open_access
Refine
Year
- 2024 (15) (remove)
Publication Type
- Conference Proceeding (7)
- Article (2)
- Book (2)
- Bachelor Thesis (1)
- Master's Thesis (1)
- Other (1)
- Report (1)
Language
- German (15) (remove)
Keywords
- Diamond (1)
- Einzelfall (1)
- Energiesystemmodellierung (1)
- Energy label (1)
- Erwartungen (1)
- Gebäudeprofile (1)
- Gesundheitswesen (1)
- Kasernen (1)
- Kliniken (1)
- Künstliche Intelligenz (1)
Faculty
Die Transformation der Energiesysteme im Rahmen der Energiewende macht diese durch zusätzliche Komponenten und Wechselwirkungen immer komplexer. Das ökonomische und ökologische Potenzial, dass sich aus der Nutzung der Synergien dieser Komponenten ergeben kann, erfordert eine gemeinsame Betrachtung des gesamten Energiesystems hinsichtlich sämtlicher Energie- und Verbrauchssektoren.
Die Energiesystemmodellierung stellt eine geeignete Methode zur Modellierung und Optimierung dieser urbanen Energiesysteme dar. Mit dem „Spreadsheet Energy System Model Generator“ (SESMG) hat die FH Münster ein Open Source Tool entwickelt, das die Betrachtung urbaner Quartiere ermöglicht. Diese können hinsichtlich verschiedener Zielkriterien wie z. B. monetären Kosten und THG-Emissionen optimiert werden. Die tabellenbasierte Eingabe erfordert keine Programmierkenntnisse. Das implementierte Urban District Upscaling Tool erleichtert die effektive Modellierung auch größerer Systeme. Die automatisierte Ergebnisaufbereitung ermöglicht eine schnelle Analyse der Ergebnisse.
Energieausweise informieren über den Energiebedarf und -verbrauch von Gebäuden. Für die Erstellung eines Energieausweises werden gebäudespezifische Daten benötigt, weshalb sie oft nicht für alle Gebäude vorliegen oder erst durch eine Begehung vor Ort erfasst werden können. Die vorliegende Arbeit untersucht die Möglichkeit, durch die Identifikation eines Datenschemas, basierend auf einer integrativen Analyse von Energieausweisen, Energiebedarfsvorhersagen für unbekannte Wohngebäude zu treffen. Die Zielsetzung der vorliegenden Arbeit besteht in der Identifikation wesentlicher Merkmale aus offenen Datenquellen, welche den Energiebedarf signifikant beeinflussen sowie deren Integration in ein kompaktes und effizientes Regressionsmodell. Dabei werden verschiedene maschinelle Lernmethoden, insbesondere das Extreme Gradient Boosting (XGB), eingesetzt, um Modelle zu entwickeln und zu validieren, die auf Daten aus Energieausweisen basieren.
Dafür werden unter anderem Merkmale aus den beschriebenen Merkmalen zum Dach, der Außenwände, zu Fenstern und zum Boden extrahiert und in neue Merkmale überführt. Dies sind unter anderem Dach- und Wandtyp, das zugehörige Isolationsniveau und der Verglasungsgrad der Fenster. Im Anschluss werden drei Datensätze entwickelt und auf ihre Leistung untersucht. Eine Analyse der Merkmalsrelevanz hat gezeigt, dass über alle Datensätze hinweg bestimmte Merkmale wie Gebäudetyp, Baujahr, Wohnfläche, Dämmungsgrad und geografische Lage entscheidenden Einfluss auf die Vorhersage des Energiebedarfs haben. Das auf den Fernerkundungsdaten basierte Modell, wies nach Optimierung ein Bestimmtheitsmaß R2 von 0,64 und einen mittleren absoluten Fehler (MAE) von 4,12 auf. Der Fehler bezieht sich auf eine Effizienzskala von 1-100 (Energieklasse G-A). Nach Skalierung der Pipeline und durch Ergänzung weiterer Datenpunkte, konnte der Wert auf 0,84 erhöht werden. Durch die Ergänzung von vebrauchsabhängigen Merkmalen, erreichte das XGB-Regressionsmodell ein R2 von 0,94 und einen MAE von 1,46 über den Trainings- und Testdatensatz. Zur weiteren Validierung werden die Auswirkungen der einzelnen Merkmale über Shapley-Werte quantifiziert, um die Auswirkungen der Merkmale bei der Vorhersage zu interpretieren. Die entwickelten Modelle erreichten eine hohe Prognosegenauigkeit und demonstrierten eine signifikante Verbesserung gegenüber herkömmlichen Methoden. Die Erstellung der Datensätze erfolgte unter Verwendung der Programmiersprache Python sowie des Frameworks Scikit-learn (Version 1.4.1) zur Entwicklung der Modelle. Die erzeugten Datensätze und Modelle wurden in eine reproduzierbare Pipeline überführt und stehen nach Freigabe unter GitHub zur Verfügung.
Quantum magnetometry based on optically detected magnetic resonance (ODMR) of nitrogen vacancy centers in diamond nano or microcrystals is a promising technology for sensitive, integrated magnetic-field sensors. Currently, this technology is still cost-intensive and mainly found in research. Here we propose one of the smallest fully integrated quantum sensors to date based on nitrogen vacancy (NV) centers in diamond microcrystals. It is an extremely cost-effective device that integrates a pump light source, photodiode, microwave antenna, filtering and fluorescence detection. Thus, the sensor offers an all-electric interface without the need to adjust or connect optical components. A sensitivity of 28.32nT/Hz−−−√ and a theoretical shot noise limited sensitivity of 2.87 nT/Hz−−−√ is reached. Since only generally available parts were used, the sensor can be easily produced in a small series. The form factor of (6.9 × 3.9 × 15.9) mm3 combined with the integration level is the smallest fully integrated NV-based sensor proposed so far. With a power consumption of around 0.1W, this sensor becomes interesting for a wide range of stationary and handheld systems. This development paves the way for the wide usage of quantum magnetometers in non-laboratory environments and technical applications.
This article analyses the impact of robotics on the
operation and maintenance (O&M) of offshore wind
turbines (OWTs), with a particular emphasis on the
challenges and benefits. As the world’s reliance on
renewable energy, particularly offshore wind, increases
to reduce climate change, the growing number of
OWTs requires effective O&M. Challenges consist
of logistics, accessibility and high costs. The paper
presents the application of climbing robots, unmanned
aerial vehicles and underwater robots to overcome
these challenges.
The combination of multiple robotic platforms, such
as autonomous surface vehicles and autonomous underwater
vehicles, represents a collaborative approach
to O&M. Obstacles include the need for accurate navigation,
building trust between humans and robots,
and research into artificial intelligence.
In conclusion, the integration of robotics in O&M
presents considerable advantages, increasing efficiency,
safety and cost-effectiveness. Further progress and
research into artificial intelligence are crucial in achieving
complete automation, which will transform the
O&M of OWTs.
Die Integration von Künstlicher Intelligenz (KI) im Gesundheitswesen ist zu einem Schwerpunktthema geworden und dominiert aktuell Diskussionen in Kliniken allgemein als auch Pathologien spezifisch. Trotz des Enthusiasmus klafft nach wie vor eine Lücke zwischen den Erwartungen der Anwender und den tatsächlichen Vorteilen nach der Implementierung. Dies spiegelt sich in den Herausforderungen der KI-Integration wider.
In der folgenden wissenschaftlichen Studie widmen wir uns den Erwartungen von Akteuren im Gesundheitswesen – spezifisch in Kliniken und Pathologien – an KI-Lösungen und ihren Einsatz. Dabei wird ein besonderer Fokus auf die dahinterliegenden Faktoren gelegt, die die aktuellen Erwartungen und die daraufhin ergriffenen Maßnahmen beeinflussen. Unsere Ergebnisse stützen sich sowohl auf den wissenschaftlichen Diskurs als auch auf die weite, öffentliche Diskussion zur praktischen Umsetzung – wie in Expertenberichten, Interviews, Konferenzbeiträgen und Artikeln aus Politik, Kliniken und weiteren Institutionen.
Dadurch trägt die Studie zu einem besseren Verständnis der aktuellen KI-Erwartungen und ihrer beeinflussenden Faktoren bei und befähigt Akteure in dem Markt, die Zukunft von KI im Gesundheitswesen mitzugestalten.