API src

Found 7 results.

Teilvorhaben B

Das Projekt "Teilvorhaben B" wird vom Umweltbundesamt gefördert und von DBF Deutsche Basalt Faser GmbH durchgeführt. ;the HyWet project investigates the cost efficient and robust manufacturing of FRP-metal hybrid structures consisting of sheet metal blanks made of steel or aluminum with a local FRP reinforcement. A promising approach to overcome the cost issues is the hybrid Wet Compression Molding technology where a textile semi-finished product is wetted by a resin and directly formed into a sheet metal structure. In this case, the adhesion of the sheet metal and composite is realized by co-molding whereby the chosen resin takes the role of an adhesive. After the forming and co-molding process the tool is kept closed for further curing of the FRP reinforcement.

PlexPlain: Erklärende KI für Komplexe Lineare Programme am Beispiel intelligenter Energiesysteme

Das Projekt "PlexPlain: Erklärende KI für Komplexe Lineare Programme am Beispiel intelligenter Energiesysteme" wird vom Umweltbundesamt gefördert und von Technische Universität Darmstadt, Centre for Cognitive Science durchgeführt. In vielen Bereichen der KI werden lineare Programme eingesetzt, z.B. bei Planungsproblemen, Reinforcement Learning oder zur Analyse von tiefen neuronalen Netzen. In Anwendungen sind diese linearen Programme aber so komplex, dass sie nur von Experten mit viel Erfahrung verstanden werden. Ziel des Vorhabens PlexPlain ist daher eine automatisierte Erzeugung von kognitiv adäquaten Erklärungen für komplexe lineare Programme. Dazu wird zunächst an einfachen Beispielen in Verhaltensstudien untersucht, welche Erklärungen kognitiv adäquat sind. Hypothesen sind: (1) Erklärungen müssen von vielen Variablen abstrahieren, (2) Wirkzusammenhänge lassen sich für das menschliche Verständnis vorteilhaft in einem graphischen Modell darstellen und (3) Erklärungen müssen zielbezogen sein. Diese Prinzipien können für Strategy Summarization genutzt werden, z.B. um Handlungsstrategien, die bspw. durch Reinforcement Learning gelernt wurden, zu begründen. Beim Inverse Reinforcement Learning geht es darum, die Gründe eines Agenten aus beobachtetem Verhalten zu erschließen. Auch diese Methoden werden entsprechend weiterentwickelt. Parallel zu diesen kognitionswissenschaftlichen Studien und unter Berücksichtigung von formalen Kriterien, wie z.B. Robustheit, Sensitivität und Genauigkeit, werden neue KI-Methoden entwickelt, die (semi-)automatisiert graphische Modelle und Erklärungen aus komplexen linearen Programmen erstellen. Diese Methoden werden auf ein komplexes, realistisches Planungsproblem angewendet: Die Energiewende. Wie muss Deutschland seinen Energiemix über die Zeit anpassen, um seine Klimaziele zu erreichen? Daneben werden die neuen Methoden auch in Vorhersageproblemen, z.B. der Vorhersage von Strompreisen, mit tiefen neuronalen Netzen erprobt. Das ist möglich, weil neuronale Netze mit bestimmten Aktivierungsfunktionen stückweise lineare Funktionen sind und daher verwandt mit linearer Programmierung.

DARE: Trainings-, Validierungs- und Benchmarkwerkzeuge zur Entwicklung datengetriebener Betriebs- und Regelungsverfahren für intelligente, lokale Energiesysteme

Das Projekt "DARE: Trainings-, Validierungs- und Benchmarkwerkzeuge zur Entwicklung datengetriebener Betriebs- und Regelungsverfahren für intelligente, lokale Energiesysteme" wird vom Umweltbundesamt gefördert und von Universität Paderborn, Software Innovation Lab im Software Innovation Campus Paderborn durchgeführt. Dezentrale, elektrische Energienetze stellen besondere Herausforderungen an die Betriebs- und Regelungsverfahren zur Sicherstellung einer durchgängigen und effizienten Energieversorgung. Regenerative und volatile Kraftwerke (Wind, Photovoltaik/PV) sowie (Batterie-)Speicher werden meist mittels leistungselektronischer Steller in die lokalen Netze eingebunden. In Kombinationen mit dem stochastischen Leistungsbedarf durch die angeschlossenen Lasten sowie typischerweise nur geringen Speicher- und Reservekapazitäten ist eine sichere Energieversorgung deutlich schwieriger aufrecht zu erhalten als in zentralen Netzen. Dezentrale Energienetze sind zudem heterogen, da sie nach Anwendungsgebiet ausgerichtet sind. Zum Betrieb und Regelung derart stochastischer, heterogener und volatiler Energienetze können die traditionellen Top-Down-Strategien zentraler Großnetze nicht übertragen werden. Stattdessen zeichnen sich datengetriebene und selbstlernende Verfahren, bspw. aus dem Bereich des Reinforcement Learning, als mögliche Lösungen ab. Ziel dieses Projekts ist es daher ein Open-Source Simulations- und Benchmarkframework aufzubauen, welches den oben skizzierten Problemrahmen beim Betrieb dezentraler Energienetze abbildet. Durch leicht zugängliche sowie standardisierte Trainings-, Validierungs- und Benchmarkwerkzeuge soll die Erforschung datengetriebener Regler für die Energietechnik beschleunigt und vergleichbar gemacht werden. Durch die Integration wirtschaftlicher Partner aus der energietechnischen Praxis wird hierbei großen Wert auf die Abbildung realistischer Bewertungsszenarien gelegt. Das zu erstellende Open-Source Framework wird daher auch einen wichtigen Beitrag hin zum Transfer datengetriebener Regler von der Simulation hin zum Feldeinsatz leisten.

KI_fuer_MVA - Künstliche Intelligenz zur Regelung von Müllverbrennungsanlagen

Das Projekt "KI_fuer_MVA - Künstliche Intelligenz zur Regelung von Müllverbrennungsanlagen" wird vom Umweltbundesamt gefördert und von Universität Bremen, Institut für Automatisierungstechnik durchgeführt. Die Feuerleistungsregelung von Müllverbrennungsanlagen ist eine Herausforderung, weil der anfallende Müll und damit die Vorgänge im Kessel stark und unvorhersehbar variieren. Klassische Regelungskonzepte können diese Aufgabe daher nicht so gut bewältigen wie ein gut geschulter, menschlicher Operator. Daher ist der Einsatz eines Neuronalen Netzes (NN) sinnvoll, um das Verhalten des Operators zu erlernen und in den entsprechenden Situationen reproduzieren zu können. Diesen Ansatz ('Imitation Learning') hat Uniper Technologies in den letzten Jahren verfolgt und dabei bemerkenswerte Resultate erzielt, die zu einer verbesserten Energieeffizienz der Anlage geführt haben. Nachteile: - Sehr umfangreiche Daten erforderlich - Zur Sicherheit müssten alle Betriebssituationen enthalten sein, was für kritische unmöglich ist - Imitation Learning erfordert Widerspruchsfreiheit der Daten, was nicht immer gegeben ist - Aufwendige Bestimmung notwendig, welche zeitlich zurückliegenden Werte in das NN einfließen müssen - Spezielle Regelanforderungen wie z.B. kleine Stellgrößengradienten können nicht explizit vorgegeben werden - Das NN kann nie besser werden als der imitierte Operator Daher soll Reinforcement Learning (RL) genutzt werden, um ein optimales NN zu trainieren. Hierzu wird ein Simulationsmodell der Anlage entwickelt, das leicht auf unterschiedliche Anlagen anpassbar ist und in dem Störeinflüsse systematisch vorgegeben werden können. Dann wird ein Basisregler mit Fuzzy-Regeln erzeugt, auf den das NN trainiert wird, um eine Grundfunktionalität zu erlernen. Anschließend wird das NN mit dem Modell und einer übergeordneten RL-Steuerung zusammengeschaltet, die die Störungen im Modell koordiniert und die Stelleingriffe des NN mit Feedback bewertet, so dass das NN lernen kann. Als Zielfunktion soll die Dampfmenge maximiert werden, bei Einhaltung von Emissionsgrenzwerten und möglichst geringen Gradienten. Abschließend soll das optimierte NN an einer realen Anlage erprobt werden.

Teilprojekt: 'Verstärkung nichtlinearer Frequenz-Upconversionseffekte durch metallische Nanopartikel'

Das Projekt "Teilprojekt: 'Verstärkung nichtlinearer Frequenz-Upconversionseffekte durch metallische Nanopartikel'" wird vom Umweltbundesamt gefördert und von RWTH Aachen University, Fachgruppe Physik, I. Physikalisches Institut durchgeführt. Das Ziel des Verbundprojektes ist die Verbesserung des Wirkungsgrades von Solarzellen und die Optimierung der Materialnutzung durch den Einsatz nanostrukturierter optischer Materialien. Das spezielle Ziel des hier beantragten Teilvorhabens ist die Entwicklung von Nanokompositdünnschichtsystemen, in denen Frequenz-Upconversion aus dem nahinfraroten Spektralbereich durch die optische Feldüberhöhung an der Oberfläche metallischer Nanopartikel verstärkt wird. Die Arbeitsgruppe RWTH wird an der Modellierung der optischen Effekte (Arbeitspaket A) beteiligt sein, die benötigten Dünnschicht-Nanokomposit-Probenstrukturen in Zusammenarbeit mit dem Forschungszentrum Jülich herstellen (Beitrag zu Arbeitspaket C) und an der optischen Charakterisierung der Strukturen beteiligt sein (Arbeitspaket D). Die Ergebnisse des Teilvorhabens werden zusammen mit den Verbundpartnern erarbeitet bzw. diesen frühzeitig mitgeteilt und auf Tagungen und Symposien allen Interessierten vorgestellt. Die Vernetzung der Verbundpartner mit führenden Firmen der deutschen Photovoltaikindustrie sichert den Transfer von Know-how in die Industrie.

Teilvorhaben: Anpassung REMix Modell und Szenarienbewertung

Das Projekt "Teilvorhaben: Anpassung REMix Modell und Szenarienbewertung" wird vom Umweltbundesamt gefördert und von Deutsches Zentrum für Luft- und Raumfahrt e.V., Institut für Technische Thermodynamik durchgeführt. Für die Energiesystemanalyse wird das Optimierungswerkzeug REMix zunächst für die Lösung großer, hochaufgelöster europäischer Energiesystemmodelle angepasst, so dass viele Millionen von Szenarien auf Hochleistungsrechnern gelöst werden können. Im Projekt werden die Lösungsalgorithmen dafür weiterentwickelt. Der weite Parameterraumscan schafft eine einzigartige Datengrundlage, da eine sehr gute Abdeckung von Modelleingangsparametern erfolgt. Durch die Integration neuronaler Netzwerke mit Reinforcement-Learning werden solche Optimierungssuchen stark beschleunigt. Durch verschiedene Modellkopplungen (Netze, Amiris, REMix) sind diese drei Modelle gemeinsam in der Lage, robuste, sensible und kostengünstige Transformationspfade zu identifizieren. Die Modellkopplung erlaubt so, komplexe Fragestellungen zu beantworten und die hohe Auflösung erlaubt sehr differenzierte Analysen. UNSEEN liefert somit einen wichtigen Beitrag zu einer insgesamt verbesserten wissenschaftlichen Politikberatung.

Teilprojekt: Prozessüberwachung der Dampfkapillar-Tiefe beim Laserstrahlschweißprozess und Entwicklung eines maschinellen Lernsystems für die Beurteilung der Schweißnahtqualität

Das Projekt "Teilprojekt: Prozessüberwachung der Dampfkapillar-Tiefe beim Laserstrahlschweißprozess und Entwicklung eines maschinellen Lernsystems für die Beurteilung der Schweißnahtqualität" wird vom Umweltbundesamt gefördert und von Fraunhofer-Institut für Lasertechnik durchgeführt. Als Ziel des Verbundprojektes 'TopLamp' wird ein neues, laserbasiertes Verfahren für das Hochgeschwindigkeitsschneiden und -schweißen entwickelt, mit dem eine flexible und dynamische Materialbearbeitung von metallischen Bipolarplatten zur Herstellung von Brennstoffzellen möglich ist. Die Zielsetzung des Teilprojektes ist die Entwicklung eines überwachten Laserstrahlschweißverfahren für eine lange und mediendichte Schweißnaht an dünnen, metallischen Platten ( kleiner als 100 Mikrometer ) zu entwickeln. Eine weitere Zielsetzung ist die gezielte Steuerung der Einschweißtiefe beim Laserstrahlschweißprozess mithilfe eines Supervised und Reinforcement Learning.

1