In OPTOP werden Design und Betrieb des Receivers als zentraler Schnittstelle der Solar Island eines Solarturmkraftwerks verbessert. Dafür wird innovative Messtechnik in ein Monitoringsystem basierend auf Machine Learning und Digital Twin integriert. Das Projekt OPTOP hat drei Kernthemen: a) Sensorik für Receiver: In einem integralen Messkonzept für den Receiver wird die verbesserte Erfassung der Receiveroberflächentemperatur mittels Infrarotkameras, eine nicht-invasive Erfassung der Fluidtemperatur im Receiver, eine betriebsbegleitende Strahlungsdichtemessung und die kamerabasierte Reflexionsgradvermessung des Receivers implementiert. Die Sensordaten werden gemäß den Prinzipien von Industrie 4.0 und dem IoT aufbereitet und für die Betriebsoptimierung und das Receivermonitoring bereitgestellt. b) Receivermonitoring und intelligente Betriebsstrategien: Basierend auf dem umfassenden Sensorinput und einem parallellaufenden Digital-Twin-Modell des Receivers wird ein Monitoringsystem entwickelt, das mittels Machine-Learning-Methoden ein Überschreiten der Receiver-Betriebsgrenzen im Voraus erkennt und dem Betreiber einen sicheren Betrieb erleichtert. Darauf aufbauend wird mit dynamischen Zielpunkt- und Defokussierstrategien und O&M-Zyklen eine intelligente Betriebsstrategie entwickelt, die den Betrieb der Solar Island sowohl energetisch als auch ökonomisch optimiert. c) Transientes Receiverdesign: Eine Methodik für das Design des Receivers als zentraler Schnittstelle der Solar Island wird entwickelt, welche das integrale System für maximalen Ertrag im transienten Kraftwerksbetrieb optimiert. Dafür wird der Einsatz variabler Flussschemata untersucht, für welche - um die Grenzen des erlaubten Einsatzbereichs nicht zu überschreiten - die umfassende Kenntnis des Receiverzustands im Betrieb basierend auf Sensorik und Digital Twin notwendig ist. Die entwickelte Sensorik und Simulations-Methodik wird im Labor und im Turmsystem Cerro Dominador in Chile implementiert und getestet.
In OPTOP werden Design und Betrieb des Receivers als zentraler Schnittstelle der Solar Island eines Solarturmkraftwerks verbessert. Dafür wird innovative Messtechnik in ein Monitoringsystem basierend auf Machine Learning und Digital Twin integriert. Das Projekt OPTOP hat drei Kernthemen: a) Sensorik für Receiver: In einem integralen Messkonzept für den Receiver wird die verbesserte Erfassung der Receiveroberflächentemperatur mittels Infrarotkameras, eine nicht-invasive Erfassung der Fluidtemperatur im Receiver, eine betriebsbegleitende Strahlungsdichtemessung und die kamerabasierte Reflexionsgradvermessung des Receivers implementiert. Die Sensordaten werden gemäß den Prinzipien von Industrie 4.0 und dem IoT aufbereitet und für die Betriebsoptimierung und das Receivermonitoring bereitgestellt. b) Receivermonitoring und intelligente Betriebsstrategien: Basierend auf dem umfassenden Sensorinput und einem parallellaufenden Digital-Twin-Modell des Receivers wird ein Monitoringsystem entwickelt, das mittels Machine-Learning-Methoden ein Überschreiten der Receiver-Betriebsgrenzen im Voraus erkennt und dem Betreiber einen sicheren Betrieb erleichtert. Darauf aufbauend wird mit dynamischen Zielpunkt- und Defokussierstrategien und O&M-Zyklen eine intelligente Betriebsstrategie entwickelt, die den Betrieb der Solar Island sowohl energetisch als auch ökonomisch optimiert. c) Transientes Receiverdesign: Eine Methodik für das Design des Receivers als zentraler Schnittstelle der Solar Island wird entwickelt, welche das integrale System für maximalen Ertrag im transienten Kraftwerksbetrieb optimiert. Dafür wird der Einsatz variabler Flussschemata untersucht, für welche - um die Grenzen des erlaubten Einsatzbereichs nicht zu überschreiten - die umfassende Kenntnis des Receiverzustands im Betrieb basierend auf Sensorik und Digital Twin notwendig ist. Die entwickelte Sensorik und Simulations-Methodik wird im Labor und im Turmsystem Cerro Dominador in Chile implementiert und getestet.
In OPTOP werden Design und Betrieb des Receivers als zentraler Schnittstelle der Solar Island eines Solarturmkraftwerks verbessert. Dafür wird innovative Messtechnik in ein Monitoringsystem basierend auf Machine Learning und Digital Twin integriert. Das Projekt OPTOP hat drei Kernthemen: a) Sensorik für Receiver: In einem integralen Messkonzept für den Receiver wird die verbesserte Erfassung der Receiveroberflächentemperatur mittels Infrarotkameras, eine nicht-invasive Erfassung der Fluidtemperatur im Receiver, eine betriebsbegleitende Strahlungsdichtemessung und die kamerabasierte Reflexionsgradvermessung des Receivers implementiert. Die Sensordaten werden gemäß den Prinzipien von Industrie 4.0 und dem IoT aufbereitet und für die Betriebsoptimierung und das Receivermonitoring bereitgestellt. b) Receivermonitoring und intelligente Betriebsstrategien: Basierend auf dem umfassenden Sensorinput und einem parallellaufenden Digital-Twin-Modell des Receivers wird ein Monitoringsystem entwickelt, das mittels Machine-Learning-Methoden ein Überschreiten der Receiver-Betriebsgrenzen im Voraus erkennt und dem Betreiber einen sicheren Betrieb erleichtert. Darauf aufbauend wird mit dynamischen Zielpunkt- und Defokussierstrategien und O&M-Zyklen eine intelligente Betriebsstrategie entwickelt, die den Betrieb der Solar Island sowohl energetisch als auch ökonomisch optimiert. c) Transientes Receiverdesign: Eine Methodik für das Design des Receivers als zentraler Schnittstelle der Solar Island wird entwickelt, welche das integrale System für maximalen Ertrag im transienten Kraftwerksbetrieb optimiert. Dafür wird der Einsatz variabler Flussschemata untersucht, für welche - um die Grenzen des erlaubten Einsatzbereichs nicht zu überschreiten - die umfassende Kenntnis des Receiverzustands im Betrieb basierend auf Sensorik und Digital Twin notwendig ist. Die entwickelte Sensorik und Simulations-Methodik wird im Labor und im Turmsystem Cerro Dominador in Chile implementiert und getestet (Text abgebrochen)
Deutschland möchte mit der Fortführung der Forschung an einer Methode zur möglichst automatisierten Erkennung von Müll an arktischen Küsten weiterhin die Arktischen Staaten dabei unterstützen, ein arktisweit einheitliches (oder zumindest vergleichbares) Verfahren zu etablieren, das es ermöglicht, den Umweltzustand arktischer Küstenabschnitte hinsichtlich des Vorhandenseins von Müll jetzt und in Zukunft zu erfassen und zu bewerten.
Ziel des Projektes ist es, eine Methode zu entwickeln, mittels derer Küsten- und Stranduntersuchungen in der Arktis per Drohne durchgeführt werden können. Bei der Erarbeitung der entsprechenden Methodik liegt der Fokus auf der Ermittlung arktisspezifischer Parameter und der automatisierten Auswertung gewonnener Daten. Die Konzeption soll zunächst an geeigneten Teststränden oder Gebieten in Deutschland erfolgen und dann in der Arktis validiert werden. Des Weiteren sind Konzepte zu erarbeiten, wie beispielsweise arktische Gemeinden, lokale Forschungseinrichtungen oder auch andere Stakeholder wie etwa Reiseunternehmen, die im Arktisraum agieren, die Methode anwenden können. Im Zuge der automatisierten Auswertung soll eine KI entwickelt und trainiert werden, mit der die generelle Detektion von Kunststoffmüll an Küsten und Stränden in der Arktis möglich ist und ggf. auch eine automatisierte Kategorisierung der Müllteile erfolgen kann.
Zielsetzung
Die zunehmende Häufigkeit extremer Wetterereignisse lenkt die Aufmerksamkeit auf Grundhochwasser, das durch steigendes Grundwasser entsteht und erhebliche Schäden an Infrastruktur, Gebäuden und Umwelt verursachen kann. Im Gegensatz zu fluvialen oder pluvialen Hochwassern ist Grundhochwasser schwer zu erkennen und mit traditionellen Schutzmaßnahmen nicht leicht zu bewältigen. Numerische Modelle, insbesondere probabilistische Ansätze wie die Bayessche Inferenz, helfen, Unsicherheiten in der Modellierung und Vorhersage besser zu quantifizieren. Hochwasserrisikokarten sind essenziell für das Management von Grundhochwasser. Allerdings fehlen oft präzise Unsicherheitsanalysen, was durch datengetriebene Ansätze wie maschinelles Lernen verbessert werden könnte. Citizen Science und kostengünstige Sensoren können ebenfalls beitragen, indem sie Datenlücken schließen und die öffentliche Beteiligung fördern. Diese Studie präsentiert ein Rahmenwerk zur Bewertung der Anfälligkeit für Grundhochwasser, das Unsicherheiten berücksichtigt und probabilistische Karten erstellt. Anhand eines Fallbeispiels in Garching 2023 wird gezeigt, wie Modellierungstools effektiv eingesetzt werden können. Abschließend wird vorgeschlagen, Monitoring-Tools und Bürgerbeteiligung auszubauen, um die Risikokommunikation zu stärken, das Bewusstsein zu erhöhen und Maßnahmen zum Grundhochwasserschutz besser zu verankern.