Utsläppen från transportsektorn minskar inte i nog snabbt takt trots att hållbarhet är en prioriterad fråga på övergripande nivå genom bland annat Agenda 2030 och Målbild 2030. Åtgärdsvalsstudier (ÅVS), utredningar som tillämpas tidigt i transportinfrastrukturplaneringen, har potential att bidra till en mer hållbar infrastrukturplanering. Samtidigt har hållbarhetsmål idag en begränsad betydelse för val av åtgärder i åtgärdsvalsstudier. Det saknas konkreta direktiv för hur aktörer inom planeringen av transportsystemet ska agera och prioritera i praktiken för att bidra till omställningen mot ett hållbart transportsystem. Syftet med studien är att öka förståelsen för vilka förutsättningar som finns för ökad integrering av hållbarhet i åtgärdsvalsstudier. Målet är att identifiera brister i metoder och processer som bidrar till svårigheter att integrera hållbarhet i åtgärdsvalsstudier samt föreslå hur metoder och processer kan utvecklas för en ökad integrering av hållbarhet i åtgärdsvalsstudier. Studien belyser frågeställningarna främst utifrån perspektivet regionala planerare på Trafikverket i Norrbottens och Västerbottens län. Studien är kvalitativ och baseras på en litteraturstudie och en fokusgrupp. Fokusgrupp valdes som metod för att generera nya idéer för hur ett konkret arbete med hållbarhet i åtgärdsvalsstudier skulle kunna se ut. Fyra planerare som på olika sätt arbetar med åtgärdsvalsstudier på Trafikverket deltog i fokusgruppen. Resultatet från fokusgruppen och litteraturstudien analyserades med koppling till studiens frågeställningar. Studiens resultat visar på att det är komplext att arbeta med övergripande hållbarhetsmål såsom Målbild 2030 i åtgärdsvalsstudier. En orsak till detta är bland annat bristande vägledning i hur målarbetet konkret ska gå till i åtgärdsvalsstudier vilket medför att arbetet med att ta fram mål för den enskilda åtgärdsvalsstudien är tids- och resurskrävande och mindre vikt läggs därmed på hållbarhetsmål. Det råder även bristande vägledning och expertstöd gällande framtagande och genomförandet av icke-fysiska åtgärder, så kallade steg 1 och 2 åtgärder. Planerarna upplever också en hopplöshet i att andra parametrar än hållbarhet värderas högre vid prioritering av åtgärder i planeringsprocesser som följer efter slutförandet av en åtgärdsvalsstudie. Studien har resulterat i ett antal slutsatser kring hur metoder och processer kan utvecklas för en ökad integrering av hållbarhet i åtgärdsvalsstudier. Ett förslag är att identifiera relevanta hållbarhetsmål för en åtgärdsvalsstudie och formulera specifika mål för åtgärdsvalsstudien utifrån nedbrytningen av övergripande mål. Ett annat förslag är att värdera om ett åtgärdsförslag har negativ, positiv eller neutral påverkan på ett hållbarhetsmål för att få en helhetsbild över vilka mål ett åtgärdsförslag bidrar till att uppfylla. Gällande steg 1 och 2 åtgärder finns behov av expertstöd i åtgärdsvalsstudier samt metodutveckling kopplat till framtagandet av icke-fysiska åtgärdsförslag. Det finns också behov av att utveckla ÅVS-handboken och utbildningar inom ÅVS-metodiken, särskilt kopplat till framtagande av mål. Sammanfattningsvis pekar studien på att det krävs uppdaterade handledningar kopplat till åtgärdsvalsstudier. Detta kan ses som en möjlighet till att utveckla arbetet med hållbarhet i åtgärdsvalsstudier genom att hållbarhet integreras mer i den generella handledningen för åtgärdsvalsstudier och därigenom blir en naturlig del av metodiken. Studiens resultat pekar därmed på att det finns goda möjligheter att utveckla arbetet med hållbarhet i åtgärdsvalsstudier. / Emissions from the transport sector are not declining fast enough, even if sustainability is a prioritised issue through for example Agenda 2030. Strategic choice of measures (Åtgärdsvalsstudier), investigations early in transport infrastructure planning, have the potential to contribute to more sustainable infrastructure planning. At the same time, today sustainability goals have a limited significance for the choice of measures in strategic choice of measures. There are no concrete directives for how actors in transport infrastructure planning should act and prioritise in order to contribute to the transition towards a sustainable transport system. The purpose of the study is to increase the understanding of what prerequisites there are for an increased integration of sustainability in strategic choice of measures. The aim is to identify shortcomings in methods and processes that contribute to difficulties in integrating sustainability in strategic choice of measures. The aim is also to propose how methods and processes can be developed for an increased integration of sustainability in strategic choice of measures. The study illuminates the aim mainly from the perspective of regional planners at the Swedish Transport Administration in the counties of Norrbotten and Västerbotten. The study is qualitative and based on a literature study and a focus group. Focus group was selected as a method to generate new ideas about how a concrete work with sustainability in strategic choice of measures could look like. Four planners who work in different ways with strategic choice of measures at the Swedish Transport Administration participated in the focus group. The results from the focus group and the literature study were analysed based on the research questions. The result of the study indicates that it is complex to work with sustainability goals in strategic choice of measures. One reason for this is a lack of guidance on how the work with targets should be performed, which means that the work of developing goals for the individual strategic choice of measure is time-consuming and resource-intensive. Therefore, less emphasis is placed on sustainability goals. There is also a lack of guidance and expert support regarding the development and implementation of non-physical measures, so-called step 1 and 2 measures. The planers also experience a hopelessness as other parameters than sustainability are valued higher when prioritising measures in planning processes that follow after a strategic choice of measure. The study has resulted in conclusions about how methods and processes can be developed. One proposal is to identify relevant sustainability goals for a strategic choice of measure and formulate specific goals for the strategic choice of measure based on the breakdown of overall goals. Another proposal is to evaluate whether a proposed measure has a negative, positive or neutral impact on a sustainability goal in order to get an overall picture of which goals a proposed measure contributes to fulfil. Regarding step 1 and 2 measures, there is a need for expert support in strategic choice of measures and method development of non-physical measures. There is also a need to develop guidelines and educations in the strategic choice of measures methodology. In summary, the study indicates that updated guidelines about strategic choice of measures are required. This can be an opportunity to develop the work with sustainability in strategic choice of measures by integrating sustainability more into the general guidance. Thus, the results of the study indicate that there are good opportunities to develop the work with sustainability in strategic choice of measures.

Many European railway infrastructure operators have to expand their networks to deal with rising demand. Extensions are planned using the process of timetable-based infrastructure development, where a strategic timetable is calculated first, and necessary infrastructure expansions are identified afterward. While numerous mathematical optimization models for railway network design and railway timetabling exist, there is a lack of network design models that explicitly focus on timetable-based demand data. This is addressed through the development of three variants of the timetable-based railway network design problem (TBRNDP): a nominal model (TBRNDP-N) that optimizes a network for a single timetable scenario, a robust model (TBRNDP-R) that extends the nominal model to incorporate uncertain demand data and a budget-constrained model (TBRNDP-B) that aims to maximize the satisfied demand while respecting a budget. The optimization models developed in this thesis use multigraphs as a mesoscopic representation of railway infrastructure. Nodes represent stations or junctions. The capacity of nodes is not limited due to complexity reasons. Edges represent individual tracks between two nodes, with multiple parallel edges denoting multi-track lines. The infrastructure model also considers node links, which denote which lines are directly connected in a node. The edge capacities are estimated using train type- and order-dependent headway times, which must be respected between two following or crossing trains. The models provide capacity by activating additional edges or reducing travel or headway times. Demand data is derived from a strategic timetable as a list of trains with attributes such as routing or timing restrictions and train types. Furthermore, timing relationships between two trains, such as frequencies or transfers, are considered. A preprocessing routine has been developed to identify and eliminate those variables and constraints that cannot be part of a feasible solution. It consists of three steps: path generation and evaluation, track-choice rules, and headway evaluation. Suitable paths that respect the routing and timing restrictions are generated before the optimization. The track-choice rules reduce symmetry within the optimization. Headway cases are evaluated using the time bounds and the shortest possible travel times to identify which headway times are implicitly respected and which have to be enforced by the optimization model. The nominal model TBRNDP-N optimizes a network for a single strategic timetable. The model computes a feasible macroscopic timetable and a cost-optimal railway network based on the demand data and a choice of possible network elements. The objective function minimizes infrastructure costs, including fixed costs for activating edges and node links and specific costs for each minute of travel or headway time reduction. The objective function is subject to constraints covering network- and timing-related aspects. The network design constraints enforce that one path is activated for each train, that each train is routed on specific tracks, and that all network elements required by trains are activated. The temporal aspect of timetabling is integrated through timing variables that denote the time at which departure and arrival events occur. A feasible temporal path has to be assigned to each train in a way that respects travel times, time bounds, and node timing constraints. Timing relationships between two trains cover frequencies and transfers enforce that two events associated with two trains happen within a defined time window. The headway times are differentiated between following trains that travel in the same direction and crossing trains that travel in opposite directions. Constraints are defined according to the evaluation of headway cases from the preprocessing. Computational experiments are conducted using real-world data from the Deutschlandtakt, a strategic timetable for Germany. They prove the model’s functionality but also show that performance improvements are necessary to calculate high-quality solutions for large test instances. This is addressed by introducing a heuristic decomposition approach based on the logic-based Benders decomposition concept. Using an integer (IP)-model for routing and network design, a satisfiability-module-theories (SMT)-model for timetabling, and an iterative solution procedure, the heuristic is capable of finding solutions in a much shorter time, but at the expense of solution quality. Finally, a brief sensitivity analysis is conducted, which demonstrates that shadow prices are unsuitable for capturing the model’s reactions to right-hand-side modifications and shows that relaxing the time bounds benefits network costs. Strategic timetables are based on demand prognoses and political requirements and, therefore, are subject to uncertainty. Using TBRNDP-N to optimize a network specifically for one strategic timetable could lead to issues when the strategic timetable changes and expensive additions to the infrastructure are necessary to accommodate the additional demands from the modified timetable. To avoid this, the model TBRNDP-N has been expanded to deal with uncertain input data modeled in two ways: discrete timetable scenarios cover different timetable concepts, and optional trains handle uncertain demand within a scenario. The robust model TBRNDP-R can optimize networks on which several different timetable scenarios can be operated. It is possible to control the robustness level through a coverage share parameter. Optional trains can be used to identify capacity reserves within the solution network, as they can be activated if sufficient capacity is available and they do not require additional infrastructure investments. A computational study has been conducted using two small test instances from the Deutschlandtakt, which have been extended to ten scenarios each. The results show that the robust model suffers from performance issues. Therefore, a decomposition heuristic for TBRNDP-R has been developed, which solves the scenarios individually and uses an SMT model to determine which timetable scenario can be activated on which infrastructure. Afterward, the network covering most scenarios is iteratively extended until a solution covering all scenarios has been found. The heuristic showed encouraging results, both in terms of computation times and solution quality. However, it heavily depends on the performance of TBRNDP-N, as it uses this for each scenario. The chapter closes by analyzing the robust model’s sensitivity towards changing train penalties, establishing a trade-off between additional infrastructure costs and penalties for inactive trains. The literature review conducted at the beginning of the thesis shows that many applications for railway network design have to deal with a limited budget for infrastructure investments. Therefore, the budget-constrained model TBRNDP-B has been developed, which features a change in the objective function: Instead of minimizing costs to satisfy a fixed demand, the budget-constrained model aims to maximize the fulfilled demand while respecting a limited budget for infrastructure investments. Six different measures to quantify the fulfilled demand are introduced and evaluated, with the preferred one using the shortest path’s length as the objective coefficient for each train. Computational experiments proved that the model works as intended and that usable solutions can be obtained within a reasonable time. The presented optimization models are valuable tools for an automatic and optimized network design process. Nevertheless, they also provide a foundation for further research. These include extensions of the modeling framework and the development of solution algorithms. Further research focusing on modeling could address the unlimited node capacities by incorporating different measures to quantify the node capacity or using a network-wide capacity measure. Also, more technical restrictions on edges could be considered and used as possible capacity extensions to further increase the practical applicability of the models. The presented models do not consider timetable quality, which could also be a promising topic of further research by incorporating a measure of timetable quality, such as average travel times or operational stability, into the objective function. The heuristic solution algorithms presented for TBRNDP-N and TBRNDP-R provided promising results regarding computation time reduction. However, the one for TBRNDP-N struggled to achieve a solution quality similar to the complete IP model. Refining the heuristics or developing an algorithm capable of providing optimal solutions would be a promising area of research and an essential step toward the productive use of the optimization models.:1. Introduction 1 1.1. Strategic Infrastructure Development 1.1.1. Strategic Timetables and Their Role in the Planning Process 1.1.2. Creating Strategic Timetables Using Mathematical Optimization Models 1.2. Network Design Problems 1.2.1. Combining Network Design and Scheduling 1.2.2. Applications of Network Design Problems to Railways 1.2.3. Robustness in Railway Network Design 1.3. Contributions of This Thesis 2. Modeling Railway Infrastructure, Timetables and Capacity 2.1. Infrastructure 2.1.1. The Mesoscopic Infrastructure Model With Parallel Edges and Node Links 2.2. Timetables 2.3. Capacity of Railway Lines 3. The Nominal Optimization Model TBRNDP-N 3.1. Preparing the Data for Optimization 3.1.1. Path Generation and Network-Related Sets 3.1.2. Track-Choice Rules 3.1.3. Time Window Evaluation and Headway-Related Sets 3.2. Basic Formulations for the Network Design Problem 3.2.1. The Multi-Commodity, Capacitated Fixed-Charge Network Design Problem with Arc-Flow Variables 3.2.2. The Multi-Commodity, Capacitated Fixed-Charge Network Design Problem with Path-Flow Variables and Unsplittable Flows 3.3. The Nominal Timetable-Based Railway Network Design Problem TBRNDP-N 3.4. Computational Experiments for the Nominal Model 3.4.1. Introduction to the Test Dataset 3.4.2. Evaluation of the Preprocessing Measures 3.4.3. Computational Results for Timetable-based railway network design problem - nominal (TBRNDP-N) 3.4.4. Discussion of the Experiments 3.5. A Decomposition Approach for TBRNDP-N Using Logic-Based Benders Decom- position 3.5.1. Benders Decomposition 3.5.2. Logic-Based Benders Decomposition 3.5.3. Satisfiability Modulo Theories 3.5.4. A Decomposition Heuristic for TBRNDP-N using satisfiability modulo theories (SMT) 3.5.5. Computational Results for the SMT-Based Decomposition Heuristic 3.5.6. Discussion of the Heuristic 3.6. Sensitivity Analysis 3.6.1. Sensitivity Analysis in General 3.6.2. Right-Hand-Side Variation for TBRNDP-N 3.6.3. Conclusion 3.7. Summary 4. The Robust Optimization Model TBRNDP-R 4.1. Uncertainty in Strategic Timetables 4.1.1. Timetable Scenarios 4.1.2. Optional Trains 4.2. The Robust Timetable-Based Railway Network Design Problem TBRNDP-R 4.3. Computational Results for the Robust Model 4.3.1. Discussion 4.4. A Decomposition Heuristic for the Robust Model TBRNDP-R 4.4.1. Computational Results for the Decomposition Algorithm 4.5. Sensitivity Analysis of the Robust Model Timetable-based railway network design problem - robust (TBRNDP-R) 4.6. Summary 5. The Budget-Constrained Model TBRNDP-B 5.1. Formulation of TBRNDP-B 5.1.1. Evaluating Different Objective Functions for Timetable-based railway network design problem - budget (TBRNDP-B) 5.2. Computational Results for the Budget-Constrained Model 5.3. Summary 6. Summary and Future Developments 6.1. Summary of Main Contributions 6.2. Further Research Directions / Viele europäische Eisenbahninfrastrukturunternehmen müssen ihre Kapazitäten erweitern, um mit der steigenden Nachfrage Schritt zu halten. Erweiterungen werden häufig nach dem Verfahren der fahrplanbasierten Infrastrukturentwicklung geplant, bei dem zunächst ein strategischer Fahrplan berechnet und anschließend die notwendigen Infrastrukturerweiterungen ermittelt werden. Es gibt zwar zahlreiche Optimierungsmodelle für die Berechnung optimaler Netzwerke und Fahrpläne, aber es fehlt an Modellen für die Infrastrukturentwicklung, die sich explizit auf fahrplanbasierte Nachfragedaten konzentrieren. Diesem Problem wird durch die Entwicklung von drei Varianten des fahrplanbasierten Netzwerkdesignproblems für Eisenbahnen (timetable-based railway network design problem, TBRNDP) begegnet: ein nominales Modell (TBRNDP-N), das ein Netz für ein bestimmtes Fahrplanszenario optimiert, ein robustes Modell (TBRNDP-R), das das nominale Modell erweitert, um unsichere Nachfragedaten einzubeziehen, und ein Modell mit limitiertem Budget (TBRNDP-B), das darauf abzielt, die befriedigte Nachfrage unter Berücksichtigung eines Budgets zu maximieren. Die in dieser Arbeit entwickelten Optimierungsmodelle verwenden Multigraphen und eine mesoskopische Darstellung der Eisenbahninfrastruktur. Die Knoten stellen Bahnhöfe oder Abzweigstellen dar, deren Kapazität aus Komplexitätsgründen nicht begrenzt ist. Kanten stellen einzelne Gleise zwischen zwei Knoten dar, wobei mehrgleisige Strecken durch mehrere, parallele Kanten abgebildet werden. Das Infrastrukturmodell beinhaltet auch Verbindungskurven, die angeben, welche Strecken in einem Knoten direkt miteinander verbunden sind. Die Streckenkapazitäten werden mit Hilfe von zugart- und zugfolgeabhängigen Mindestzugfolgezeiten abgeschätzt, die zwischen zwei aufeinander folgenden oder sich kreuzenden Zügen eingehalten werden müssen. Die Modelle stellen Kapazität durch die Aktivierung zusätzlicher Kanten oder die Verringerung von Fahr- oder Zugfolgezeiten bereit. Die Nachfragedaten werden aus einem strategischen Fahrplan als Liste von Zügen mit zeitlichen und räumlichen Vorgaben sowie Zugeigenschaften abgeleitet. Darüber hinaus werden zeitliche Beziehungen zwischen zwei Zügen, wie z. B. Takte oder Anschlüsse, berücksichtigt. Es wurde eine Preprocessing-Routine entwickelt, um diejenigen Variablen und Nebenbedingungen zu identifizieren und zu eliminieren, die nicht Teil einer gültigen Lösung sein können. Sie besteht aus drei Schritten: Pfaderzeugung und -Bewertung, Regeln für die Gleiszuordnung und Analyse von Zugfolgefällen. Das nominale Modell TBRNDP-N optimiert ein Netzwerk für einen strategischen Fahrplan. Basierend auf den Nachfragedaten und einem maximal möglichen Netzwerk wird durch das Modell ein zulässiger, makroskopischer Fahrplan und ein dafür optimiertes Netzwerk berechnet. Die Zielfunktion minimiert die Infrastrukturkosten, bestehend aus fixen Kosten für die Aktivierung von Kanten und Verbindungskurven und spezifischen Kosten für jede Minute Fahr- oder Zugfolgezeitverkürzung. Die Zielfunktion unterliegt Nebenbedingungen, die Aspekte des Netzwerkdesigns und der Fahrplanung abdecken. Die Nebenbedingungen für das Netzwerkdesign stellen sicher, dass für jeden Zug ein Pfad ausgewählt wird, dass jeder Zug auf bestimmte Gleise geleitet wird und dass alle von den Zügen benötigten Netzelemente aktiviert werden. Der zeitliche Aspekt der Fahrplangestaltung wird durch Zeitvariablen integriert, die Zeitpunkte für Ankunfts- und Abfahrtsereignisse angeben. Jedem Zug muss eine realisierbare zeitliche Trasse zugewiesen werden, die die Fahrzeiten, die Zeitvorgaben und die zeitliche Flusserhaltung in Knoten berücksichtigt. Zeitliche Verknüpfungen zwischen zwei Zügen umfassen Takte und Anschlüsse und stellen sicher, dass zwei Ereignisse zweier verschiedener Züge innerhalb eines bestimmten Zeitfensters statt finden. Bei den Zugfolgezeiten wird zwischen einander folgenden und kreuzenden Zügen unterschieden. Mit realen Daten aus dem Deutschlandtakt, einem deutschlandweitem strategischen Fahrplankonzept, wurde eine Reihe von Experimenten durchgeführt. Sie beweisen die Funktionalität des Modells, zeigen aber auch, dass Performanceverbesserungen notwendig sind, um qualitativ hochwertige Lösungen für große Testinstanzen zu berechnen. Dazu wird ein heuristischer Dekompositionsalgorithmus auf der Grundlage der logic-based Benders Decomposition entwickelt. Unter Verwendung eines Integer-Modells für Routing und Netzwerkdesign, eines Satisfiability-Modulo-Theories (SMT)-Modells für die Fahrplanung und eines iterativen Lösungsverfahrens ist die Heuristik in der Lage, Lösungen in wesentlich kürzerer Zeit zu finden. Allerdings ist die Lösungsqualität noch nicht zufriedenstellend. Strategische Fahrpläne beruhen auf Nachfrageprognosen und politischen Vorgaben und sind daher mit Unsicherheiten behaftet. Die Verwendung von TBRNDP-N zur Optimierung eines Netzes speziell für einen strategischen Fahrplan könnte zu Problemen führen, wenn sich der strategische Fahrplan ändert und teure Ergänzungen der Infrastruktur erforderlich sind. Um dies zu vermeiden, wurde das Modell TBRNDP-N erweitert, um mit unsicheren Eingangsdaten umgehen zu können, die auf zwei Arten modelliert werden: diskrete Fahrplanszenarien decken verschiedene Fahrplankonzepte ab, und optionale Züge behandeln unsichere Nachfrage innerhalb eines Szenarios. Das robuste Modell TBRNDP-R kann optimierte Netzwerke berechnen, auf denen mehrere unterschiedliche Fahrplanszenarien gefahren werden können. Es ist möglich, den Grad der Robustheit zu steuern. Optionale Züge können zur Identifizierung von Kapazitätsreserven innerhalb des Netzwerks verwendet werden. Auch für das robuste Modell wurde eine Studie mit zwei kleinen Testfällen aus dem Deutschlandtakt, die auf jeweils zehn Szenarien erweitert wurden, durchgeführt. Die Ergebnisse zeigen, dass die Performance des robusten Modells nicht zufriedenstellend ist. Daher wurde auch für TBRNDP-R ein heuristischer Dekompositionsalgorithmus entwickelt, der die Szenarien zunächst einzeln löst und ein SMT-Modell verwendet, um zu bestimmen, welches Fahrplanszenario auf welcher Infrastruktur aktiviert werden kann. Anschließend wird das Netzwerk, das die meisten Szenarien abdeckt, iterativ erweitert, bis eine Lösung gefunden ist, die alle Szenarien abdeckt. Die Heuristik zeigte vielversprechende Ergebnisse, sowohl in Bezug auf die Berechnungszeiten als auch auf die Lösungsqualität. Sie hängt jedoch stark von der Performance von TBRNDP-N ab, da eine Iteration von TBRNDP-N für jedes Szenario benötigt wird. Die zu Beginn der Arbeit durchgeführte Literaturrecherche hat gezeigt, dass das Budget für Infrastrukturinvestitionen häufig begrenzt ist. Um dies abzubilden, wurde das Modell TBRNDP-B entwickelt, das eine Änderung der Zielfunktion aufweist: Anstatt die Kosten zu minimieren, um eine feste Nachfrage zu befriedigen, zielt das budgetbeschränkte Modell darauf ab, die erfüllte Nachfrage zu maximieren und dabei ein begrenztes Budget für Infrastrukturinvestitionen nicht zu überschreiten. Es werden sechs verschiedene Möglichkeiten zur Quantifizierung der erfüllten Nachfrage vorgestellt und bewertet, wobei das bevorzugte Maß die Länge des kürzesten Pfads als Zielkoeffizient für jeden Zug verwendet. Auch für das budgetbeschränkte Modell konnte im Rahmen einer Studie die Funktionalität nachgewiesen werden. Die vorgestellten Optimierungsmodelle sind wertvolle Werkzeuge für eine automatisierte und optimierte Infrastrukturplanung. Dennoch bieten sie auch eine Grundlage für weitere Forschung. Dazu gehören Erweiterungen der Modellierung sowie die Weiterentwicklung der Lösungsalgorithmen. Die Modellierung könnte beispielsweise hinsichtlich der unbegrenzten Knotenkapazitäten erweitert werden, indem verschiedene Maße zur Quantifizierung der Knotenkapazität oder ein netzweite Kapazitätsabschätzung verwendet werden. Auch könnten weitere technische Beschränkungen für Kanten in Betracht gezogen und als mögliche Kapazitätserweiterungen verwendet werden, um die praktische Anwendbarkeit der Modelle weiter zu erhöhen. Die Qualität der errechneten Fahrpläne wird aktuell nicht betrachtet, was ebenfalls ein vielversprechendes Thema für weitere Forschungen sein könnte. Beispielsweise könnte ein Maß für die Fahrplanqualität, wie z. B. die durchschnittlichen Reisezeiten oder die Betriebsstabilität, in die Zielfunktion aufgenommen werden. Die für TBRNDP-N und TBRNDP-R vorgestellten heuristischen Lösungsalgorithmen lieferten vielversprechende Ergebnisse hinsichtlich der Reduzierung der Rechenzeit. Der Algorithmus für TBRNDP-N hatte jedoch Schwierigkeiten, eine Lösungsqualität zu erreichen, die der des vollständigen IP-Modells entspricht. Die Verfeinerung der Heuristiken oder die Entwicklung eines Algorithmus, der in der Lage ist, optimale Lösungen zu liefern, wäre ein weiteres vielversprechendes Forschungsgebiet und ein wesentlicher Schritt hin zu einer produktiven Nutzung der Optimierungsmodelle.:1. Introduction 1 1.1. Strategic Infrastructure Development 1.1.1. Strategic Timetables and Their Role in the Planning Process 1.1.2. Creating Strategic Timetables Using Mathematical Optimization Models 1.2. Network Design Problems 1.2.1. Combining Network Design and Scheduling 1.2.2. Applications of Network Design Problems to Railways 1.2.3. Robustness in Railway Network Design 1.3. Contributions of This Thesis 2. Modeling Railway Infrastructure, Timetables and Capacity 2.1. Infrastructure 2.1.1. The Mesoscopic Infrastructure Model With Parallel Edges and Node Links 2.2. Timetables 2.3. Capacity of Railway Lines 3. The Nominal Optimization Model TBRNDP-N 3.1. Preparing the Data for Optimization 3.1.1. Path Generation and Network-Related Sets 3.1.2. Track-Choice Rules 3.1.3. Time Window Evaluation and Headway-Related Sets 3.2. Basic Formulations for the Network Design Problem 3.2.1. The Multi-Commodity, Capacitated Fixed-Charge Network Design Problem with Arc-Flow Variables 3.2.2. The Multi-Commodity, Capacitated Fixed-Charge Network Design Problem with Path-Flow Variables and Unsplittable Flows 3.3. The Nominal Timetable-Based Railway Network Design Problem TBRNDP-N 3.4. Computational Experiments for the Nominal Model 3.4.1. Introduction to the Test Dataset 3.4.2. Evaluation of the Preprocessing Measures 3.4.3. Computational Results for Timetable-based railway network design problem - nominal (TBRNDP-N) 3.4.4. Discussion of the Experiments 3.5. A Decomposition Approach for TBRNDP-N Using Logic-Based Benders Decom- position 3.5.1. Benders Decomposition 3.5.2. Logic-Based Benders Decomposition 3.5.3. Satisfiability Modulo Theories 3.5.4. A Decomposition Heuristic for TBRNDP-N using satisfiability modulo theories (SMT) 3.5.5. Computational Results for the SMT-Based Decomposition Heuristic 3.5.6. Discussion of the Heuristic 3.6. Sensitivity Analysis 3.6.1. Sensitivity Analysis in General 3.6.2. Right-Hand-Side Variation for TBRNDP-N 3.6.3. Conclusion 3.7. Summary 4. The Robust Optimization Model TBRNDP-R 4.1. Uncertainty in Strategic Timetables 4.1.1. Timetable Scenarios 4.1.2. Optional Trains 4.2. The Robust Timetable-Based Railway Network Design Problem TBRNDP-R 4.3. Computational Results for the Robust Model 4.3.1. Discussion 4.4. A Decomposition Heuristic for the Robust Model TBRNDP-R 4.4.1. Computational Results for the Decomposition Algorithm 4.5. Sensitivity Analysis of the Robust Model Timetable-based railway network design problem - robust (TBRNDP-R) 4.6. Summary 5. The Budget-Constrained Model TBRNDP-B 5.1. Formulation of TBRNDP-B 5.1.1. Evaluating Different Objective Functions for Timetable-based railway network design problem - budget (TBRNDP-B) 5.2. Computational Results for the Budget-Constrained Model 5.3. Summary 6. Summary and Future Developments 6.1. Summary of Main Contributions 6.2. Further Research Directions

Detta kandidatarbete syftar till att utreda om Urban Forestry kan tillföra något till svensk planering. Urbanisering har skett under en lång tid och för att tillgodose det växande behovet av bostäder har förtätning av staden skett, vilket ofta har gjorts på bekostnad av städers grönska. För att hantera utmaningarna med att integrera grönska i täta städer har ett behov av nytänkande grönplanering uppkommit. Urban Forestry anses vara en lösning på denna problematik och fokuserar på att skapa gröna städer där det inte finns ytor kvar för traditionella parker. För att undersöka om Urban Forestry tillför något nytt till svensk planering utreds grönplaneringens utveckling genom tiderna samt företeelsen Urban Forestry genom en litteraturstudie. Urban Forestry visade sig vara ett vagt och svårdefinierat begrepp, dessutom är de vetenskapliga grunderna för dess positiva miljöeffekter bristande. Dock bidrar Urban Forestry med uppmärksammande av miljö- och hållbarhetsfrågor, och visar goda ambitioner och initiativ till att utveckla och förbättra grönplanering. När den svenska grönplaneringen sattes i relation till Urban Forestry visade det sig att de bärande idéerna redan är representerade inom existerande grönplanering i Sverige. / This bachelor thesis aims to investigate if the concept of Urban Forestry could bring new knowledge into Swedish urban planning. Urbanization has taken place for a long time and in order to meet the growing need for housing, densification of the city has taken place, which has often been done at the expense of urban greenery. In order to deal with the challenges of integrating greenery into dense cities, a need for innovative green planning has arisen. Urban Forestry as a concept is considered a solution to this problem and focuses on creating greenery in cities where limited areas for traditional parks are available. In order to investigate whether Urban Forestry adds something new to Swedish planning, the development of green planning over time and the concept of Urban Forestry is investigated. Urban Forestry turned out to be vague and difficult to define, and the scientific basis for the concept’s arguments are lacking. However, Urban Forestry contributes attention to environmental and sustainability issues, and shows good ambitions and initiatives to develop and improve green planning. When Swedish green planning was put in relation to Urban Forestry, the outcome was that the ideas in the concept were already represented within existing green planning.

La thèse répond à deux problématiques, d'une part la quantification des effacements de consommation d'électricité par technologies gaz dans l'habitat et d'autre part de l'intégration de leurs valorisations dans une perspective de planification des infrastructures. Ces travaux se justifient dans un contexte d'augmentation de la pointe électrique, à l'origine d'une hausse du risque de défaillance du système, et de la baisse des consommations de gaz naturel conduisant à une sous utilisation du réseau de distribution. Pourtant, alors que la demande en gaz naturel croît du fait de l'installation de centrales à cycle combiné sur le réseau de transport, l'interaction des réseaux de distribution gaz/électricité n'est pas exploitée.Ce manuscrit envisage l'intégration des technologies gaz comme moyen de Maîtrise de la Demande en Électricité dans le processus de planification des réseaux. Ainsi les effacements de consommations d'électricité lors des périodes dimensionnantes par des micro-cogénérateurs ou des chaudières hybrides sont des solutions alternatives aux solutions de renforcement de réseaux.Pour quantifier le gisement d'effacement, nous nous intéressons à l'impact marginal des systèmes sur la demande en termes de modification de la quantité d'Énergie Non Distribuée potentielle. Les estimations des impacts de systèmes de chauffage sur la demande sont donc des prérequis à cette approche. Nous modélisons les courbes de charge régionales par une approche Bottom-Up permettant de déterminer les profils de demande marginale de chauffage en fonction des systèmes. La mise en application de cette méthode est à fiabiliser par des études socio-technico-économiques permettant de réduire les incertitudes sur les déterminants des besoins de chauffage. Une calibration en puissance des profils générés a été proposée mais n'a pu être réalisée. En revanche, nous apportons une contribution à l'analyse des courbes de charge agrégées en montrant que le modèle d'estimation actuellement utilisé par le gestionnaire de réseau s'apparente à un modèle simplifié de bâtiment / This PhD thesis addresses two issues: Firstly, the assessment of Demand Side Management (DSM) opportunity of gas and electricity technologies in dwellings, and secondly, the integration of their valuations in infrastructure planning schemes.This work originaites from a context of the growth of electricity peaks (which increased risk of system failure) and the natural gas consumption decrease which leads to an under-utilization of the gas distribution network.This manuscript focuses on the integration of gas technologies as DSM solution to contribute to the planning of electricity grid. Indeed, relieving the electricity consumption during constrained periods by diffusing micro-cogeneration or hybrid boiler, is an actual alternative to network reinforcement solutions. To quantify the load shedding capacity, we are interested in the marginal impact of demand systems on the amount of Energy Not Supplied potential. Estimating systems' impacts on heating demand is a prerequisite to this approach. So we model the regional heating load curves by a Bottom-Up approach to simulate marginal demand profiles depending on heating systems. The implementation of this method requires socio-technico-economic studies to reduce uncertainty of the determinants of heating needs. A load calibration methodology has been proposed but has not been performed. However, we make a contribution to the analysis of aggregated load curves emphasizing that the load model currently used by network operator similar to a simplified building model.

Germany’s commitment to carbon neutrality by 2045 underscores the need for climate action, with hydrogen’s multiple uses in industry, transport, and energy offering a viable solution. Efficient retrofitting of the extensive natural gas pipeline network can enable hydrogen to be transported from supply to demand centers. The aim of this study is to develop a hydrogen pipeline network strategy for Germany in 2045 that is consistent with carbon neutrality goals while minimizing associated costs. Using a single-period deterministic Mixed Integer Linear Programming (MILP) approach, the focus is on estimating peak-hour transport demand derived from the spatial distribution of demand and supply. This estimation is based on openly available data from the Germany Energy Agency (dena) pilot study on carbon neutrality. The methodology aims to allocate hydrogen energy flows along existing pipelines through a retrofitting approach. The base scenario is derived from the projected hydrogen demand and supply for a carbon-neutral Germany in 2045, as estimated in the dena pilot study. To explore different possibilities, a sensitivity analysis compares five different demand scenarios. Each scenario examines different hard-to-abate subsectors that have limited options for decarbonization. Evaluating the routes and utilization rates across the pipeline network provides insights into the feasibility, with certain routes, particularly those originating in the north, emerging as key. The majority of pipelines in the network have low utilization rates below 25% in peak hours, which may indicate economic infeasibility or the need for alternative transport strategies. In addition, a cost of avoided emissions analysis weighs scenario-specific emission reductions against network costs. Of particular note is the network connecting CHP plants and energy-intensive industries, which appears to strike an optimal balance in terms of costs of avoided emissions and utilization rate in peak hours. Nevertheless, the study does not consider physical flow calculations, so further validation is required in this respect. The potential of the methodology, however, liesin its ability to quickly assess different scenarios and provide valuable insights into economic, environmental, and social impacts. / Tysklands åtagande om koldioxidneutralitet senast 2045 understryker behovet av klimatåtgärder, och vätgasens många användningsområden inom industri, transport och energi erbjuder en hållbar lösning. Effektiv eftermontering av det omfattande naturgasledningsnätet kan göra det möjligt att transportera vätgas från utbuds- till efterfrågecentra. Syftet med denna studie är att utveckla en strategi för vätgasnätet i Tyskland 2045 som är förenlig med målen för koldioxidneutralitet och samtidigt minimerar de tillhörande kostnaderna. Med hjälp av en deterministisk MILP-metod (Mixed Integer Linear Programming) för en enda period ligger fokus på att uppskatta efterfrågan på transporter under maxtimmar utifrån den rumsliga fördelningen av efterfrågan och utbud. Denna uppskattning baseras på öppet tillgängliga data från denas pilotstudie om koldioxidneutralitet. Metoden syftar till att fördela vätgasenergiflöden längs befintliga rörledningar genom en eftermonteringsstrategi. Det grundläggande scenariot härleds från den beräknade efterfrågan och tillgången på vätgas för ett koldioxidneutralt Tyskland 2045, enligt uppskattningar i dena-pilotstudien. För att utforska olika möjligheter jämförs fem olika efterfrågescenarier i en känslighetsanalys. Varje scenario undersöker olika delsektorer som är svåra att minska och som har begränsade alternativ för utfasning av fossila bränslen. Utvärderingen av sträckningarna och utnyttjandegraden i rörledningsnätet ger insikter om genomförbarheten, där vissa sträckningar, särskilt de med ursprung i norr, framstår som viktiga. Majoriteten av rörledningarna i nätverkethar låga nyttjandegrader under 25% under rusningstid, vilket kan indikera ekonomisk ogenomförbarhet eller behovet av alternativa transportstrategier. Dessutom väger en kostnads-/nyttoanalys av utsläpp scenariospecifika utsläppsminskningar mot nätverkskostnader. Särskilt värt att notera är det nätverk som förbinder kraftvärmeverk och energiintensiva industrier, vilket verkar ge en optimal balans när det gäller kostnader för utsläpp och nyttjandegrad. Studien tar dock inte hänsyn till fysiska flödesberäkningar, så ytterligare validering krävs i detta avseende. Metodens potential ligger dock i dess förmåga att snabbt bedöma olika scenarier och ge värdefulla insikter om ekonomiska, miljömässiga och sociala effekter.