Dekorationsartikel gehören nicht zum Leistungsumfang.
Sprache:
Deutsch
Regulärer Preis:
inkl. MwSt.
54,99 €
Versandkostenfrei per Post / DHL
Lieferzeit 4-7 Werktage
Kategorien:
Beschreibung
Der Klimawandel stellt die Wasserwirtschaft vor immense Herausforderungen, insbesondere durch Extremwetterereignisse, die weltweit Einfluss auf die Wasserressourcen nehmen. Um diese Herausforderungen zu bewältigen, werden Potenziale in der Nutzung von künstlicher Intelligenz und Machine Learning gesehen. Erfolge konnten bereits in verschiedenen wasserwirtschaftlichen Anwendungen nachgewiesen werden, weshalb Methoden des Machine Learning auch für Abflussvorhersagen in Kanalnetzen vielversprechend scheinen.
Das vorliegende Buch untersucht das Potenzial von Machine Learning zur Vorhersage von Abflüssen in urbanen Kanalnetzen. Mithilfe der Machine Learning-Plattform TensorFlow wurde ein Modell entwickelt, das auf Basis von simulierten Abflüssen trainiert wurde und aus Niederschlagsdaten Abflussvorhersagen generiert.
Die Untersuchungen ergaben, dass das entwickelte tiefe neuronale Netz, basierend auf dem LSTM-Algorithmus, eine durchschnittliche Maximalwertabweichung des Abflusses von 4,6 % erreichen konnte. Das Modell wies eine schnelle Berechnungszeit von 0,06 s pro Vorhersage auf, was es dreimal schneller als ein äquivalentes SWMM-Modell machte. Die Übertragung der Methodik auf ein anderes Kanalnetzsystem mit Regenklärbecken war ebenfalls erfolgreich, mit einer durchschnittlichen Maximalwertabweichung von 8,2 %. Die Ergebnisse demonstrieren die Machbarkeit und Effizienz von Machine Learning-gestützten Abflussvorhersagen und deren Beschleunigungspotenzial.
Das vorliegende Buch untersucht das Potenzial von Machine Learning zur Vorhersage von Abflüssen in urbanen Kanalnetzen. Mithilfe der Machine Learning-Plattform TensorFlow wurde ein Modell entwickelt, das auf Basis von simulierten Abflüssen trainiert wurde und aus Niederschlagsdaten Abflussvorhersagen generiert.
Die Untersuchungen ergaben, dass das entwickelte tiefe neuronale Netz, basierend auf dem LSTM-Algorithmus, eine durchschnittliche Maximalwertabweichung des Abflusses von 4,6 % erreichen konnte. Das Modell wies eine schnelle Berechnungszeit von 0,06 s pro Vorhersage auf, was es dreimal schneller als ein äquivalentes SWMM-Modell machte. Die Übertragung der Methodik auf ein anderes Kanalnetzsystem mit Regenklärbecken war ebenfalls erfolgreich, mit einer durchschnittlichen Maximalwertabweichung von 8,2 %. Die Ergebnisse demonstrieren die Machbarkeit und Effizienz von Machine Learning-gestützten Abflussvorhersagen und deren Beschleunigungspotenzial.
Der Klimawandel stellt die Wasserwirtschaft vor immense Herausforderungen, insbesondere durch Extremwetterereignisse, die weltweit Einfluss auf die Wasserressourcen nehmen. Um diese Herausforderungen zu bewältigen, werden Potenziale in der Nutzung von künstlicher Intelligenz und Machine Learning gesehen. Erfolge konnten bereits in verschiedenen wasserwirtschaftlichen Anwendungen nachgewiesen werden, weshalb Methoden des Machine Learning auch für Abflussvorhersagen in Kanalnetzen vielversprechend scheinen.
Das vorliegende Buch untersucht das Potenzial von Machine Learning zur Vorhersage von Abflüssen in urbanen Kanalnetzen. Mithilfe der Machine Learning-Plattform TensorFlow wurde ein Modell entwickelt, das auf Basis von simulierten Abflüssen trainiert wurde und aus Niederschlagsdaten Abflussvorhersagen generiert.
Die Untersuchungen ergaben, dass das entwickelte tiefe neuronale Netz, basierend auf dem LSTM-Algorithmus, eine durchschnittliche Maximalwertabweichung des Abflusses von 4,6 % erreichen konnte. Das Modell wies eine schnelle Berechnungszeit von 0,06 s pro Vorhersage auf, was es dreimal schneller als ein äquivalentes SWMM-Modell machte. Die Übertragung der Methodik auf ein anderes Kanalnetzsystem mit Regenklärbecken war ebenfalls erfolgreich, mit einer durchschnittlichen Maximalwertabweichung von 8,2 %. Die Ergebnisse demonstrieren die Machbarkeit und Effizienz von Machine Learning-gestützten Abflussvorhersagen und deren Beschleunigungspotenzial.
Das vorliegende Buch untersucht das Potenzial von Machine Learning zur Vorhersage von Abflüssen in urbanen Kanalnetzen. Mithilfe der Machine Learning-Plattform TensorFlow wurde ein Modell entwickelt, das auf Basis von simulierten Abflüssen trainiert wurde und aus Niederschlagsdaten Abflussvorhersagen generiert.
Die Untersuchungen ergaben, dass das entwickelte tiefe neuronale Netz, basierend auf dem LSTM-Algorithmus, eine durchschnittliche Maximalwertabweichung des Abflusses von 4,6 % erreichen konnte. Das Modell wies eine schnelle Berechnungszeit von 0,06 s pro Vorhersage auf, was es dreimal schneller als ein äquivalentes SWMM-Modell machte. Die Übertragung der Methodik auf ein anderes Kanalnetzsystem mit Regenklärbecken war ebenfalls erfolgreich, mit einer durchschnittlichen Maximalwertabweichung von 8,2 %. Die Ergebnisse demonstrieren die Machbarkeit und Effizienz von Machine Learning-gestützten Abflussvorhersagen und deren Beschleunigungspotenzial.
Über den Autor
Flemming Albers forscht im Rahmen seiner Promotion an der FH Münster zum Einsatz von künstlicher Intelligenz und Machine Learning in der Siedlungswasserwirtschaft. Er entwickelt Verfahren zur vorausschauenden Steuerung und Automatisierung von Abwasserinfrastruktur für eine effiziente, nachhaltige Ressourcennutzung und verbindet dabei innovative Technologien mit praxisnahen Anwendungen.
Inhaltsverzeichnis
Einleitung.- Stand der Wissenschaft und Technik.- Material und Methoden.- Herleitung des ML-Modells.- Modellübertragung.- Programm UrbanML.- Ergebnisse und Diskussion.- Fazit und Ausblick.- Literaturverzeichnis.
Details
| Erscheinungsjahr: | 2026 |
|---|---|
| Genre: | Informatik, Mathematik, Medizin, Naturwissenschaften, Technik |
| Rubrik: | Naturwissenschaften & Technik |
| Medium: | Taschenbuch |
| Reihe: | Forschungsreihe der FH Münster |
| Inhalt: |
xx
129 S. 16 s/w Illustr. 55 farbige Illustr. 129 S. 71 Abb. 55 Abb. in Farbe. |
| ISBN-13: | 9783658512132 |
| ISBN-10: | 365851213X |
| Sprache: | Deutsch |
| Herstellernummer: | 89598060 |
| Einband: | Kartoniert / Broschiert |
| Autor: | Albers, Flemming |
| Hersteller: |
Springer
Forschungsreihe der FH Münster |
| Verantwortliche Person für die EU: | Springer Spektrum in Springer Science + Business Media, Tiergartenstr. 15-17, D-69121 Heidelberg, juergen.hartmann@springer.com |
| Maße: | 210 x 148 x 9 mm |
| Von/Mit: | Flemming Albers |
| Erscheinungsdatum: | 21.04.2026 |
| Gewicht: | 0,207 kg |