i-SEWER

i-SEWER - Die nächste Generation der Kanalnetzsteuerung

i-SEWER

Ziel des i-SEWER-Projektes ist die Erarbeitung einer Methodik zur Entwicklung von skalierbaren, autonomen und KI-getriebenen Kanalnetzsteuerungen zur Reduzierung von Entlastungen aus der Mischwasserkanalisation. Hierfür wird eine verlässliche Datengrundlage in Echtzeit durch die Erarbeitung und Implementierung einer Anomalie-Erkennung mittels Deep Learning für sämtliche Prozessdaten des Kanalnetzes erzielt. Darauf aufbauend wird eine maßgebliche Hürde im Aufbau von komplexen Regelungsalgorithmen genommen: Die Erstellung von hinreichend performanten Surrogatmodellen zur Anwendung innerhalb einer modellbasierten Steuerung. Die Erstellung dieser Surrogate erfolgt durch Deep Learning-Verfahren anhand von Simulationen mit einem hydrodynamischen Detailmodell. Dadurch entfällt das in herkömmlichen, zeitintensiven Vereinfachungsmethoden benötigte Expertenwissen und der Prozess ist generisch auf verschiedene Simulationsumgebungen anwendbar. Das erlernte Surrogatmodell wird anschließend in einer eigens dafür konfigurierten modell-prädiktive Regelung integriert und simulativ ob seiner Leistungsfähigkeit für Beispielkanalnetze erprobt. Anschließend wird das Potential einer derartigen Steuerung auf technischer Ebene und bzgl. Nachhaltigkeitskriterien analysiert und generalisiert.

In diesem Projekt unterstützt das ifak durch die Bereitstellung einer dafür geeigneten Simulationsplattform das Erlernen der Surrogatmodelle. Als Leiter der Arbeitspakete AP4 und 5 ist das ifak für die Erarbeitung der Regelungsalgorithmik, die auf einer modellprädiktiven Regelung anhand der erlernten Surrogatmodelle basiert, verantwortlich. Des Weiteren werden Ansätze zur Nachhaltigkeitsbewertung in den Simulationsrahmen für die Abflusssteuerung integriert und angewendet.

Die F+E-Arbeiten erfolgen zunächst anhand eines Literatur-Benchmarksystems, werden dann aber anhand des realen Kanalnetzes der Stadt Freiburg erweitert und einem Test und Bewertung aus Praxissicht unterworfen.