API src

Found 2324 results.

Related terms

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.

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>

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.

Verwendung der Präzisionsphänotypisierung und Hochdurchsatzgenotypisierung zur züchterischen Auswahl von autochthonen Hochlagenfichten, Teilvorhaben 2: Biomechanische Simulation der Kronenarchitektur von Fichten unterschiedlicher Herkünfte zur Quantifizierung adaptiver Vorteile

Mit Hilfe der Präzisionsphänotypisierung und Hochdurchsatzsequenzierung sollen Nachkommenschaften schmalkroniger Hochlagenfichten und breitkroniger Tieflagenfichten unter kontrollierten Gewächshausbedingungen charakterisiert werden. Das Ziel ist die Identifizierung von genetischen und phänotypischen Zeigermerkmalen zur Früherkennung und züchterischen Auswahl von autochthonen und anpassungsfähigen Hochlagenfichten für den Fichten-Provenienzwechsel im Thüringer Wald. Weiterhin soll, basierend auf vergleichenden morphologischen Messungen an adulten Fichten unterschiedlicher Herkünfte (Hochlagen und Tieflagen), ein parametrisierbares 3D-Modell der Verzweigungsarchitektur und Benadelung entwickelt werden. Dieses soll die Grundlage bilden für biomechanische Simulationen zur Stabilität der Krone unter Wind- und/oder Schneebelastung. Durch Modellexperimente soll so die Hypothese geprüft werden, dass der Hochlagen-Phänotyp besser an diese Lasten adaptiert ist. In dem FNR-geförderten Vorgängerprojekt 'Verwendung moderner SNP-Technologie zur Identifikation und Auswahl von Frost- und schneeharten Bergfichten zur Begründung stabiler und ertragreicher Fichtenbestände im Rahmen des Fichten-Provenienzwechsels im Thüringer Wald' (06/2016 - 06/2020, Referenznummer: 22023814) wurden basierend auf genetischen Untersuchungen und der phänotypischen Ansprache im Bestand Elternbäume der Hochlagenfichte im Vorkommen der Schloßbergfichten in Thüringen und in drei zusätzlichen Vorkommen identifiziert (Caré et al., 2020a; Caré et al., 2020b; Caré et al., 2018).

Verwendung der Präzisionsphänotypisierung und Hochdurchsatzgenotypisierung zur züchterischen Auswahl von autochthonen Hochlagenfichten

Mit Hilfe der Präzisionsphänotypisierung und Hochdurchsatzsequenzierung sollen Nachkommenschaften schmalkroniger Hochlagenfichten und breitkroniger Tieflagenfichten unter kontrollierten Gewächshausbedingungen charakterisiert werden. Das Ziel ist die Identifizierung von genetischen und phänotypischen Zeigermerkmalen zur Früherkennung und züchterischen Auswahl von autochthonen und anpassungsfähigen Hochlagenfichten für den Fichten-Provenienzwechsel im Thüringer Wald. Weiterhin soll, basierend auf vergleichenden morphologischen Messungen an adulten Fichten unterschiedlicher Herkünfte (Hochlagen und Tieflagen), ein parametrisierbares 3D-Modell der Verzweigungsarchitektur und Benadelung entwickelt werden. Dieses soll die Grundlage bilden für biomechanische Simulationen zur Stabilität der Krone unter Wind- und/oder Schneebelastung. Durch Modellexperimente soll so die Hypothese geprüft werden, dass der Hochlagen-Phänotyp besser an diese Lasten adaptiert ist. In dem FNR-geförderten Vorgängerprojekt 'Verwendung moderner SNP-Technologie zur Identifikation und Auswahl von Frost- und schneeharten Bergfichten zur Begründung stabiler und ertragreicher Fichtenbestände im Rahmen des Fichten-Provenienzwechsels im Thüringer Wald' (06/2016 - 06/2020, Referenznummer: 22023814) wurden basierend auf genetischen Untersuchungen und der phänotypischen Ansprache im Bestand Elternbäume der Hochlagenfichte im Vorkommen der Schloßbergfichten in Thüringen und in drei zusätzlichen Vorkommen identifiziert (Caré et al., 2020a; Caré et al., 2020b; Caré et al., 2018).

Lösungsansätze zur Vermeidung von Kabelschäden im Nahbereich von Offshore-Gründungsstrukturen unter Berücksichtigung der Fluid-Struktur-Boden Interaktion, Teilvorhaben: Experimentelle und numerische Untersuchung der dynamischen Lasten auf Kabel von Offshore-Gründungsstrukturen

Im Rahmen des Verbundvorhabens 'CableProtect - Lösungsansätze zur Vermeidung von Kabelschäden im Nahbereich von Offshore-Gründungsstrukturen unter Berücksichtigung der Fluid-Struktur-Boden Interaktion (CableProtect)' befasst sich das Teilvorhaben 'Experimentelle und numerische Untersuchung der dynamischen Lasten auf Kabel im Nahfeld von Offshore-Gründungsstrukturen' mit der Ermittlung von Einflussfaktoren auf ungewünschte Kabelbewegungen im Nahfeld von Offshore-Windenergie-Gründungsstrukturen und der Entwicklung erfolgversprechender Lösungsansätze. Motiviert sind die Arbeiten durch Kabelschäden, die durch Abrieb des äußeren Schutzmantels des Kabels am nah gelegenen Kolkschutz entstanden sind. Dabei gelten strömungs- und welleninduzierte Kräfte, die auf das freie Kabel zwischen der Anbindung an die Gründungsstruktur und der Einbettung am Meeresboden einwirken, als Ursachen für Kabelbewegungen. Die Vorhersage des Strömungsfelds ist jedoch komplex, da dieses signifikant von den örtlichen Umgebungsbedingungen und den hydrodynamischen und geomechanischen Wechselwirkungen zwischen Gründungsstruktur, Kabel und Kolkschutz am Meeresboden abhängt. In diesem Zusammenhang thematisiert das Teilvorhaben CableProtect-Loads die hydrodynamisch induzierten Kabellasten unter Berücksichtigung der elastischen Verformung des Kabels. Hierzu werden innovative Berechnungsverfahren auf Basis einer Feldmethode zur Lösung von Reynolds-gemittelten Navier-Stokes Gleichungen weiterentwickelt, um z.B.Wirkungen von Viskosität und Turbulenz (Wirbelablösungen) zu untersuchen. Im Weiteren werden zur Validierung der rechnerischen Ergebnisse der anderen Teilvorhaben Modellversuche zu hydromechanischen Kornumlagerungen unter Strömungs- und Welleneinfluss durchgeführt. Abschließend werden Lösungsansätze zur Reduktion des Schadensrisikos von Kabeln im Nahfeld von Gründungstrukturen mit Fokus auf eine reduzierte Erregung ermittelt, validiert und in einem Auslegungsleitfaden dokumentiert.

Einfluss des Kriechens auf die Wiederverwendungs-Potentiale von gebrauchten Holzkomponenten, Teilvorhaben 2: Mechanische Modellierung von Gebrauchtholz unter Berücksichtigung der Lastgeschichte

Lösungsansätze zur Vermeidung von Kabelschäden im Nahbereich von Offshore-Gründungsstrukturen unter Berücksichtigung der Fluid-Struktur-Boden Interaktion

Im Rahmen des Verbundvorhabens 'CableProtect - Lösungsansätze zur Vermeidung von Kabelschäden im Nahbereich von Offshore-Gründungsstrukturen unter Berücksichtigung der Fluid-Struktur-Boden Interaktion (CableProtect)' befasst sich das Teilvorhaben 'Experimentelle und numerische Untersuchung der dynamischen Lasten auf Kabel im Nahfeld von Offshore-Gründungsstrukturen' mit der Ermittlung von Einflussfaktoren auf ungewünschte Kabelbewegungen im Nahfeld von Offshore-Windenergie-Gründungsstrukturen und der Entwicklung erfolgversprechender Lösungsansätze. Motiviert sind die Arbeiten durch Kabelschäden, die durch Abrieb des äußeren Schutzmantels des Kabels am nah gelegenen Kolkschutz entstanden sind. Dabei gelten strömungs- und welleninduzierte Kräfte, die auf das freie Kabel zwischen der Anbindung an die Gründungsstruktur und der Einbettung am Meeresboden einwirken, als Ursachen für Kabelbewegungen. Die Vorhersage des Strömungsfelds ist jedoch komplex, da dieses signifikant von den örtlichen Umgebungsbedingungen und den hydrodynamischen und geomechanischen Wechselwirkungen zwischen Gründungsstruktur, Kabel und Kolkschutz am Meeresboden abhängt. In diesem Zusammenhang thematisiert das Teilvorhaben CableProtect-Loads die hydrodynamisch induzierten Kabellasten unter Berücksichtigung der elastischen Verformung des Kabels. Hierzu werden innovative Berechnungsverfahren auf Basis einer Feldmethode zur Lösung von Reynolds-gemittelten Navier-Stokes Gleichungen weiterentwickelt, um z.B.Wirkungen von Viskosität und Turbulenz (Wirbelablösungen) zu untersuchen. Im Weiteren werden zur Validierung der rechnerischen Ergebnisse der anderen Teilvorhaben Modellversuche zu hydromechanischen Kornumlagerungen unter Strömungs- und Welleneinfluss durchgeführt. Abschließend werden Lösungsansätze zur Reduktion des Schadensrisikos von Kabeln im Nahfeld von Gründungstrukturen mit Fokus auf eine reduzierte Erregung ermittelt, validiert und in einem Auslegungsleitfaden dokumentiert.

Numerische Abbildung von Deckwerken mittel CFD-DEM

Ziel des Forschungsprojekts ist die Ermittlung optimierter Deckwerksausbildungen für charakteristische Randbedingungen an Seeschifffahrtsstraßen. Ein gekoppeltes CFD-DEM Model wird entwickelt zur Simulation der Interaktion der Deckwerkssteine mit schiffsinduzierten Wellen und Strömungen. Aufgabenstellung und Ziel Deckwerke aus losen Wasserbausteinen werden regelmäßig zum Schutz von Uferböschungen an Schifffahrtsstraßen vor Erosion durch hydraulische Belastungen aus schiffs- und windinduzierten Wellen und Strömungen verbaut. Die derzeitigen Berechnungsgrundlagen zur Deckwerksbemessung basieren hauptsächlich auf physikalischen Versuchen und Erfahrungen aus dem Betrieb von Binnenwasserstraßen oder Küstenschutzbauwerken. Für die komplexen und vielfältigen Randbedingungen an Seeschifffahrtsstraßen und im Tidegebiet sind die derzeitigen Berechnungsgrundlagen unzulänglich und die Bemessung daher mit wenig quantifizierbaren Unsicherheiten verbunden. Regelwerke, wie sie für Binnenwasserstraßen entwickelt wurden (GBB, BAW 2010; MAR, BAW 2008), existieren nicht. Für eine sichere und nachhaltige Bemessung der Deckwerke an Seeschifffahrtsstraßen werden numerische Simulationen zur Untersuchung der Stabilität von Deckwerken unter typischen hydraulischen Belastungen im Tidegebiet eingesetzt. Insbesondere ein gekoppeltes Computational Fluid Dynamics - Discrete Element Method (CFD-DEM) Modell wird weiterentwickelt, um die Interaktion zwischen Deckwerksteinen und schiffsinduzierten Wellen und Strömungen zu untersuchen. Ziel des Forschungsprojekts ist die Ermittlung optimierter Deckwerksausbildungen für charakteristische Randbedingungen an Seeschifffahrtsstraßen. Aufbauend auf diesem FuE-Projekt können Regelbauweisen hergeleitet werden und in ein Merkblatt münden. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Erweiterte Kenntnisse über die Interaktion zwischen Deckwerksteinen und hydraulischen Belastungen im Tidegebiet werden zu einer optimierten Deckwerksausbildung für charakteristische Randbedingungen an Seeschifffahrtsstraßen führen. Geringere Bau- und Unterhaltungskosten sind bei einem ausreichendem Sicherheitsniveau und höherer Nachhaltigkeit zu erwarten. Untersuchungsmethoden Im Rahmen des Vorgängerprojekts (B3952.06.04.70270) wurde bereits ein CFD-DEM-Modell zur Untersuchung der Stabilität von losen Deckwerken gegenüber Wellen- und Strömungsangriff entwickelt (Petzold 2018; Sorgatz 2023). Physikalische Modellversuche sowie Messungen in der Natur wurden durchgeführt und mit dem Modell numerisch simuliert. Das Modell hat jedoch einige Einschränkungen, die nunmehr behoben werden sollen. Insbesondere soll ein neues Modell erstellt werden, bei dem die Fluidzellen kleiner als die Steine sind, um Strömungseffekte und Turbulenzen zwischen Deckwerksteinen zu berücksichtigen. Außerdem sollen nicht-sphärische Geometrien zur Darstellung der Steine verwendet werden, um diese exakter zu simulieren. Zur Entwicklung dieses neuen Modells soll die Software CFDEM® (Goniva 2012) verwendet werden, die zudem den Vorteil besitzt, multi-core zu rechnen. Messungen von Schiffsbelastungen in der Natur sowie von Strömungsbelastungen in der hydraulischen Rinne dienen als Eingangswerte zur Erzeugung der numerischen Wellen und Strömungen. Weitere repräsentative Messungen der resultierenden Zustandsgrößen im Feld und/oder in physikalischen Modellversuchen bilden die Grundlage für die numerische Simulationen und für die Modellkalibrierung und Modellvalidierung. Die bereits vorhandenen Messdaten werden verwendet, aber auch neue Messkampagnen sind geplant. Vorhandenes sowie neues Messequipment soll dabei zum Einsatz kommen (instrumentierte Wasserbausteine, autarke Wasserdruck- und Strömungssonden, ggf. eine Porenwasserdrucksonde). Mit dem neuen numerischen Modell werden zunächst die bereits erfolgten physikalischen Versuche nachgerechnet und verglichen. (Text gekürzt)

1 2 3 4 5 … 231 232 233