API src

Found 271 results.

Related terms

GIS-Datensatz zur primären Mächtigkeit des z2Na im Norddeutschen Becken

Die Bundesanstalt für Geowissenschaften und Rohstoffe (BGR) wurde von der Bundesgesellschaft für Endlagerung (BGE) im Rahmen einer bestehenden Zusammenarbeitsvereinbarung (BGE & BGR 2018. Vereinbarung über die Zusammenarbeit zwischen der BGE und der BGR. Peine, Hannover: Bundesgesellschaft für Endlagerung mbH (BGE), Bundesanstalt für Geowissenschaften und Rohstoffe (BGR), 22. August 2018) mit dem Arbeitspaket „Datenbasis zu Salzstrukturen, Variabilitätsstudie und Entwicklung einer Prognosemethode zum Internbau von Salzstrukturen“ (AP-Nr.: 9S 2022020000) beauftragt, methodische Ansätze für die Prognose des Internbaus von Salzstrukturen zu entwickeln. Im Rahmen dieser Arbeiten wurden gut erkundete Salzstrukturen hinsichtlich ihres Internbaus eingehend untersucht und geologischen Faktoren, die zur Entstehung des Internbaus geführt haben, wurden daraus abgeleitet. Mit der entwickelten Methode können die nach Standortauswahlgesetz (StandAG) durch BGE ermittelten 60 Teilgebiete in Steinsalz in steiler Lagerung systematisch hinsichtlich ihrer geologischen Voraussetzungen für das Auffinden hinreichend großer Wirtsgesteinsbereiche mit Barrierewirkung (WbB) bewertet werden. Ein geologischer Faktor, der zur Bewertung der Komplexität des Internbaus von Salzstrukturen herangezogen werden kann, ist die primäre Steinsalzmächtigkeit. Die Datenlage für eine belastbare Prognose der räumlichen und anteiligen Verteilung des Steinsalzes innerhalb von Salzstrukturen des Norddeutschen Beckens (NDB) ist derzeit noch unzureichend. Um diesen geologischen Faktor für alle 60 Teilgebiete in Steinsalz in steiler Lagerung bewerten zu können, bedurfte es daher einer Kartengrundlage zum NDB mit regional spezifischen Angaben zur Primärmächtigkeit des Steinsalzes der Staßfurt-Formation (z2Na). Der Datensatz enthält die im Rahmen des genannten Arbeitspaketes erstellten Raster-Daten zum Norddeutschen Becken (NDB) mit regional spezifischen Angaben zur Primärmächtigkeit des Steinsalzes der Staßfurt-Formation (z2Na) sowie ergänzenden Berechnungszwischenschritten in drei File-Geodatebases (.gdb). Auf Basis eines aufgearbeiteten kompilierten Basisdatensatzes wurden durch vier unabhängige Bearbeitende unterschiedliche Modelle entwickelt, aus denen ein präferiertes Modell sowie Spannweite, Median, Minimal-, Maximal- und Mittelwert aller Modelle definiert wurden. Weitere Informationen sind dem Bericht (Jähne-Klingberg, F. et al. 2026. Erstellung einer Übersichtsdarstellung zur primären Mächtigkeitsverteilung des Staßfurt-Steinsalzes (z2Na) im Norddeutschen Becken. Kurzstudie. Hannover: Bundesanstalt für Geowissenschaften und Rohstoffe (BGR), 16. März 2026 und der Readme des Datensatzes zu entnehmen.

Kontinuierlich selbstlernende Vorhersagemethoden und Services in smarten Energiemärkten und -netzen, Teilvorhaben: KI-Algorithmen und Modelle

Entwicklung biologisch biotechnischer Verfahren zur Prognose und Bekaempfung von forstschaedlichen Borkenkaefern

Ziel der Untersuchungen ist die Verbesserung der bestehenden Prognoseverfahren und evtl deren spaetere Ueberfuehrung zu einer moeglichen Bekaempfungsstrategie. Zu diesem Zweck werden sowohl Primaer- und Sekundaerlockstoffe sowie Fallensysteme getestet als auch Repellentien bzw Phagoteterrentien in die Versuche einbezogen.

Sonderforschungsbereich Transregio 165 (SFB TRR): Wellen, Wolken, Wetter; Waves to Weather - A Transregional Collaborative Research Center

Die Fähigkeit, das Wetter bis über eine Woche hinaus vorhersagen zu können, erspart unserer Gesellschaft jährlich Kosten in Milliardenhöhe und trägt entscheidend zum Schutz von Leben und Eigentum bei. Die zunehmende Leistungsfähigkeit unserer Computersysteme und neuartige Beobachtungen haben über die Jahre hinweg zu einer kontinuierlichen Verbesserung der Wettervorhersagequalität geführt. Dennoch kommt es immer noch gelegentlich zu erheblichen Fehlvorhersagen. Dies ist nicht allein auf Defizite in den Vorhersagemethoden zurückzuführen - in einem chaotischen System wie der Atmosphäre gibt es Wettersituationen, die per se schwer vorherzusagen sind. Die gegenwärtige Herausforderung ist daher die Vorhersagbarkeit und insbesondere deren Grenzen, abhängig von der jeweiligen Wettersituation, zu identifizieren um eine bestmögliche Vorhersage bereitstellen zu können. Der TRR 165 wird sich dieser Herausforderung stellen und hat sich zum Ziel gesetzt, durch die Beantwortung der zugrunde liegenden wissenschaftlichen Fragestellungen einer neuen Generation von Wettervorhersagesystemen den Weg zu ebnen. Die wichtigsten Ursachen für verbleibende Unsicherheiten in der derzeitigen numerischen Wettervorhersage sind: A das schnelle Wachstum von Fehlern, die durch nicht oder unzureichend dargestellte physikalische Prozesse wie Konvektion oder Mischung in der Grenzschicht entstehen und letztlich zu Veränderungen der Wellen auf synoptischer Skala führen können, B unser begrenztes Verständnis der physikalischen Prozesse in Wolken und C der relative Einfluss lokaler Faktoren und synoptisch-skaliger Wellen auf das Wetter und dessen Vorhersagbarkeit. Im Rahmen von 'Wellen, Wolken, Wetter' werden diese drei Fragestellungen gemeinsam von Experten der Disziplinen Atmosphärendynamik, Wolkenphysik, Statistik, Inverse Methoden und Visualisierung bearbeitet. Dabei wird TRR 165 eine Vielzahl von Methoden anwenden und neu entwickeln, wie etwa numerische Modelle mit detaillierter Darstellung von Wolkenprozessen und Aerosolen, aber auch Ensemblevorhersagen mit hochentwickelten statistischen Nachbearbeitungsverfahren zur mathematischen Beschreibung der Unsicherheit nutzen. Die zusätzliche Entwicklung neuer, interaktiver Visualisierungsmethoden erlaubt eine rasche und intuitive Erfassung komplexer Informationen, die in Ensemblevorhersagen sowohl zu den Ursachen als auch zur Entwicklung der Unsicherheit meteorologischer Strukturen enthalten sind. Die Gesamtziele von 'Wellen, Wolken, Wetter' sind nur durch die Zusammenführung der Expertise von drei renommierten Forschungsstandorten zu erreichen: München mit der LMU, der TUM, dem DLR; Mainz mit der JGU; und Karlsruhe mit dem KIT. Zudem wird im Rahmen dieses Konsortiums ein innovatives Programm geschaffen, das die Entwicklung von Nachwuchswissenschaftlern im Rahmen eines etablierten Netzwerks erfahrener Wissenschaftler fördern und die Chancengleichheit auf allen Karriereniveaus in den beteiligten Disziplinen verbessern soll.

Entwicklung von Basistechnologien für 100% Wasserstoffgasturbinen zur Beschleunigung der Energiewende in Deutschland, Teilvorhaben: KI unterstützte Entwicklung von Flashback Prädiktoren

Reduktion von Energie und Chemie in der Mehrwegreinigung

Agrarmeteorologisches Messnetz

Das Agrarmeteorologisches Messnetz wurde im Rahmen des Programms "Umweltgerechte Landwirtschaft" aufgebaut und umfasste landesweit bis 2006 insgesamt 42 Messtationen (ab 2007 Reduzierung auf 34 Stationen). Das Messnetz dient in erster Linie als Grundlage für computergestützte Entscheidungshilfen und Prognoseverfahren bzw. -modelle im Feldbau (Halmbruch, Getreideblattläuse, Krautfäule, Kartoffelkäfer) sowie im Gartenbau (Apfelschorf, Tierische Schaderreger, Feuerbrand, Gemüsefliegen, Weinkrankheiten). Die Ergebnisse der Prognoserechnungen werden für regionale Warndienstempfehlungen in den Informationsmedien (Internet etc.) bereitgestellt. Weitere Anwendungsgebiete sind: - Auswertung und Interpretation von Feldversuchen, - Beurteilung phänologischer Situationen, - Bewertung des Schaderregerauftretens, - Beurteilung witterungsbedingter Schäden, - Angaben zur klimatischen Wasserbilanz, - Bestimmung von acker- und pflanzenbaulichen Terminen.

Flussmündung Mischung: Hydrodynamische Nahfeldkontrolle des intermodalen Verhaltens und deren Auswirkungen auf die Fischökologie

Flussmündungen sind wichtige Knotenpunkte fluvialer Netzwerke und Hotspots der Biodiversität in Süßwasserökosystemen. Die Strömungsmuster an Flussmündungen sind sehr heterogen und produzieren komplexe Muster innerhalb der Durchmischungsbereiche, die durch intermodales Verhalten gekennzeichnet sind. Die Gesamtdurchmischungsrate, die den Grenzbereich bestimmt, hat erheblichen Einfluss auf die Ausbreitung potentiell schädlicher Stoffe, Wassertemperatur, Sedimente und Biota. Die vorgeschlagenen Forschungsarbeiten zielen darauf ab, das Wissen zur Durchmischung an Einmündungen zu verbessern, indem sie einen grundlegenden, theoriegestützten Einblick in die Auswirkungen von Strahlbildung, Rückströmung und Fließgewässerregulierung auf das intermodale Verhalten an Grenzzonen und deren Auswirkungen auf die Fischökologie geben. In diesem Projekt werden komplexe Durchmischungszonen flacher, grobsubstratiger Flussabschnitte in einem breiten Gradienten hydrologischer Bedingungen direkt im Feld mittels Fernerkundung und Messtechnik bestimmt. Der Vergleich von Feldbeobachtungen mit der Theorie des intermodalen Verhaltens ermöglicht das Verständnis komplexer Durchmischungs-Dynamiken, welches anhand der Ergebnisse der Feldexperimente und numerischer Simulationen erweitert und validiert wird. Diese Experimente werden auch Informationen zum Schwimmweg von Fischen und deren Verhalten in Durchmischungszonen liefern. Diese Informationen dienen zusammen mit der Theorie der Durchmischungsprozesse der Entwicklung eines agentenbasierten Modells zur Simulation der Überlebensmöglichkeit von Fischen während einer Schadstoffpassage. Die Simulationen werden anhand der Ergebnisse einer Fischuntersuchung in einem regulierten Fluss validiert, dessen Ökosystem kürzlich einem Massenfischsterben ausgesetzt war. Die theoretischen und empirischen Ergebnisse unserer Studie werden zur Weiterentwicklung von Vorhersagemethoden verwendet basierend auf der Fernerkundung der Durchmischung in Flüssen.

Physikbasiertes, lernfähiges Energiemanagement zur Sektorenkopplung und Verteilnetzflexibilisierung, Teilvorhaben: Last- und Erzeugungsprognosen (Siemens)

Gebäude-Energie-Management-Systemen (GEMS) tragen dazu bei die steigende Anzahl fluktuierender Erzeuger (z.B. PV Anlagen) sowie elektrischer Lasten (z.B. Elektrofahrzeuge) in das Verteilnetz zu integrieren. Für den optimalen Betrieb von GEMS ist eine genaue Prognose von Erzeugungsanlagen sowie Lasten notwendig. Bisher verwendete Standardlastprofile können den Verbrauch gut abbilden, wenn ausreichend Verbraucher vorhanden sind und diese keine Flexibilität nutzen. Diese Lastabschätzung ist aktuell allerdings kaum in der Lage, Prognosen für wenige Verbraucher bzw. für Verbraucher mit Flexibilitäten wie Batteriespeichern abzubilden. Daher wird im Rahmen dieses Teilvorhabens ein adaptives Prognosewerkzeug entwickelt, das abhängig von den verfügbaren Daten die bestmögliche Verbrauchs- und Erzeugungsprognose liefert. Dieses Teilvorhaben stellt sicher, dass Prognosen mit hoher Verfügbarkeit und Skalierbarkeit bereitgestellt werden, was letztlich zu einer stabileren und nachhaltigeren Energieversorgung führt. Dazu werden verschiedene Prognoseverfahren und deren Kombination, z.B. klassische statistische Methoden, Regressionsmethoden, Machine-learning-Verfahren aber auch neuartigen Entwicklungen wie Pretrained Transformer Modelle erprobt und evaluiert. Insbesondere soll in Zusammenarbeit mit den Projektpartnern der Einfluss des jeweiligen Prognoseverfahren auf den Betrieb der im Projekt entwickelten GEMS evaluiert werden.

Optimierte Verfahren zur Prognose vertikaler Netzlast unter Nutzung von maschinellem Lernen, Teilvorhaben: OptiVNL4Grid - Optimierter Einsatz verbesserter VNL-Prognosen im präventiven Engpassmanagement hochautomatisierter Verteilnetze

Die Verteilung von Energie in elektrischen Netzen unterliegt der Herausforderung eines vorausschauenden Engpassmanagements, um einerseits Abregelungen von erneuerbaren Energien zu minimieren und andererseits Mehrkosten für eine systemstabilisierende Kraftwerkseinsatzplanung (Redispatch) gering zu halten. Prognosen für zukünftige Betriebszustände sind zur optimierten Betriebsführung unverzichtbar und Grundlage der Redispatchprozesse. Dabei kommt es nicht nur auf die Prognosegüte an, sondern auch auf das Wissen um die Unsicherheit der Prognose. Probleme in der Praxis entstehen, wenn Extremereignisse (v.a. hohe Einspeisung) unerwartet auftreten, Schalthandlungen die Netztopologie und damit die Zuordnung von Netzteilnehmern in den Netzabschnitten ändern oder Kurzfriständerungen nicht in die Zustandsschätzungen einbezogen werden. Eine Steigerung von Robustheit und Vertrauenswürdigkeit der Prognosen in Verbindung mit zusätzlicher Information über situative Unsicherheiten der Prognosen verbessern die Einschätzung zukünftiger Netzauslastungen und tragen zu einem sicheren und kostenoptimierten Netzbetrieb bei. Künstliche Intelligenz könnte helfen, um durch automatisierte Mustererkennung und -bewertung sowohl zu einer höheren Prognosegüte als auch einer besseren Einschätzung der Prognoseunsicherheit zu gelangen. Im Teilvorhaben der EWE NETZ sollen die Anforderungen an unsicherheitsbehaftete Engpassprognosen für den operativen Betrieb von Verteilnetzen geschärft werden. Während Konzepte erstellt werden, um Unsicherheiten von Engpassprognosen in die Prozesse der hochautomatisierten Netzführung gewinnbringend zu integrieren, sollen gleichzeitig die Ursachen und Zeitpunkte systemkritischer Prognosefehler gefunden und dokumentiert werden. Im Weiteren sollen optimierte Prognosemethoden an Anwendungsbeispielen bei EWE NETZ verprobt und analysiert werden. Zudem soll die Anwendbarkeit der Methoden auf eine präventive Engpasserkennung in der Niederspannung untersucht werden.

1 2 3 4 5 … 26 27 28