Der Datensatz enthält Informationen zur Gründigkeit (Wp, in dm) bis maximal 3 Dezimeter Tiefe der Böden in Deutschland. Grundlage für die Erstellung des Datensatzes ist die deutschlandweit harmonisiert verfügbare Bodenübersichtskarte im Maßstab 1:200.000 (BÜK 200), bereitgestellt von der BGR (2021); (https://www.bgr.bund.de/DE/Themen/Boden/Informationsgrundlagen/Bodenkundliche_Karten_Datenbanken/BUEK200/buek200_node.html). Es handelt sich um Mittelwerte, die landnutzungsspezifisch aus den in der BÜK200 vorliegenden Profilen eines BÜK-Polygons abgeleitet wurden. Die Daten sind keine absolut gültigen Ergebnisse, sondern stehen im Kontext der methodischen Annahmen bei der Erstellung und Verarbeitung der Ausgangsdaten. Die Ableitung des Bodenkennwertes erfolgte auf Grundlage der Bodenkundlichen Kartieranleitung (KA5; Ad-hoc-AG Boden (2005): Bodenkundliche Kartieranleitung (KA 5). Ad-hoc-Arbeitsgruppe Boden der geologischen Landesämter und der Bundesanstalt für Geowissenschaften und Rohstoffe der BRD, Hannover.). Eine grundsätzliche Beschreibung des methodischen Vorgehens findet sich in (Veröffentlichung Abschlussbericht). Diese Kenngröße wird aktuell sowohl für die Ausweisung der Erheblichkeit von erosivem Bodenantrag als auch für die Weiterentwicklung der Wasserhaushaltsmodellierung mit dem Modell LARSIM (der BfG) verwendet.
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.
Übergeordnetes Ziel ist die Entwicklung eines wasserhydraulischen, selektiv arbeitenden Unkrautbekämpfungsgerätes für Grünland. Es wird an den genormten Schnittstellen an den Traktor gekoppelt: Dreipunktaufnahme im Frontanbau, Antrieb über die Zapfwelle, ISOBUS-Steuerung. Innerhalb der Projektlaufzeit soll mit Hilfe von Kameras und künstlicher Intelligenz eine online-Detektion von Herbstzeitlosen und weiteren Schadpflanzen im Grünland erreicht werden. Dabei sollen die neuronalen Netze eines offline Ansatzes, die im Vorläuferprojekt SELBEX für die maschinelle Analyse von Drohnenbildern entwickelt wurden, weiter optimiert und mit dem jetzt angestrebten online Ansatz kombiniert werden. Die Schadpflanzen sollen durch gezielt applizierte Wasserstrahlen zurückgedrängt werden. Auch dieses bereits im Vorläuferprojekt entwickelte Prinzip soll weiter optimiert und das Verfahren auf weitere Pflanzen ausgeweitet werden. Damit kann dieses Gerät für eine selektive und nicht-chemische Unkrautbekämpfung eingesetzt werden und stellt eine einzigartige, bisher nicht verfügbare Lösung dar. Sie wird für landwirtschaftliche Betriebe interessant, die Grünland mit hohen naturschutzfachlich begründeten Auflagen bewirtschaften, nach Ökostandards arbeiten oder im Grünland den Einsatz von chemischen Pflanzenschutzmitteln reduzieren wollen. Das Gerät soll so konstruiert werden, dass Arbeitsbreiten von 2,50 m und 6,0 m möglich sind. So können für verschiedene Flächenstrukturen und Erfordernisse der Kunden wettbewerbsfähige Geräte angeboten werden.
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Die Universität Kassel fokussiert sich im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Langzeitkorrektur von Kurzzeitwindmessungen mittels Methoden von künstlicher Intelligenz und die verbesserte Abschätzung der Designwindbedingungen.
Das Forschungsvorhaben untersucht auf der einen Seite die Auswirkungen der Wassereinspritzung auf das Betriebsverhalten eines Radialverdichters. Die Wassereinspritzung in Axialverdichtern von Gasturbinen ist eine gängige Praxis, um die Leistungsfähigkeit der Turbine zu verbessern. Um dieses Potenzial auch in Radialverdichtern zu nutzen, sind weitere Forschungsarbeiten im Bereich der Flüssigkeitseinspritzung notwendig. Die Radialverdichter werden hauptsächlich in der Prozessindustrie eingesetzt. Ziel dieses Projektes ist es die Berechnung und Einflüsse der Wassereinspritzung auf das Betriebskennfeld eines Radialverdichters zu untersuchen. Im Projekt (FKZ: 03EE5035B) wurde ein Radialverdichter mit Wassereinspritzung aufgebaut und Kennfelder mit und ohne Wassereinspritzung vermessen. Unklar ist das Potenzial der Wassereinspritzung, welches durch den Ort der Verdunstung bestimmt wird, welches hier adressiert werden soll. Im zweiten Thema wird die Abdichtung der Wellenenden, die verhindert, dass das Prozessfluid aus der Maschine in die Atmosphäre entweicht. Die Forschung an berührungslosen Gleitringdichtungen mit Trockengasschmierung DGS (Dry Gas Seals), wird aufgrund des geringen und kontrollierbaren Leckagestroms, des berührungslosen Betriebs und der Eignung für die Hochdruckumgebung, als Dichtungslösung eingesetzt. Im Projekt (FKZ: 03EE5041H) wurden die Prognosemodelle zur Berechnung des Dichtspaltes entwickelt und in ein digitales Zwillingsmodell implementiert. Die gesamte Architektur des digitalen Zwillings basierend auf einer Open Source IoT-Plattform. Im neuen Projekt wird das Gesamtkonzept auf eine reale Maschine übertragen. Die messbaren und nicht messbaren Prozessgrößen der realen Anlage und ihre logischen Zusammenhänge werden mit Hilfe von maschinellem Lernen und physikbasierten Modellen analysiert. Die Ergebnisse werden zur Leistungsoptimierung von Radialverdichtern in der Prozessindustrie genutzt.