API src

Found 4065 results.

Similar terms

s/kit/KI/gi

Other language confidence: 0.5991965611161125

Erschließung von Ressourcen- und Energieeffizienzpotentialen für faserverbundkeramische Hochtemperatur-Leichtbausysteme durch digitale Transformation bestehender Fertigungsstrukturen, Teilvorhaben: Semantische Ontologien

Dezernat 120 Informations-Technik und Umweltinformationssysteme

Das Dezernat Informationstechnik und Umweltinformationssystem ist eine Organisationseinheit der allgemeinen Abteilung des LUNG M-V. Hier werden die allgemeinen Informations- und Telekommunikationsangelegenheiten des LUNG sowie ressorteinheitliche und behördenübergreifende IT-Projekte betreut. Das Dezernat koordiniert den Aufbau des Umweltinformationssystems M-V. Es verwaltet den zentralen Umweltdatenkatalog (UDK) des Landes M-V. Die Aufgaben im Einzelnen sind: - Umweltinformationssystem, Bereitstellung öffentlich zugänglicher Umweltfachdaten und Umweltmetadaten (UDK ) im Intra- und Internet - Geodatenmanagement, Konzeption und Gestaltung der GIS-Ausstattung, Planung und Koordination von GIS-Projekten im Umweltressort - Planung, Entwicklung und Betreuung IuK-Infrastruktur des LUNG und im Bereich des Umweltressorts - Koordinierung von IT-Fachverfahren, Bereitstellung zentraler Dienste im Umweltressort - IT-Einsatz, -Betrieb und -Anwenderbetreuung der Staatlichen Ämter für Umwelt und Natur

KI unterstützte Kommunikationstechnologien zur dynamischen Optimierung von Mobilität und Energiespeichern zur Frequenzstabilisierung und Energieversorgung, Teilvorhaben Comfortcharge: Bidirektionales Laden

Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, Microgrid, entworfen. Im Anschluss werden Mobilitätsalgorithmen für die Nutzung von batterieelektrischen Fahrzeugen als mobile Energiespeicher entwickelt, die temporäre Selbstversorgung von Teilnetzen ermöglichen. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet und anhand des dadurch erarbeiteten Know-hows weiter verbessert. Das übergeordnete Ziel des Projektes DymoBat ist die Entwicklung von marktfähigen Lösungen für die zukünftige Stromnetzverwaltung zur Nutzung von verteilten Energieressourcen auf Basis der Anwendung von 5G-Technologien.

Die Anwendung Maschinellen Lernens bei der Fertigung von Festoxidzellen ( Machine-Learning for Solid Oxide Cells ), Teilvorhaben: MaLeFoG (Maschinelles Lernen für Foliengießen)

Im Rahmen des Projekts werden Verfahren des maschinellen Lernens (ML) angewandt, um die Herstellung von elektrochemischen Energiewandlern (Festoxidzellen als wichtige Technologie für die Wasserstoffwirtschaft) durch Foliengießen zu optimieren. Poröse Substrate und Elektrodenschichten für Brennstoff- und Elektrolysezellen weisen komplexe Mikrostrukturen auf, die stark von den Rohpulvern, den Eigenschaften des Schlickers, den Gießparametern und den anschließenden Trocknungs- und Sinterungsschritten abhängen und folglich die Funktionalität der Zellen bestimmen. Die Entwicklung von Schlickern und die Optimierung von Gieß- und Trocknungsparametern erfolgt bisher fast ausschließlich empirisch und mit großem Aufwand. Datenbasiertes maschinelles Lernen soll einerseits diese Entwicklungszeit im Labor minimieren und andererseits die Qualität und Produktivität erhöhen sowie den Gesamtenergieverbrauch (insbesondere beim Trocknen / Sintern) für die industrielle Produktion reduzieren. Dies wird zusätzlich zu den allgemeinen Zielen der Energie-wende und der Bewältigung der Klimakrise beitragen. Zu diesem Zweck wird eine neue Forschungsdatenmanagementstruktur aufgebaut, die eine lückenlose Erfassung aller Prozessschritte auf Basis eines elektronischen Laborbuchs, d.h. von der Schlickerherstellung bis zur fertigen Schicht, mittels in-situ Messmethoden ermöglicht. Anschließend werden Schlickerrezepte und Verarbeitungsparameter bereitgestellt und durch ausgewählte ML-Algorithmen getestet, um die optimalen Prozessparameter zu ermitteln. Schließlich werden diese durch Simulationen ermittelten Parameter von den Projektpartnern praktisch überprüft.

Quantitative optische Differentialdiagnostik für Umweltschutz und Nachhaltigkeit in der Landwirtschaft (quantiFARM), Teilvorhaben: KI-basierte Modellierung der Bezüge zwischen Bodenfluoreszenz und umweltschutzrelevanten Bodenparametern sowie Nachhaltigkeitsbewertung

Die Anwendung Maschinellen Lernens bei der Fertigung von Festoxidzellen ( Machine-Learning for Solid Oxide Cells )

Landmanagement Subsahara-Afrika: Gemeinsame Entwicklung von Innovationen für ein nachhaltiges Landmanagement in kleinbäuerlichen Betrieben in West-Afrika, Teilvorhaben 6: Risikonetzwerk und Digitalisierung

Biodiversität, Maschinelles Lernen und Agrarwirtschaft, KI-gestützte Biodiversitätssteuerung mit Agrardaten

Individualisierte Visualisierung von Energiewendemaßnahmen, Teilvorhaben Szenarien und Transformation

Ziel des Verbundprojekt 'EnerVi - Individualisierte Visualisierung von Energiewendemaßnahmen' ist es, im Rahmen von partizipativ-gesellschaftlichen Prozessen systemübergreifend Innovationen zu entwickeln, um Stakeholder:innen und Verbraucher:innen die Folgen der Energiewende transparent zu machen, nachhaltiges Verhalten zu aktivieren und zu festigen. Das Vorhaben umfasst technische, soziale, institutionelle und organisationale Innovationen in den Modellregionen (Stadt Berlin und die Ortsgemeinde Neuerkirch). Die Modellregionen unterscheiden sich sehr deutlich in den soziokulturellen Lebensbedingungen und den energiewirtschaftlichen Voraussetzungen und bilden damit eine große Spannweite der in Deutschland vorhandenen gesellschaftlichen und energetischen Milieus ab. Ein zentrales Element des Vorhabens ist die Entwicklung eines Webtools, das mit Hilfe künstlicher Intelligenz (KI) individualisiert auf die konkrete Person die Folgen der Energiewende in den Modellregionen visualisiert. Es werden die Potentiale der Energiewende und mögliche Klimaveränderungen im regionalen Umfeld anhand von mit KI 'gemorphten' Bildern mittels unterschiedlicher Zukunftsszenarien transparent gemacht. Dabei werden auch die Auswirkungen eigener persönlicher und kollektiver Entscheidungen (z.B.eigene/kommunale Energieversorgung, eigene/kommunale Energienutzung, Konsumverhalten, etc.) berücksichtigt und die Auswirkungen etwa auf die persönlichen Energiekosten, den Energieverbrauch oder auch von nachhaltigen Konsummöglichkeiten dargestellt.

Dynamische hyporheische Zone: Einfluss von instationärer Strömung und bewegtem Flussbett auf organische Spurenschadstoffen

Organische Spurenstoffe (TrOCs) sind eine vielfältige Gruppe von Chemikalien wie Arzneimittel, Pestizide, Körperpflegeprodukte. In vielen Tieflandbächen, in die gereinigtes Abwasser eingeleitet wird, treten hohe TrOC-Belastungen auf. Diese Bäche sind oft durch Feinsedimente gekennzeichnet, in denen Wasserströmung über kleine Bettformen Druckunterschiede erzeugt, so dass Wasser ins, im und aus dem Bachbett fließt (hyporheischer Austausch). Biotransformations- und Sorptionsprozesse verringern die TrOC-Konzentrationen im Porenwasser stärker als im Oberflächenwasser. Bei vielen Verbindungen sind diese Prozesse redoxabhängig, d.h. die Verweildauer des Wassers in bestimmten Redoxzonen des Betts ist für die TrOC-Abnahme entscheidend. Bisherige Forschungen zu Fließgewässern haben sich fast ausschließlich auf stationäre Sohlformen konzentriert, obwohl Sohlformen in Fließgewässern häufig in Bewegung sind. Ihre Bewegung beeinflusst Fließwege, Fluxe und Redoxzonen im Sediment. Das Projekt zielt darauf, die Auswirkungen von sich bewegenden Sohlformen auf die TrOC-Abnahme zu untersuchen. Außerdem soll erforscht werden, wie dynamische Fließregime die Flussbettmobilität und die TrOC-Abnahme beeinflussen. Dazu werden Felduntersuchungen mit Fließrinnenexperimenten und Modellierungen kombiniert. Die Felduntersuchungen erfolgen in einem kleinen Fließgewässer mit sandigem Flussbett und hoher Spurenstoffbelastung (gereinigtes Abwasser). Der Versuchsaufbau ermöglicht eine Variation der Fließgeschwindigkeit und damit der Bewegung der Sohlformen. Planare 2D-Optoden erlauben eine Identifikation der Redoxzonierung und damit eine redoxspezifische Beprobung der TrOC-Konzentrationen. Experimente in einer einzigartigen Fließrinne an der Ben-Gurion Universität erlauben eine systematische Variation der Sohlformgeschwindigkeit, ein dynamisches Abflussregime und geben so einen Einblick in die Schlüsselprozesse, die die TrOC-Abnahme kontrollieren. Nach der Zugabe der TrOC werden Zeitreihen ihrer Abnahme im Oberflächenwasser gemessen. Die Redoxzonen im Sediment werden durch planare 2D-Optoden identifiziert und beprobt. Um die Ergebnisse zu verallgemeinern, wird ein reaktives Spurenstoff-Transportmodell für beliebig geformte, instationäre Bettformen entwickelt. Dabei wird auf Basis vorhandener Fließrinnen-Datensätze maschinelles Lernen zur Vorhersage der Fluxverteilungen im Gewässerbett eingesetzt. Strömungs- und Reaktionsparameter werden anhand von Fließgewässer- und Erpe-Datensätzen kalibriert und dann wird eine Monte-Carlo / Maschinenlernen-Studie durchgeführt, um die Reaktionsrate des Gesamtsystems anhand der beobachteten Parameter vorherzusagen. Durch die Verbesserung des mechanistischen Verständnisses der Spurenstoffabnahme in Fließgewässern soll diese Forschung die langfristigen Vorhersagen über den Verbleib von TrOCs in Fließgewässern verbessern und Sanierungsstrategien zur Verbesserung der Wasserqualität in Gewässersystemen vorantreiben.

1 2 3 4 5 … 405 406 407