Diskontinuierliche Nutzung von Daten und Medien im Projekt
“Digitisation” vs. “Digitalisation” vs. “Digital Transformation“
§ “Digitisation”: Überführung analoger in digitale Information/Signale (bits/bytes) § 1986: 0.8% Digitale Information § 2007: 94% Digitale Information
§ “Digitalisation”: Datenverarbeitung in Organisationen durch moderne digitale Technologien. → Umbruch
§ “Digital Transformation“: Digitale Transformation (sozial)
§
Digitale oder Virtuelle Zwillinge oder Twins: „Twinning“ der physikalischen Welt durch virtuelle Abbildungen
Cloudification, connectivity, data as glue?
§ Cloudification: “The conversion and/or migration of data and application programs in
order to make use of cloud computing” → Daten zentralisiert und online verfügbar Beispiel: cloud.tu-braunschweig.de
§ Connectivity: “the means by which individual terminals, computers, mobile devices, and local area networks connect to the global internet“
§ Data as glue?: Centralized data storage and data bases essential to provide services.
Artificial Intelligence und Machine-learning
Gängige Methoden
Neural networks
Support vector machines
Bayesian networks
Decision trees
K-nearest neighbour algorithm
Sensor Technologie / IoT im Marinen Bereich
Messen von unterschiedlichen räumlichen und zeitlichen Daten in hoher Auflösung:
Satellitenaufnahmen
Umweltdaten (-analyse)
Strömungs- und Wellendaten im Ozean und an der Küste
Virtual Reality und Augmented Reality
VirtualReality: Computergenerierte, simulierte Wirklichkeit; zukünftiger Realitäten von Objekten in der Entwurfsphase
AugmentedReality: Verschmelzung von realem und digitalem Design als
Illustration; zusätzliche Einblenden von Informationen oder anderen Elementen; Möglichkeit von Interaktion in Echtzeit
Sturmflutinduzierte Erosion von Küstenschutzdünen
Stärken: Prozessverständnis durch datengetriebene Forschung
Herausforderungen: Hohe Komplexität und Vorraussetzungen (Komplexität und Verfügbarkeit) von Daten
Digitalisierung von sturmflutinduzierten Dünenbruch
Feldexperiment einer künstlichen Forschungsdüne in Rostock-Warnemünde
Zeitlich und räumlich hochaufgelöste Messungen als Basis für numerische Modellierung
Daten und prozessbasiertes modellieren von Seegang für Sylt
Stärken: Moderne und unterschiedliche Berechnungsansätze eröffnen neue Möglichkeiten
Herausforderung: Verständnis der zugrundeliegenden Prinzipien
Wie gut sind neuere Machine-Learning gegenüber etablierten, prozessbasierten Modellen?
Prozessbasierte Modelle hier: Delft3D (wie vorher bei den Dünen)*
Machine Learning hier: Künstliche Neuronale Netze (KNN)
Datenbasierte Modellierung mit KNN
Aufbau des KNN:
KNN für die datenbasierte Modellierung der hydrodynamischen Prozesse im küstennahen Bereich
Prozessbasiertes, regionales Modell
Hindcast-Simulation: Berechnungszeitraum: 2012 Sturmflutbedingungen (21.01. – 24.01.2012)
Input:
Bathymetrie (statisch, AufMod 2012)
1. Wasserstands Zeitreihe: EasyGSH-DB
Format: boewrt (& bct) Auflösung: 10 min
2. Wasserstands Zeitreihe + Strömung: EasyGSH-DB
3. Wasserstands Zeitreihe: CoastDat 2 Format: netcdf
Randbedingungen
Seegangsdaten: § CoastDat 2 § Zeitreihen (Hs, Tp, θwave, σθ) § Spektrale Berechnung (JONSWAP) § Online Kopplung mit Delft3D-Wave (SWAN)
Winddaten: § Messpfahl Westerland § Zeitreihe (u10, θwind) § Gleichmäßige Verteilung im gesamten Modellgebiet
Vergleich KNN – Delft3D
Datenbasiertes Modell (KNN)
• Je höher die Wellen, desto größer die Streuung; i.d.R. leichte Unterschätzung der hohen Wellen
Prozessbasiertes Modell (Delft3D)
• Berechnung anhand von physikalischen Prozessen, jedoch vereinfacht („Modell“)
• Vorhersage innerhalb des vorhandenen Erfahrungsraums (Datengetrieben)
• Überschätzung der „niedrigen“ Wellenhöhen und Unterschätzung der hohen Wellen
Erneuerbare Energien und Meerestechnik
Stärken: Enge Verzahnung von Industrie und Forschung sowie Hardware und Software
Herausforderungen: Daten und Simulationsergebnisse assimilieren
Digitalisierung im Seebau
- Modellierung geotechnisch-hydrodynamischer Prozesse
§ Kopplung von numerischen Modellen und experimenteller Hardware: Hardware-in-the-loop
Detailgetreue Nachbildung des Prototypen im Experiment
Umgehen durch Kopplung von Hardware und numerischen Modellen über HIL System
Für Floating Offshore Wind problematisch auf Grund von Skalierungseffekten
Kopplung von numerischen Modellen und experimenteller Hardware: Hardware-in-the-loop
Effekte von Meeresspiegelanstieg und Klimawandel in SIDS
Stärken: Küsteningenieurwesen leistet einen bedeutenden Beitrag um Klimawandelfolgen zu erforschen
Herausforderungen: Komplexe Realitäten benötigen differenzierte Betrachtungsweisen
Auswirkungen des Meeresspiegelanstiegs - Was bedeutet das eigentlich?
Der Meeresspiegelanstieg (SLR) auf den Malediven soll bis zum Ende des Jahrhunderts in der Größen- ordnung von 40-80 cm liegen (⬅ siehe IPCC- Sonderbericht SROCC, linkes Bild).
Dies entspricht etwa der Differenz zwischen dem
heutigen mittleren Meeresspiegel und dem
Tidehochwasser (Meeresspiegeldaten unten ⬇ ).
Von der Feldkampagne zu Digitalen Geländemodellen
-Luftaufnahmen
Luftaufnahmen der gesamten Insel Fuvahmulah’s mit einem Quadrocopter aufgenommen (DJI Phantom 4)
-Ground Truthing
Ground Control Points (GCPs) oder Kontrollpunkte mit GNSS Systemen gemessen
-Digitalization
Luftaufnahmen und GCPs ergeben ein digitales Geländemodell, berechnet durch “Structure-for-Motion - MultiView Stereo” (SfM-MVS) Algorhytmen.
Erosion quantifizieren
Küstenerosion kann in bewohnten Küstengebieten, wie hier auf den Malediven, zu einem Problem werden. Mit Luftbildern und Photogrammetrie können wir in zwei Feldkampagnen, (2017, links; 2019, rechts), topografische Veränderungen und so Erosion quantifizieren
SfM-MVS im Flachwasser
Wie gut sind eigentlich Unterwasserauf- nahmen zur Rekonstruktion der Topographie?
Wir haben das Riff zu unterschiedlichen Zeitpunkten (trocken und dann unter steigender Tide) aufgenommen und die Fehler des SfM-MVS-Algorhytmus’ berechnet, damit diese Daten auch in Zukunft benutzt werden und Fehler quantifiziert werden können.
Bathymetry (Unterwassertopographie)
“Traditionelles” Messen des Gewässerbodens durch Echolote.
Kombinieren von aquatischen und terrestischen Geländedaten
Rifftopographie und Flachwasserbereiche durch Drohnenbilder und Photogrammetrie (SfM-MVS)
Korallenriff und tiefere Bereiche (bis ca. 80-120m Wassertiefe mit Echolot)
Raster und Interpolation mit der Software: Generic Mapping Tool (GMT)
Randbedingungen für ein numerisches Modell: Wellenklima
Es gibt verschiedene Arten von numerischen Modellen, die entweder die Wellenausbreitung oder die Wellenbildung aufgrund von Wind- und Wettereffekten darstellen (Klimamodelle).
Klimamodelle ermöglichen es das lokale Wellenklima für die Malediven und die Insel zu bestimmen (wie hier gezeigt ➡ ).
Die Malediven werden dominiert von
höhere Wellen in der Regen- oder Nasszeit und kleinere Wellen in der Trockenzeit
südliche und südöstliche Dünung mit einer gewissen Vielfalt an lokalen Windwellen.
Numerisches Modell
Wave Input: Hs = 2.3m, Tp = 17s
Depth-limited JONSWAP Spectrum
(TMA) (99% Hs from reanalysis model 1979-2016)
Constant Manning's n: 0.013 Grid size: 7.5 x 7.5m
2DH Model BOSZ (Boussinesq Ocean & Surf Zone model,
Erosion: Keine Auswirkung des Meeresspiegelanstiegs
Anhand des numerischen Modelles konnten wir nachweisen, dass die Erosion auf der Insel keine Auswirkung des Meeresspiegelanstiegs ist, sondern der Hafen den Sedimenttransport unterbricht.
In der Zwischenzeit wurden jedoch neue Küstenschutzbauwerke geplant, die die Erosion verhindern und die Insel vor Klimawandelfolgen schützen sollen.
Vor dem Hintergrund der aktuellen Forschung ist dies jedoch nicht zielführend.
Koralleninseln könnten mitwachsen – wenn sie nicht gestört werden!
Field experiment sensing for nature-based solutions at coastlines
Stärken: Feldmessungen geben gute Einblicke und realistische Abbildungen der Realität vor Ort
Herausforderungen: Anspruchsvolle Forschungsumgebungen und große Datenmengen (+Speicherbedarf und Referenzierung)
Monitoring of wave, current, and water level data in salt marsh
§ Selbst gebauter, kostengünstiger Strömungsmesser (Balke et al., 2021)
§ Sensor/Boje MSR145 B4A § Gewicht = 42.3 g § Volumen = 70 ml § Länge = 21.5 cm
§ Output: Zeit wenn Unterwasser, Strömungs- geschwindigkeiten wenn Unterwasser
Validierung im Labot vor Feldeinsatz in der Salzwiese
§ Korrelation: Beschleunigung vs. Fließgeschwindigkeit
Beispiel von on-/offline Sensornetzwerken
Ozeandaten zur Bewertung von Ereignissen vor Ort / Echtzeitsituationen
Data prerequisites for numerical modelling predictions
§ Simulation eines großen Teils der Ostfriesischen Inseln (Delft3D Modell von Strömungen und Wellen)
§ Datenverfügbarkeit (Qualität, Kohärenz)
Modellierung und Herstellung von Austernriffen (deutschen Wattenmeer)
Strength: Bessere Daten in schwierige Umgebungen
Herausforderungen: Online/live Daten schwer zu messen
Die Pazifische Auster als invasive Spezies
§ Niedersächsisches Wattenmeer § 2005: 6t–1000ha § 2013:202000t–1800ha
§ Aktuelle Situation:
© NDR, 2020
§ Austernriffe in Niedersachsen § Austernriffe, gemischte Bänke und reine Miesmuschelbänke in Schleswig Holstein
Die Pazifische Auster als invasive Spezies in Niedersachsen
Eigenschaften der Pazifischen Auster
§ Ansiedelung auf vorherigen Muschelbänken
§ Erhöhte Rauheit aufgrund größerer Größe und komplexer Oberfläche
§ Riffbildung
§ Ansiedlung in der Nähe von Prielen
Feldmessungen
Photogrammetrie zu digitalem Modell
Take-home Messages
§ Digitalisierung im Küsten- und Meeresingenieurwesen:
§ Ein Prozess, der mit Daten, Datenbanken und Datenanalyse beginnt...
§ sich fort setzt mit der Verknüpfung dieser Daten in gekoppelten Modellen, Simulationen, Gebäudeinformationsmodellen usw...
§ Und darin gipfelt, dass Produkte, Ergebnisse und Werkzeuge genutzt werden, um alte Geschäftsfelder umzuwandeln und neue aufzubauen.
§ Digitalisierung erfordert: § Vorbereitung, lebenslanges Lernen, Bereitschaft & Flexibilität, ...
Zuletzt geändertvor 2 Jahren