Ein Gespräch mit Sascha Rudolph, Projektleiter des mFUND-Projekts ParkCheck.

Am 9. November 2020 fand der mFUND-Fachaustausch Drohnen der mFUND-Begleitforschung des WIK als Online-Konferenz statt. Mehr als 80 Teilnehmende diskutierten verschiedene Möglichkeiten des Drohneneinsatzes. Neben dem BMVI und den drei vorgestellten mFUND-Projekten waren auch andere geförderte mFUND-Projekte sowie zahlreiche Fachleute aus Wissenschaft und Praxis sowie sonstige Interessenten der Drohnentechnologie vertreten.

In chemical and energy engineering, it is crucial to understand the thermodynamic properties of fluids and solids and their phase behavior. Equations of state have been proven to be extremely helpful in representing these properties. Today, the most accurate modeling approaches for equations of state are empirical methods. These methods typically depend on the expert knowledge of the modeler, as well as on the quantity and quality of the available data. To accelerate the modeling process, the potential of symbolic regression, a method that not only fits the parameters of a given model, but also seeks its functional form, is investigated. Accurate modeling of thermodynamic properties is impossible, without a reliable data base. While different data acquisition methods exist, carefully conducted measurements are the most important data acquisition method. However, setting up experiments and conducting the measurements are often time-consuming and expensive. Therefore, reducing the experimental effort without sacrificing information for model development is highly desirable. Optimal experimental design is a methodology for planning measurements that aims to be the most informative regarding the uncertainty in parameter estimates or predictions of a given model. In the present thesis, the optimal experimental design algorithm was adapted to consider different equilibrium times for changes in temperature and pressure. The main problems for the individual application of symbolic regression and optimal experimental design are that for symbolic regression, there are often not enough data available, and for optimal experimental design, the underlying model is rarely known. For this reason, the potential of combining optimal experimental design with symbolic regression for efficient thermodynamic property modeling was investigated within an iterative data acquisition and modeling process. Optimal experimental design and symbolic regression, individually and together, were found to have the potential to accelerate the data acquisition and modeling of thermodynamic properties, which is also of interest for other applications.:Nomenclature Abstract Kurzfassung Introduction Results Summary and Outlook Bibliography Appendix / In der Chemie- und Energietechnik ist es von entscheidender Bedeutung, die thermodynamischen Eigenschaften von Flüssigkeiten und Feststoffen und ihr Phasenverhalten zu verstehen. Zustandsgleichungen haben sich bei der Darstellung dieser Eigenschaften als äußerst hilfreich erwiesen. Die genauesten Modellierungsansätze für Zustandsgleichungen sind heute empirische Methoden. Diese Methoden hängen in der Regel vom Fachwissen des Modellierers sowie von der Menge und Qualität der verfügbaren Daten ab. Um den Modellierungsprozess zu beschleunigen, wird das Potenzial der symbolischen Regression untersucht, einer Methode, die nicht nur die Parameter eines gegebenen Modells anpasst, sondern auch dessen funktionale Form sucht. Eine genaue Modellierung der thermodynamischen Eigenschaften ist ohne eine zuverlässige Datenbasis nicht möglich. Zwar gibt es verschiedene Methoden der Datenerfassung, doch sind sorgfältig durchgeführte Messungen die wichtigste Methode der Datenerfassung. Der Aufbau von Experimenten und die Durchführung der Messungen sind jedoch oft zeitaufwändig und teuer. Daher ist es äußerst wünschenswert, den experimentellen Aufwand zu verringern, ohne dabei Informationen für die Modellentwicklung zu verlieren. Optimale Versuchsplanung ist eine Methodik zur Planung von Messungen die darauf abzielt, die Unsicherheit in den Parameterschätzungen oder Vorhersagen eines gegebenen Modells so informativ wie möglich zu gestalten. In der vorliegenden Arbeit wurde der Algorithmus für die optimale Versuchsplanung so angepasst, dass unterschiedliche Gleichgewichtszeiten für Temperatur- und Druckänderungen berücksichtigt werden. Die Hauptprobleme bei der individuellen Anwendung von symbolischer Regression und optimaler Versuchsplanung sind, dass für die symbolische Regression oft nicht genügend Daten zur Verfügung stehen und bei der optimalen Versuchsplanung das zugrunde liegende Modell selten bekannt ist. Aus diesem Grund wurde das Potenzial der Kombination von optimaler Versuchsplanung und symbolischer Regression für eine effiziente Modellierung thermodynamischer Eigenschaften im Rahmen eines iterativen Datenerfassungs- und Modellierungsprozesses untersucht. Es wurde festgestellt, dass die optimale Versuchsplanung und die symbolische Regression, sowohl einzeln als auch zusammen, das Potenzial haben, die Datenerfassung und Modellierung thermodynamischer Eigenschaften zu beschleunigen, was auch für andere Anwendungen von Interesse ist.:Nomenclature Abstract Kurzfassung Introduction Results Summary and Outlook Bibliography Appendix

Zugl.: Dresden, Techn. Univ., Diss., 2009

Die Qualitätslenkung von Reinigungsprozessen erfordert die systematische Erfassung von Eingangs-, Prozess- und Ausgangsgrößen, für die nur teilweise Sensoren zur automatischen Messung verfügbar sind. Da die Eingangsgrößen (Verschmutzungszustand) nicht vollständig inline messbar sind und die Wirkung von Restschmutz auf den Folgeprozess – als Grundlage der Grenzwertfestlegung – nicht vollständig bekannt ist, müssen Vor- und Folgeprozesse in die Datenerfassung einbezogen werden. In diesem Vortrag erläutert Dipl.-Ing. Markus Windisch (Teamleiter Bauteilreinigung des Fraunhofer IVV Dresden) die Entwicklung einer Systemlösung zur Prozessdatenerfassung, zeigt dabei branchenspezifische Herausforderungen und den Praxisnutzen beim Einsatz auf und gibt einen Ausblick auf eine zukünftige Integration von selbstlernenden Assistenzsystemen.

Während die landläufigen Vorstellungen von „Bibliothek“ bislang beunruhigend statisch bleiben, erzwingen die fortschreitende Digitalisierung von Medien und die Mobilisierung des Mediengebrauchs längst neue Bedeutungsinhalte. In Fachkreisen entwickelt sich die Idee service- und erlebnisorientierter Lernräume anstelle des klassischen Medienspeichers zu einem gängigen Leitbild. Doch wie aussichtsreich ist diese neue Schwerpunktbildung? Und wie wird dieser Anspruch tatsächlich erfüllt und nachhaltig gesichert? Ausgehend von den Umbrüchen in der gesamten Informations- und Medienbranche beschreibt der Beitrag wesentliche Rahmenbedingungen für das Innovationsmanagement in Bibliotheken und die Schlussfolgerungen, die daraus zu ziehen sind. Anschließend werden einige konkrete Entwicklungschancen für physische Bibliotheksorte vorgestellt. / Up to now, the general image of a “library” has remained alarmingly unchanged. But the advancing digitization of media and the mobilization of media use require new meaning and content. Among experts the idea of service- and experience-oriented learning spaces evolves as a common concept, replacing the classical media storehouses. But how promising is this new concept? And how is this claim met and sustainably ensured? Based on changes in the information and media sector, the article describes the general framework for innovation management in libraries and the related conclusions. Subsequently, some concrete development opportunities for physical libraries are presented.

No description available.

Während die landläufigen Vorstellungen von „Bibliothek“ bislang beunruhigend statisch bleiben, erzwingen die fortschreitende Digitalisierung von Medien und die Mobilisierung des Mediengebrauchs längst neue Bedeutungsinhalte. In Fachkreisen entwickelt sich die Idee service- und erlebnisorientierter Lernräume anstelle des klassischen Medienspeichers zu einem gängigen Leitbild. Doch wie aussichtsreich ist diese neue Schwerpunktbildung? Und wie wird dieser Anspruch tatsächlich erfüllt und nachhaltig gesichert? Ausgehend von den Umbrüchen in der gesamten Informations- und Medienbranche beschreibt der Beitrag wesentliche Rahmenbedingungen für das Innovationsmanagement in Bibliotheken und die Schlussfolgerungen, die daraus zu ziehen sind. Anschließend werden einige konkrete Entwicklungschancen für physische Bibliotheksorte vorgestellt. / Up to now, the general image of a “library” has remained alarmingly unchanged. But the advancing digitization of media and the mobilization of media use require new meaning and content. Among experts the idea of service- and experience-oriented learning spaces evolves as a common concept, replacing the classical media storehouses. But how promising is this new concept? And how is this claim met and sustainably ensured? Based on changes in the information and media sector, the article describes the general framework for innovation management in libraries and the related conclusions. Subsequently, some concrete development opportunities for physical libraries are presented.

Der Leitfaden soll Kommunen sowie Behörden und Organisationen mit Sicherheitsaufgaben, insbesondere Freiwillige Feuerwehren, bei einer systematischen Vorgehensweise zur Identifikation und Analyse von Gefahrenhotspots infolge Starkregen und Hochwasser unterstützen.:1 Anlass und Zielstellung 1 2 Starkregen und Hochwasser beobachten und Informationen sammeln 4 2.1 Wie stellt sich die Situation dar? 4 2.2 Welche Informationen werden benötigt? 5 3 Erfassen und Dokumentieren 6 3.1 Das Hochwasser/Schaden Erfassungstool 7 3.1.1 Web-Plattform 8 3.1.2 Erfassungsbogen 9 3.2 Methoden der Erfassung 9 3.2.1 Gesprächsrunde 10 3.2.2 Ortsbegehung 11 3.2.3 Selbsterfassung 12 4 Analysieren und Schlussfolgern 13 4.1 Analyse der Datenbank 13 4.1.1 Plausibilisierung der Daten 13 4.1.2 Analyse der Daten 13 4.1.3 Auswertung der Daten 18 4.2 Einbeziehen zusätzlicher Geoinformationen 21 4.2.1 Fließwege 21 4.2.2 Erosionsgefährdung 23 4.2.3 Überschwemmungsgebiete 24 5 Handlungsbedarf ableiten 26 6 Anhang 28 6.1 Durchführungsbeispiel Gesprächsrunde 28 6.2 Formular Erfassungsbogen 34 6.3 Gute Fotos für die Ereignisdokumentation 36 6.4 Benutzeranleitung „Hochwasser/Schaden-Erfassungstool“ 40 6.5 Übungsbox „Hochwasser/Schadens-Erfassungstool“ 52 6.6 Technische Anleitung zur Datenanalyse 66 6.7 Kurzüberblick „Private Hochwasservorsorge“ 70 7 Referenzen 81 / Dieser Leitfaden wurde im Rahmen des Projektes 'VEREINT ‐ Kooperativ organisierter Bevölkerungsschutz bei extremen Wetterlagen' durch die Technische Universität Dresden, Professur Hydrologie erstellt.:1 Anlass und Zielstellung 1 2 Starkregen und Hochwasser beobachten und Informationen sammeln 4 2.1 Wie stellt sich die Situation dar? 4 2.2 Welche Informationen werden benötigt? 5 3 Erfassen und Dokumentieren 6 3.1 Das Hochwasser/Schaden Erfassungstool 7 3.1.1 Web-Plattform 8 3.1.2 Erfassungsbogen 9 3.2 Methoden der Erfassung 9 3.2.1 Gesprächsrunde 10 3.2.2 Ortsbegehung 11 3.2.3 Selbsterfassung 12 4 Analysieren und Schlussfolgern 13 4.1 Analyse der Datenbank 13 4.1.1 Plausibilisierung der Daten 13 4.1.2 Analyse der Daten 13 4.1.3 Auswertung der Daten 18 4.2 Einbeziehen zusätzlicher Geoinformationen 21 4.2.1 Fließwege 21 4.2.2 Erosionsgefährdung 23 4.2.3 Überschwemmungsgebiete 24 5 Handlungsbedarf ableiten 26 6 Anhang 28 6.1 Durchführungsbeispiel Gesprächsrunde 28 6.2 Formular Erfassungsbogen 34 6.3 Gute Fotos für die Ereignisdokumentation 36 6.4 Benutzeranleitung „Hochwasser/Schaden-Erfassungstool“ 40 6.5 Übungsbox „Hochwasser/Schadens-Erfassungstool“ 52 6.6 Technische Anleitung zur Datenanalyse 66 6.7 Kurzüberblick „Private Hochwasservorsorge“ 70 7 Referenzen 81

No description available.