model predictions interactively with FiftyOne. ## Pretrained Model Weights Pretrained model weights are available on Hugging Face: https://huggingface.co/ki-ideenwerkstatt-23/robbenblick/ ## Project Workflow The project is designed to follow a clear, sequential workflow: 1. **Prepare Data (`create_dataset.py`):** Organize your raw images and CVAT `annotations.xml` in `data/raw/` as shown below. ```text data/raw/ ├── dataset_01/ │ ├── annotations.xml │ └── images/ └── dataset_02/ ... ``` Run the script to generate a tiled, YOLO-formatted dataset in `data/processed/` and ground truth count CSVs. 2. **Tune Model (`run_experiments.py`):** Define a set of hyperparameters (e.g., models, freeze layers, augmentation) in `configs/base_iter_config.yaml`. Run the script to train a model for every combination and find the best performer. 3. **Validate Model (`yolo.py`):** Take the `run_id` of your best experiment and run validation on the hold-out `test` set to get **detection metrics (mAP)**. 4. **Infer & Count (`predict_tiled.py`):** Use the best `run_id` to run sliced inference on new, large images. This script generates final counts and visual outputs. 5. **Evaluate Counts (`evaluate_counts.py`):** Compare the `detection_counts.csv` from inference against the `ground_truth_counts.csv` to get **counting metrics (MAE, RMSE)**. 6. **Visualize (`run_fiftyone.py`):** Visually inspect your ground truth dataset or your model's predictions at any stage. ## Configuration This project uses two separate configuration files, managed by `robbenblick.utils.load_config`. * **`configs/base_config.yaml`** * **Purpose:** The single source of truth for **single runs**. * **Used By:** `create_dataset.py`, `predict_tiled.py`, `run_fiftyone.py`, and `yolo.py` (for validation/single-predict). * **Content:** Defines static parameters like data paths (`dataset_output_dir`), model (`model`), and inference settings (`confidence_thresh`). * **`configs/base_iter_config.yaml`** * **Purpose:** The configuration file for **experiments and tuning**. * **Used By:** `run_experiments.py`. * **Content:** Any parameter defined as a **YAML list** (e.g., `model: [yolov8n.pt, yolov8s.pt]`) will be iterated over. `run_experiments.py` will test every possible combination of all lists. ## Environment Setup 1. Clone the repository: ```sh git clone git@github.com:ki-iw/robbenblick.git cd robbenblick ``` 2. Create the Conda environment: ```sh conda env create --file environment.yml conda activate RobbenBlick ``` 3. (Optional) Install pre-commit hooks: ```sh pre-commit install ``` ## Core Scripts & Usage ### `create_dataset.py` * **Purpose:** Converts raw CVAT-annotated images and XML files into a YOLO-compatible dataset, including tiling and label conversion. * **How it works:** * Loads configuration from a config file. * Scans `data/raw/` for dataset subfolders. * Parses CVAT XML annotations and extracts polygons. * Tiles large images into smaller crops based on `imgsz` and `tile_overlap` from the config. * Converts polygon annotations to YOLO bounding box format for each tile. * Splits data into `train`, `val`, and `test` sets and writes them to `data/processed/dataset_yolo`. * Saves a `ground_truth_counts.csv` file in each raw dataset subfolder, providing a baseline for counting evaluation. * **Run:** ```sh # Do a 'dry run' to see statistics without writing files python -m robbenblick.create_dataset --dry-run --config configs/base_config.yaml # Create the dataset, holding out dataset #4 as the test set python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 4 ``` * **Key Arguments:** * `--config`: Path to the `base_config.yaml` file. * `--dry-run`: Run in statistics-only mode. * `--test-dir-index`: 1-based index of the dataset subfolder to use as a hold-out test set. * `--val-ratio`: Ratio of the remaining data to use for validation. ### `run_experiments.py` * **Purpose:** **This is the main training script.** It automates hyperparameter tuning by iterating over parameters defined in `base_iter_config.yaml`. * **How it works:** * Finds all parameters in the config file that are lists (e.g., `freeze: [None, 10]`). * Generates a "variant" for every possible combination of these parameters. * For each variant, it calls `yolo.py --mode train` as a subprocess with a unique `run_id`. * After all runs are complete, it reads the `results.csv` from each run directory, sorts them by `mAP50`, and prints a final ranking table. * **Run:** ```sh # Start the experiment run defined in the iteration config python -m robbenblick.run_experiments --config configs/base_iter_config.yaml # Run experiments and only show the top 5 results python -m robbenblick.run_experiments --config configs/base_iter_config.yaml --top-n 5 ``` ### `predict_tiled.py` * **Purpose:** **This is the main inference script.** It runs a trained YOLOv8 model on new, full-sized images using Sliced Aided Hyper Inference (SAHI). * **How it works:** * Loads a trained `best.pt` model specified by the `--run_id` argument. * Loads inference parameters (like `confidence_thresh`, `tile_overlap`) from the `base_config.yaml`. * Uses `get_sliced_prediction` from SAHI to perform tiled inference on each image. * Saves outputs, including visualized images (if `--save-visuals`), YOLO `.txt` labels (if `--save-yolo`), and a `detection_counts.csv` file. * **Run:** ```sh # Run inference on a folder of new images and save the visual results python -m robbenblick.predict_tiled \ --config configs/base_config.yaml \ --run_id "best_run_from_experiments" \ --source "data/new_images_to_count/" \ --output-dir "data/inference_results/" \ --save-visuals ``` ### `evaluate_counts.py` * **Purpose:** Evaluates the *counting* performance of a model by comparing its predicted counts against the ground truth counts. * **How it works:** * Loads the `ground_truth_counts.csv` generated by `create_dataset.py`. * Loads the `detection_counts.csv` generated by `predict_tiled.py`. * Merges them by `image_name`. * Calculates and prints key regression metrics (MAE, RMSE, R²) to assess the accuracy of the object counting. * **Run:** ```sh # Evaluate the counts from a specific run python -m robbenblick.evaluate_counts \ --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" \ --pred-csv "data/inference_results/detection_counts.csv" ``` ### `yolo.py` * **Purpose:** The core engine for training, validation, and standard prediction. This script is called by `run_experiments.py` for training. You can use it directly for validation. * **How it works:** * `--mode train`: Loads a base model (`yolov8s.pt`) and trains it on the dataset specified in the config. * `--mode validate`: Loads a *trained* model (`best.pt` from a run directory) and validates it against the `test` split defined in `dataset.yaml`. This provides **detection metrics (mAP)**. * `--mode predict`: Runs standard (non-tiled) YOLO prediction on a folder. * **Run:** ```sh # Validate the 'test' set performance of a completed run python -m robbenblick.yolo \ --config configs/base_config.yaml \ --mode validate \ --run_id "best_run_from_experiments" ``` ### `run_fiftyone.py` * **Purpose:** Visualizes datasets and predictions using FiftyOne. * **How it works:** * `--dataset groundtruth`: Loads the processed YOLO dataset (images and ground truth labels) from `data/processed/`. * `--dataset predictions`: Loads images, runs a specified model (`--run_id`) on them, and displays the model's predictions. * **Run:** ```sh # View the ground truth annotations for the 'val' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset groundtruth \ --split val \ --recreate # View the predictions from 'my_best_run' on the 'test' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset predictions \ --split test \ --run_id "my_best_run" \ --recreate ``` ### `streamlit_app.py` * **Purpose:** Quick test runs with the trained model of your choice for counting the seals in the image(s) and visualization. * **How it works:** * Loads the selected YOLO model from `runs/detect/`. * Upload images, run model, then displays the counts and model's predictions as image visualization. * **Run:** ```sh # View the ground truth annotations for the 'val' split export PYTHONPATH=$PWD && streamlit run robbenblick/streamlit_app.py ``` ## Recommended Full Workflow 1. **Add Raw Data:** * Place your first set of images and annotations in `data/raw/dataset_01/images/` and `data/raw/dataset_01/annotations.xml`. * Place your second set (e.g., from a different location) in `data/raw/dataset_02/images/` and `data/raw/dataset_02/annotations.xml`. 2. **Create Dataset:** * Run `python -m robbenblick.create_dataset --dry-run` to see your dataset statistics. Note the indices of your datasets. * Let's say `dataset_02` is a good hold-out set. Run: `python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 2` * This creates `data/raw/dataset_02/ground_truth_counts.csv` for later. 3. **Find Best Model:** * Edit `configs/base_iter_config.yaml`. Define your experiments. ```yaml # Example: Test two models and two freeze strategies model: ['yolov8s.pt', 'yolov8m.pt'] freeze: [None, 10] yolo_hyperparams: scale: [0.3, 0.5] ``` * Run the experiments: `python -m robbenblick.run_experiments`. * Note the `run_id` of the top-ranked model, e.g., `iter_run_model_yolov8m.pt_freeze_10_scale_0.3`. 4. **Validate on Test Set (Detection mAP):** * Check your best model's performance on the unseen test data: `python -m robbenblick.yolo --mode validate --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --config configs/base_config.yaml` * This tells you how well it *detects* objects (mAP). 5. **Apply Model for Counting:** * Get a new folder of large, un-annotated images (e.g., `data/to_be_counted/`). * Run `predict_tiled.py`: `python -m robbenblick.predict_tiled --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --source "data/to_be_counted/" --output-dir "data/final_counts/" --save-visuals` * This creates `data/final_counts/detection_counts.csv`. 6. **Evaluate Counting Performance (MAE, RMSE):** * Now, compare the predicted counts (Step 5) with the ground truth counts (Step 2). Let's assume your "to_be_counted" folder *was* your `dataset_02`. `python -m robbenblick.evaluate_counts --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" --pred-csv "data/final_counts/detection_counts.csv"` * This gives you the final MAE, RMSE, and R² metrics for your **counting task**. ## Additional Notes This repository contains only the source code of the project. The training data and the fine-tuned model weights are not included or published. The repository is currently not being actively maintained. Future updates are not planned at this time. For transparency, please note that the underlying model used throughout this project is based on **YOLOv8 by Ultralytics**. ## License Copyright (c) 2025 **Birds on Mars**. This project is licensed under the **GNU Affero General Public License v3.0 (AGPL-3.0)**. This aligns with the license of the underlying **YOLOv8** model architecture used in this project. Please note: **Training data and fine-tuned model weights are not part of the licensed materials** and are not included in this repository. For full details, see the LICENSE file. ## Troubleshooting ### FiftyOne: images (partially) not visible Try using `--recreate` flag to force FiftyOne to reload the dataset: ```sh python robbenblick/run_fiftyone.py --dataset groundtruth --split val --recreate ``` ### FiftyOne: failed to bind port If you get: ``` fiftyone.core.service.ServiceListenTimeout: fiftyone.core.service.DatabaseService failed to bind to port ``` Try killing any lingering `fiftyone` or `mongod` processes: ```sh pkill -f fiftyone pkill -f mongod Then rerun your script. ``` # Collaborators The code for this project has been developed through a collaborative effort between [WWF Büro Ostsee](https://www.wwf.de/themen-projekte/projektregionen/ostsee) and [KI-Ideenwerkstatt](https://www.ki-ideenwerkstatt.de), technical implementation by [Birds on Mars](https://birdsonmars.com). <p></p> <a href="https://ki-ideenwerkstatt.de" target="_blank" rel="noopener noreferrer"> <img src="assets/kiiw.jpg" alt="KI Ideenwerkstatt" height="100"> </a> <p></p> Technical realization <br> <a href="https://birdsonmars.com" target="_blank" rel="noopener noreferrer"> <img src="assets/bom.jpg" alt="Birds On Mars" height="100"> </a> <p></p> An AI initiative by <br> <a href="https://www.bundesumweltministerium.de/" target="_blank" rel="noopener noreferrer"> <img src="assets/bmukn.svg" alt="Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit" height="100"> </a> <p></p> In the context of <br> <a href="https://civic-coding.de" target="_blank" rel="noopener noreferrer"> <img src="assets/civic.svg" alt="Civic Coding" height="100"> </a>

Navigation Lock Filling - Modeled Geometry and Physical Model Measurement Data

Navigation Lock Filling - Modeled Geometry and Physical Model Measurement Data This data set provides the geometry files and physical model measurement data for the filling process of a large navigation lock with a ship in the lock chamber from a water saving basin. The measured data contains water levels, pressure differences, forces on the ship and the opening height of the valves. The lock consists of a lock chamber with a pressure chamber underneath. Both chambers are hydraulically connected with vertical cylindrical filling nozzles inside the floor between both chambers. The three lateral saving basins are connected to the pressure chamber via two lateral culverts each of smoothly varying rectangular shape. Each saving basin has two of these connecting culverts. A vertical lifting valve in each culvert allows the controlled filling operation from the saving basins into the pressure chamber. In the experiment, the lock chamber is filled from the lowest saving basin. The physical model was constructed at a scale of 1:25. The provided data (geometry and model test results) is scaled to prototype scale by Froude's similitude. The data was used in the following publication: Thorenz, C., Schulze, L. (2021): Numerical Investigations of Ship Forces During Lockage. Journal of Coastal and Hydraulic Strucures. Please cite the paper when using the data.

Datasets of analog modeling results for the V-shaped opening of the South China Sea: 3D DEMs and PIV results

This dataset compiles quantitative outputs from eight sandbox experiments conducted under different boundary conditions (differential extension, strong blocks, and a weak zone). It contains 3-D scanning–derived digital elevation models (DEMs) from the final stage of experiments simulating the V-shaped opening of the South China Sea. In addition, it includes particle image velocimetry (PIV) products at four extension states (25 mm, 50 mm, 75 mm, and 100 mm), together with the plotting codes used to generate the figures.

Optimierung der Gruenrestekompostierung in Berlin - Phase 2: Modellversuch und wissenschaftliche Begleitung

Die Kompostierung von Pflanzenabfaellen in den Berliner Bezirken kommt aufgrund der zunehmenden Flaechenkonkurrenz innerhalb des Stadtgebietes immer mehr in Bedraengnis. Zudem zeigt sich, dass die Kompostierung aufgrund fehlender Mittel und Kenntnisse meist nicht sehr effektiv durchgefuehrt wird. Mit Hilfe eines Forschungsvorhabens war zu klaeren, wie die bezirkliche Gruenrestekompostierung auch langfristig als wichtige Abfallvermeidungsmassnahme sichergestellt werden kann. Grundidee war die Verringerung des Flaechenbedarfs durch eine Optimierung des Rotteprozesses unter praxisnahen und kostenguenstigen Bedingungen. Die Ergebnisse zeigen, dass mit geringem organisatorischen und betrieblichen Aufwand bereits sehr gute Ergebnisse in dieser Hinsicht erzielt werden koennen. Durch eine gemeinsame Ausschreibung von Dienstleistungen werden zudem die anfallenden Betriebskosten reduziert.

Versuche an der Wechseldurchströmungsanlage zur Untersuchung von Porenwasserüberdruck und Verflüssigung in (schluffigen) Sanden

Basierend auf der Grundlage zur Bemessung für Böschungs- und Sohlsicherungen an Binnenwasserstraßen (GBB, 2010) sollen Modellversuche und Berechnungen zur Porenwasserdruckentwicklung in (schluffigen) Sanden durchgeführt werden um ein mögliches Optimierungspotenzial zu bewerten. Zudem soll das Verflüssigungsverhalten dieser Sande betrachtet werden. Aufgabenstellung und Ziel Ufer von Bundeswasserstraßen unterliegen hydraulischen Einwirkungen. Schiffe z. B. erzeugen bei Vorbeifahrt am Ufer einen sogenannten Absunk, der im Boden Porenwasserüberdrücke und damit Porenströmungen erzeugt, die zur Verflüssigung einer oberflächennahen Schicht führen können. Bei konventionellen Deckwerken wird die lokale Standsicherheit der Böschungen durch das Aufbringen einer Flächenlast (Wasserbausteine) gewährleistet. Die Bemessung der Deckschicht erfolgt dabei anhand des BAW-Merkblatts „Grundlagen zur Bemessung von Böschungs- und Sohlsicherungen an Binnenwasserstraßen (GBB)“ (Bundesanstalt für Wasserbau 2010). Technisch-biologische Ufersicherungen (TBU) können dabei helfen, Wasserstraßen wieder naturnaher zu gestalten. Diese können aus einer Kombination von pflanzlicher und technischer Sicherung oder durch eine rein pflanzliche Sicherung hergestellt werden. Bei TBUs ohne technische Komponenten fehlt eine sichernde Auflast. Die Stabilität wird hier primär durch das Wurzelwerk der Pflanzen hergestellt. An bestehenden TBUs wurde beobachtet, dass besonders in den ersten Jahren nach dem Einbau Bodenerosion auftritt, obwohl die Fließgeschwindigkeiten gering sind (Fleischer und Soyeaux 2016). Möglicherweise wird der Erosionsprozess durch das Auftreten von Porenwasserüberdrücken bis hin zur Verflüssigung hervorgerufen bzw. begünstigt. In dieser Arbeit werden Versuche zur Überprüfung des Ansatzes für den Porenwasserüberdruck bei der Bemessung der Deckschichtdicke für schluffige Sande unter Auflast an der Wechseldurchströmungsanlage (WDA) durchgeführt. Zudem werden auch Versuche mit freier Oberfläche durchgeführt, um das Verhalten der entsprechenden Böden für TBUs besser einschätzen und mögliche Verflüssigungsprozesse erkennen zu können. Die Versuche werden dann nach dem BAW Merkblatt: „GBB“ (Bundesanstalt für Wasserbau 2010) sowohl mit analytischen als auch numerischen Methoden nachgerechnet, mit den Versuchsergebnissen verglichen und um eine Parameterstudie ergänzt. Hierbei steht die Überprüfung der Bemessungsgrundlagen und die Bewertung des Optimierungspotenzials der Deckwerksdicke im Vordergrund. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Als Dienstleisterin der WSV entwickelt die BAW im Referat Erdbau- und Uferschutz die Bemessungsregeln für Deckwerke an Bundeswasserstraßen und untersucht insbesondere die Standsicherheit und Weiterentwicklung naturnaher Ufersicherungen, welche zunehmend an Bedeutung gewinnen. Durch eine mögliche Optimierung der Bemessung von Deckschichtdicken könnten Ufersicherungen noch wirtschaftlicher und ressourcenschonender geplant werden. Zudem gilt es, für die weitere Planung von Wasserstraßen den immer wichtiger werdenden Aspekt einer umweltverträglichen und ökologisch sinnvollen Alternative zu Schüttsteindeckwerken voran zu treiben. Um die bereits eingesetzten technisch-biologischen Ufersicherungen weiter etablieren zu können, ist ein vertieftes Prozessverständnis der Verflüssigungsprozesse in Bereichen ohne Deckschicht für verschiedene Bodentypen (z. B. nach dem BAW-Merkblatt MAR B2, B3 und B4) notwendig.

Untersuchung des Wirkbereiches von Schiffswellen im Flachwasser

Berechnung und Messung von Schiffswellen in seitlich begrenztem Fahrwasser Wie weit reichen die schiffserzeugten Wellen und Strömungen des Primärwellensystems eines Schiffes? Neben der Beantwortung dieser Frage soll zusätzlich der validierte Bereich vom Nahfeld des Schiffs in Richtung Ufer vergrößert werden. Dazu werden bestehende Messverfahren zur Vermessung der Wasseroberfläche eingesetzt. Aufgabenstellung und Ziel An den Seehafenzufahrten liegen seitlich der Fahrrinne häufig sehr weitläufige und flache Gewässerbereiche oder angrenzende Strukturen wie Hafenbecken und Seitenarme. In diesen Bereichen beruht die Prognose von Ausbreitung und Wirkbereich schiffserzeugter Primärwellen derzeit auf vereinfachten Annahmen und theoretischen Überlegungen oder muss sehr aufwändig im gegenständlichen Modell mit einem hohen Personal- und Sachmitteleinsatz untersucht werden. Die Relevanz dieser Gewässerbereiche nimmt aufgrund ökologischer Aspekte oder verstärkter Betroffenheiten zu, sodass die Prognosesicherheit der schiffserzeugten Belastungen hier verbessert werden muss. Das bereits zur Berechnung von Schiffsdynamik und schiffserzeugten Belastungen eingesetzte CFD-Verfahren (numerische Strömungssimulation) wird für die projektpraktische Anwendung im Böschungs- und Uferbereich eingerichtet und anhand von Messdaten aus dem Labor und aus der Natur validiert. Anhand von systematischen CFD-Untersuchungen wird ermittelt: (i) unter welchen Bedingungen weit von der Fahrrinne entfernt liegende Böschungs- und Uferbereiche durch schiffsinduzierte Wellen und Strömungen belastet werden, (ii) unter welchen Bedingungen eine Belastung von Böschungen und Ufern entsteht, die sich nicht durch eine lineare Übertragung der Belastungen am Böschungsfuß der Fahrrinne herleiten lässt und (iii) wie sich die Primärwelle in angeschlossenen Gewässerbereichen, bspw. Hafenbecken und Seitenarmen, ausbreitet und quantitativ auswirkt. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Um Fragestellungen in der Fachaufgabe Wechselwirkung Seeschiff/Seeschifffahrtsstraße effizient bearbeiten zu können, wurde die Methode der numerischen Strömungssimulation eingeführt. Die Verfügbarkeit eines numerischen Strömungsmodells zur Vorhersage fahrdynamischer Größen und Strömungsbedingungen im Flachwasser ist bei vielen Aufgaben der WSV erforderlich. Zusätzlich zu dem Fokus auf die Schiffsdynamik ist eine Aussage zu der schiffserzeugten Belastung notwendig. In diesem FuE-Projekt soll die Prognosefähigkeit des CFD-Verfahrens insbesondere in Ufer- und Seitenbereichen deutlich erhöht werden. Neben der Verfügbarkeit einer prognosefähigeren Methode werden außerdem anhand der Untersuchungen allgemeingültige Zusammenhänge ermittelt. Damit ist zukünftig für einfache Sachverhalte eine Ableitung der Ausbreitung und Wirkung von Schiffsprimärwellen in Seeschifffahrtsstraßen ohne aufwändige CFD-Simulation möglich. Untersuchungsmethoden Um die oben aufgeführten Ziele zu erreichen, wird das kommerziell verfügbare, bereits seit vielen Jahren in der BAW eingesetzte und für die unterschiedlichen Fragestellungen validierte CFD-Softwarepaket STARCCM+® genutzt (Bechthold und Kastens 2020, Kochanowski und Kastens 2022, Delefortrie et al. 2023). Im Bereich Naturmessungen soll durch Einsatz neuer Vermessungsmethoden, die in der BAW bereits vorhanden sind, eine Verbesserung von Wellen- und Strömungsdaten angestrebt werden, um flächenhafte Daten zum Schiffswellensystem zu erheben. Mit diesen neuen flächenhaften Daten und bereits vorhandenen punktuellen Daten aus dem physikalischen Modellversuch soll das CFD-Verfahren jenseits des Nahbereichs um das Schiff weiter validiert werden. Das validierte Verfahren wird dann für systematische Untersuchungen flacher, weitläufiger Bereiche und angeschlossener Gewässerteile genutzt.

1 2 3 4 5 … 229 230 231