Mathias Ziebarth

District heating and cooling (DHC) offers great potential for efficient, cost-effective and flexible large-scale use of low-carbon energy in the building sector. However reaching Net Zero Emissions by 2050 requires significant efforts to rapidly improve the energy efficiency of existing networks, switch them to renewable heat sources, integrate secondary heat sources and to develop new high-efficiency infrastructure. A critical factor for reaching these goals is the digitalization of these systems to access new tools like the identification of problematic consumer substations, predictive maintenance, optimized heat production, evaluation of potential extensions and efficient sector coupling. This paper proposes an extension of the emerging ASHRAE 223P standard for machine-readable semantic frameworks representing building automation and control data, and other building system information to DHC networks. it is validated through two use cases in two distinct research projects. The adapted 223P ontology could be a starting point for the development of a standard data model of DHC networks.

Climate change is leading to a general shortage of raw water availability combined with more pronounced seasonality and dry phases. The goal of the collaborative research project TwinOptPRO is to contribute to EU-wide climate neutrality in 2050 by the minimization of energy supply for water treatment and pumps in drinking water distribution systems. For that purpose, a digital platform that combines different forecasting models with simulation and optimization modules was developed. The aim is to ensure secure and compliant supply to customers in the future while maximizing the use of renewable energy and minimizing costs.

The accurate and reliable short-term forecasting of urban water demand plays a crucial role in enabling drinking water utilities to operate sustainably and secure water supplies in the future. Here, we apply state-of-the-art DeepAR models to predict urban water demand in ten district metered areas (DMAs) in a water distribution system in northeastern Italy. DeepAR models are based on long short-term memory networks and can directly provide probabilistic results. For this contribution, we leverage past flow data, current and future weather data, and engineered weather and date features as input to predict flow data one week ahead. A local model for each DMA is prepared and applied after hyperparameter optimization.

In this paper we propose new models of two complementary optical sensors to obtain 2.5-D measurements of opaque surfaces: a deflectometric and a plenoptic sensor. The deflectometric sensor uses active triangulation and works best on specular surfaces, while the plenoptic sensor uses passive triangulation and works best on textured, diffusely reflecting surfaces. We propose models to describe the measurement uncertainties of the sensors for specularly to diffusely reflecting surfaces under consideration of typical disturbances like ambient light or vibration. The predicted measurement uncertainties of both sensors can be used to obtain optimized measurements uncertainties for varying surface properties on the basis of a combined sensor system. The models are validated exemplarily based on real measurements.

Zusammenfassung Für die Inspektion von spiegelnden Oberflächen ist die Deflektometrie eine der bekanntesten Methoden. Eine automatische Defektdetektion, Klassifikation und Bewertung der Daten von deflektometrischen Messungen gibt es allerdings noch nicht. In diesem Artikel werden neue Methoden basierend auf der Wavelet-Analyse vorgestellt, die in der Lage sind, Fehler in unterschiedlichen Skalen zu erkennen. Um die Erkennungsrate zu erhöhen, werden die Filterbänke in Hinsicht auf Eigenschaften gegebener Defektklassen sowie an dominante Merkmalsausdehnungen optimiert. Die Verfahren wurden mit realen Messdaten evaluiert, bei denen verschiedene Defektklassen auftraten.

Zusammenfassung: Die Wahrnehmung lackierter Oberflächen wird sehr stark durch deren Oberflächenrauheiten und -welligkeiten beeinflusst. Betrachtet man die Welligkeiten, dann ist für den visuellen Eindruck nicht nur deren Ausprägung, sondern auch der Verlauf entscheidend. Lokale Änderungen im Verlauf können dazu führen, dass solche Oberflächen als „unschön“ wahrgenommen werden. Die Einschätzung der Welligkeit wird heute in der Industrie mit Hilfe verschiedener Messinstrumente durchgeführt. Diese ignorieren dabei meist den zweidimensionalen Charakter dieses Oberflächeneffektes und nehmen das optische Profil der Oberfläche nur linienhaft auf. Änderungen in der Ausprägung werden nicht berücksichtigt, da sie entweder herausgemittelt werden oder zu einer Fehlmessung führen. In diesem Beitrag werden Methoden vorgestellt, die zum einen die zweidimensionale Aufnahme und Auswertung von Oberflächenwelligkeiten ermöglichen und zum anderen Änderungen im Verlauf detektieren. Dazu wird ein deflektometrisches Messsystem verwendet, um das Gradientenfeld der Oberfläche zu erhalten. Durch Auswertung in bestimmten Wellenlängenbereichen wird eine Vergleichbarkeit zu Standardkenngrößen aus der Industrie gewährleistet.

Despite its age the inspection of specular surfaces is still a topic of ongoing research. While sensory approaches to inspect such surfaces based on deflectometry are increasingly used in practice, the evaluation techniques using the acquired signals (images and reconstruction results) are often not sufficient. This work addresses the challenge of detecting defects with different characteristics on specular surfaces by using robust multiscale detection and classification. In order to process the signals obtained by deflectometry efficiently in all relevant scales, a method for generating an optimized biorthogonal wavelet filter bank with strong correlation to any number of anomaly classes is proposed. The filter bank is optimized for each defect class to obtain a sparse scale space representation. In addition a Bayesian classification approach is presented to classify defects like dents and pimples directly in the scale space.