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.
Anhand von Experimenten im physikalischen Modell wurden durch Bodenformen verursachte Strömungs- und Turbulenzprozesse untersucht. Hierzu wurden Laborversuche in einer Strömungsumlaufrinne mit abstrahierten Modelldünen durchgeführt.
Für die Erhebung eines umfangreichen Datensatzes zur Beschreibung des Strömungsfeldes über einer Bodenform wurde eine Modelldüne eingesetzt, deren Geometrie sich an in der Weser beobachteten Dünen mit sogenanntem Ebb Slip Face (EbbSF) orientiert. Die Dünenabmessungen und hydrodynamischen Größen wurden im Maßstab 1:10 nach Froude skaliert. Die Modelldüne wurde als zweidimensionale Einzeldüne eingebaut und einer unidirektionalen Strömung konstanter Geschwindigkeit und gleichbleibendem Wasserstand ausgesetzt. Durch die Verwendung von Riffelblech für die Herstellung der Modelldüne wurde die natürliche Oberflächenrauheit realer Dünen nicht nachgebildet.
Für die Strömungsmessungen wurde im Bereich über und hinter dem Modellkörper eine enge Verteilung der Messpositionen gewählt, sodass ein umfassender Rohdatensatz mit hochfrequenten, akustischen Strömungsdaten bereitgestellt wird.
Literatur:
- Carstensen, C., Holzwarth, I. (2023): Flow and Turbulence over an Estuarine Dune – Large-Scale Flume Experiments. Die Küste. https://doi.org/10.18171/1.093103
- Bundesanstalt für Wasserbau (2021): FAUST. Teilprojekt E: Laboruntersuchungen BAW. FuE-Abschlussbericht B3955.02.04.70230. https://hdl.handle.net/20.500.11970/108336
Zitat für diesen Datensatz (Daten DOI):
- Bundesanstalt für Wasserbau (2021): Laborversuche in einer Strömungsrinne mit skalierter Modelldüne (EbbSF) [Data set]. Bundesanstalt für Wasserbau. https://doi.org/10.48437/02.2021.K.9900.0001
Das Projekt zielt darauf ab, KI-Modelle für die Strukturmechanik von Gasturbinen zu entwickeln, um Entwicklungsprozesse und die Lebensdauerabschätzung von Bauteilen zu optimieren. Der Fokus liegt auf der Beschleunigung von Designzyklen durch die damit ermöglichten schnellen und präzisen Vorhersagen für strukturmechanische Kenngrößen wie Spannung, Dehnung und Verformung. Ferner ist das Ziel, neue Designs für Turbinenbauteile effizient zu generieren und damit die Innovationszyklen im Bereich industrieller Konstruktions- und Fertigungsprozesse zu verkürzen. Ein besonderer Schwerpunkt des Projekts liegt auf der Modellierung des thermomechanischen und hochzyklischen Ermüdungsverhaltens von Turbinenschaufeln, einschließlich der Auswirkungen von Kriech- und Ermüdungseffekten. Traditionelle Methoden wie FEM sind zwar präzise, jedoch rechenintensiv und zeitaufwändig. Das geplante KI-Modell soll diese Berechnungen erheblich beschleunigen. Die Modelle, die in diesem Forschungsvorhaben angestrebt sind, lassen sich als Foundation-Modelle im Bereich der Strukturmechanik für Gasturbinen auffassen. Sie basieren auf umfangreichen Datensätzen und kombinieren Expertenwissen mit physikalischen Modellen. Solche Modelle können auf verschiedene Aufgaben angewendet werden, was sie im Vergleich zu bisherigen, spezialisierten Ansätzen flexibler, effizienter und robuster macht. Neben präzisen Vorhersagen ermöglichen sie auch den Transfer von gelerntem Wissen von einer Aufgabe auf eine andere. Dieser Prozess soll als Blaupause dienen, inwiefern man in spezifischen Bereichen der physikalischen Simulation von Bauteilen, datengetriebene, generative Modelle entwickeln kann, die anschließend dauerhaft im Designprozess eingesetzt werden.
Ziel des Projekts KIMBIF ist die Hochrechnung (Extrapolation) und Prognose (Forecast) der Erzeugungsleistung von Photovoltaik(PV)-Anlagen mit bifazialen PV-Modulen. Durch die Nutzung des auf der Rückseite einfallenden Lichts erreicht einen höheren Ertrag im Vergleich zu monofazialen Modulen. Die Einstrahlungsverhältnisse auf der Rückseite eines Modulfeldes sind jedoch so komplex, dass die Leistung einer solchen PV-Anlage mit rein physikalischen Modellen nicht mit vertretbarem Aufwand und der erforderlichen Genauigkeit aus den aktuellen Betriebsbedingungen abgeschätzt oder vorhergesagt werden kann Im Projekt werden daher datengetriebene Modelle mit Methoden der künstlichen Intelligenz (KI-Modelle) für Monitoring und Einspeisevorhersage von bifazialen PV-Systemen entwickelt und in einem großen, kommerziellen PV-Park zur Anwendung gebracht. Diese generischen Modelle sollen zum einen durch Mehrfachadaption die Extrapolation von einer begrenzten, detailliert vermessenen Referenzeinheit (PV-Modulstrang oder PV-Teilfeld) auf den gesamten PV-Park erlauben und zum anderen auf andere PV-Anlagen übertragbar sein. Dies beinhaltet auch Verfahren zur kontinuierlichen Adaptierung der KI-Modelle mittels Life-long Learning, um eine nahezu unmittelbare Nutzung nach dem Betriebsstart einer PV-Anlage mit einer limitierten Datenbasis sowie eine fortschreitend verbesserte Anpassung der KI-Modelle an das reale Betriebsverhalten zu ermöglichen. Die KI-Modelle werden zur Ermittlung der erwarteten aktuellen Leistungswerte für einen PV-Park, für die Anlagenüberwachung zur Fehlererkennung auf der Ebene der Teileinheiten und für die vorausschauende Wartungsplanung (predictive maintenance) eingesetzt. Des Weiteren wird mit dem Modell ein Leistungsvorhersagesystem (z.B. 24h-Forecast) unter Verwendung von Wetterprognosen für eine optimierte Betriebsführung des PV-Parks erstellt und im Betriebsleitsystem implementiert und erprobt.
Ziel des Projekts KIMBIF ist die Hochrechnung (Extrapolation) und Prognose (Forecast) der Erzeugungsleistung von Photovoltaik(PV)-Anlagen mit bifazialen PV-Modulen. Durch die Nutzung des auf der Rückseite einfallenden Lichts erreicht einen höheren Ertrag im Vergleich zu monofazialen Modulen. Die Einstrahlungsverhältnisse auf der Rückseite eines Modulfeldes sind jedoch so komplex, dass die Leistung einer solchen PV-Anlage mit rein physikalischen Modellen nicht mit vertretbarem Aufwand und der erforderlichen Genauigkeit aus den aktuellen Betriebsbedingungen abgeschätzt oder vorhergesagt werden kann Im Projekt werden daher datengetriebene Modelle mit Methoden der künstlichen Intelligenz (KI-Modelle) für Monitoring und Einspeisevorhersage von bifazialen PV-Systemen entwickelt und in einem großen, kommerziellen PV-Park zur Anwendung gebracht. Diese generischen Modelle sollen zum einen durch Mehrfachadaption die Extrapolation von einer begrenzten, detailliert vermessenen Referenzeinheit (PV-Modulstrang oder PV-Teilfeld) auf den gesamten PV-Park erlauben und zum anderen auf andere PV-Anlagen übertragbar sein. Dies beinhaltet auch Verfahren zur kontinuierlichen Adaptierung der KI-Modelle mittels Life-long Learning, um eine nahezu unmittelbare Nutzung nach dem Betriebsstart einer PV-Anlage mit einer limitierten Datenbasis sowie eine fortschreitend verbesserte Anpassung der KI-Modelle an das reale Betriebsverhalten zu ermöglichen. Die KI-Modelle werden zur Ermittlung der erwarteten aktuellen Leistungswerte für einen PV-Park, für die Anlagenüberwachung zur Fehlererkennung auf der Ebene der Teileinheiten und für die vorausschauende Wartungsplanung (predictive maintenance) eingesetzt. Des Weiteren wird mit dem Modell ein Leistungsvorhersagesystem (z.B. 24h-Forecast) unter Verwendung von Wetterprognosen für eine optimierte Betriebsführung des PV-Parks erstellt und im Betriebsleitsystem implementiert und erprobt.