Cognitio Litterarum
Not a member yet
4891 research outputs found
Sort by
Schlussbericht der DFS
No full textDas Forschungsprojekt DKULT untersucht, wie die Klimawirkung des Luftverkehrs reduziert werden kann, besonders NichtCO₂Effekte wie Kondensstreifenzirren in sogenannten Potential Persistent Contrail Gebieten (PPC Gebieten).
Ziel war die operative Umsetzbarkeit klimaoptimierter Flugtrajektorien unter realistischen Flugsicherungsbedingungen. D-KULT verfolgte zwei Ansätze: Taktische Vermeidung von PPC Gebieten durch kurzfristige Umleitungen im laufenden Betrieb & Strategische Vermeidung durch Integration klimaoptimierter Flugplanung.
Die Ergebnisse zeigen, dass eine rein taktische Umfliegung von PPC Gebieten im stark frequentierten Luftraum derzeit nicht praktikabel ist. Realzeitsimulationen belegten erhebliche Kapazitätsreduktionen, eine signifikante Mehrbelastung der Fluglotsen sowie neue Sicherheitsrisiken. Ein operativer Einsatz unter heutigen Rahmenbedingungen ist nicht realisierbar, würde das gesamte europäische Routennetzwerk beeinträchtigen.
Der strategische Ansatz erwies sich als grundsätzlich umsetzbar. Im Probebetrieb „100 Testflüge“ wurden PPC Gebiete gezielt im Rahmen einzelner Flugplanungen umflogen. Dieser kontrollierte Ansatz ermöglichte erste praktische Erfahrungen ohne Eingriffe in den Regelbetrieb. Für eine spätere Anwendung ist jedoch eine weitgehende Automatisierung der Planungsprozesse erforderlich. Die Bewertung der Klima- und Verbrauchseffekte ist noch im Gange.
Die derzeitige wissenschaftliche Datenbasis, die verfügbaren Wetterdaten und Klimamodelle liefern keine robuste Grundlage für eine operative PPC Vermeidung. Ergebnisse sind abhängig von verwendeten Klimametriken und Annahmen. Einheitliche, konsistente Methoden sind erforderlich.
Die DFS empfiehlt, künftige Maßnahmen auf die strategische Flugplanung zu konzentrieren, begleitet von Verbesserungen wissenschaftlicher Grundlagen, der Datenqualität und enger internationaler Zusammenarbeit. Nur so lässt sich die Klimawirkung des Luftverkehrs wirksam und sicher reduzieren
Final report
No full textDie Verständigung aller Projektpartner auf eine gemeinsame Prüfkörperlogik und im Projekt umsetzbaren Umfang wurde erfolgreich umgesetzt.
Die Definition der Probekörper für alle Tests und Erstellen einer Testmatrix konnte erfolgreich bearbeitet werden. Die benötigten Tests wurden definiert und in eine Testmatrix eingearbeitet. Diese wurde in 3 leveln unterteilt. Wobei Level 1 Materialcharakterisierung definiert und Level 2 und 3 die Tests mit der Kreuzzugsprobe.
Die MT hat bei der Definition möglicher Proben Geometrien für CFK Kreuzzugproben unterstützt und aus der Firmen Heritage relevanter Randbedingungen für den Kreuzzugteststand anhand realer Druckkörper definiert.
Die MT hat aus anderen Projekten Schliffen von realen Druckkörpern gezeigt und anhand dieser die Diskussion über Wahrscheinlichkeiten von Microrissbildung und Riss-Initiierung gestartet.
Leckage Tests von Level 3 wurden bei der TUM durchgeführt. Das Messverfahren auch bei cryo Temperaturen konnte erfolgreich gezeigt werden und das Konzept bestätigt. Jedoch konnte auch bei den Level 3 Proben keine Leckage nachgewiesen werden.
Die Material Charakterisierung zur Generierung der Materialkarten, welche für den numerischen Teil von Cryo-Cracks benötigt wurden, konnte wie geplant erfolgreich durchgeführt werden. Somit können Simulationen mit den richtigen Material Daten durchgeführt werden
Schlussbericht
No full textDeep Reinforcement Learning (DRL) erzielte in den letzten Jahren große Erfolge. Dabei sind die Einsatzgebiete sehr vielfältig und reichen von alltäglichen Anwendungen bis hin zur Forschung komplexer Optimierungsprobleme. Trotz großer Fortschritte im Bereich DRL, sind solche Algorithmen immer noch sehr ineffizient in ihrer Datennutzung. Darüber hinaus neigen sie stark zu einer overfitting an die gegebenen Datensätze was die Generalisierung von DRL Algorithmen auf andere Datensätze oft sehr erschwert.
Dieses Projekt adressiert diese Probleme, um das volle Potenzial solcher Algorithmen ausschöpfen zu können und damit die Anwendung auf komplexere und hochdimensionale Probleme weiter zu vereinfachen. Dabei befassen wir uns konkret in diesem Projekt mit den folgenden Grundproblemen: Rechen- und Datenanforderungen, menschliche Überwachung und Overfitting auf gegebene Datensätze bzw. Aufgaben. Wir werden in diesem Projekt zeigen, dass diese scheinbar unterschiedlichen Probleme durchaus gemeinsame Ursachen haben, welche durch eine vereinheitlichte Sichtweise sowie eine gemeinsame Adressierung zu effizienteren und damit praktischeren DRL Algorithmen führt.
Wir werden die entscheidende Bedeutung unserer methodischen Fortschritte beim Erlernen von Fortbewegungsfähigkeiten auf einem beinbetriebenen Rollstuhl aufzeigen. Bei dieser Anwendung muss sich der Rollstuhl robust und sicher mit unterschiedlichen Geschwindigkeiten fortbewegen, dabei Hindernissen ausweichen und sich an unterschiedliche Geländeformen anpassen.
Die in TriFORCE durchgeführte Forschung wird RL-Methoden untersuchen, die es Agenten ermöglichen, effizient Fähigkeiten in komplexen hochdimensionalen Problemen zu erlangen, z.B. in realen Problemen wie der Fortbewegung auf Beinen. Wir werden dieses wichtige Ziel durch ein Arbeitsprogramm erreichen, das in vier Arbeitspakete (WPs) unterteilt ist. WP1, WP2 und WP3 werden die methodologischen Fortschritte für RL und Deep RL vorstellen, um strukturierte, wiederverwendbare und verallgemeinerte Fähigkeiten zu erhalten. WP4 wird eine vereinheitlichende Sichtweise dieser Ansätze vorschlagen, die wir nutzen werden, um unsere algorithmischen Lösungen vorzuschlagen. Darüber hinaus wird WP4 eine Testumgebung für unsere Methoden für ein Fortbewegungsproblem mit einem beinigen Rollstuhl bereitstellen, sowohl in der Simulation als auch an einem realen Roboter.
Die Arbeitsgruppen sind so organisiert, dass Synergieeffekte zwischen ihnen gefördert werden. Die in WP1 durchgeführte Forschung zur Aufgabenzerlegung dient als Ausgangspunkt für die Übertragung von Fähigkeiten mit neuartigen Restlernansätzen in WP2.
Die Arbeit zum Optionslernen in WP1 wird in WP3 für die Einführung von Methoden zum Meta-Lernen von Explorationsstrategien genutzt. Die in WP2 erzielten Fortschritte bei der Wiederverwendung von Wissen werden in WP3 zur Verbesserung der Generalisierung über heterogene Aufgaben hinweg genutzt. Schließlich wird WP4 die in den anderen WPs erzielten Fortschritte berücksichtigen, um algorithmische Lösungen für Agenten mit mehreren Fähigkeiten vorzuschlagen, die in reichhaltigen Umgebungen agieren können, und die Effektivität dieser Methoden an einer Fortbewegungsaufgabe mit einem beinigen Rollstuhl testen.
TriFORCE glaubt fest an die Bedeutung der Verbreitung wissenschaftlicher Ergebnisse. Wir werden die Ergebnisse unserer Arbeit in führenden Konferenzen und Zeitschriften zu KI, maschinellem Lernen und Robotik veröffentlichen und sie auch in unseren Workshops präsentieren. Die bemerkenswertesten Ergebnisse werden in die RL- und Roboterlernkurse an der TU Darmstadt integriert, wo wir auch mehrere B.Sc. und M.Sc.-Arbeiten vorschlagen werden.
Im Mittelpunkt des Projekts steht hochinnovative Grundlagenforschung, die sich auf eine Vielzahl potenzieller Anwendungen auswirken kann, von denen mehrere in TriFORCE untersucht werden. Der Transfer in Technologien, die für neue Produkte oder Dienstleistungen genutzt werden, wird durch das Gründungs- und Technologietransferzentrum HIGHEST der TU Darmstadt unterstützt. Hier gibt es bereits etablierte Modelle für die Lizenzierung von Technologien, zum Beispiel an Hightech-Startups wie Freemotion Systems, die großes Interesse an den Ergebnissen von TriFORCE bekundet haben.
Wir beabsichtigen, 2 Ausgaben des Workshops ``Towards autonomous adaptive Reinforcement Learning agents in rich environments'' auf der renommierten International Conference on Machine Learning (ICML) zu organisieren. Wir werden Forscher mit bekannter Expertise in theoretischen Aspekten und praktischen Anwendungen von Deep RL in realen Problemen zusammenbringen. Ziel des Workshops ist es, Forscher aus verschiedenen Teilbereichen des RL zusammenzubringen, die das gleiche Ziel verfolgen, nämlich Effizienz und Wiederverwendbarkeit in Deep RL zu erreichen. Die unterschiedlichen Arbeiten und Erfahrungen der eingeladenen Forscher und Teilnehmer werden zu einer fruchtbaren Diskussion führen und Synergien zwischen ihnen fördern
ProColor - Entwicklung eines neuartigen proteinbasierten Farbstoffübertragungsinhibitors aus nachwachsenden Rohstoffen zur Anwendung in öko-zertifizierten pulverförmigen Color-Waschmitteln
No full textSachbericht zum Verwendungsnachweis - Fördertitel: Verbundvorhaben TransHyDE_UP3: Umsetzungsprojekt Helgoland
No full textIm TransHyDE-Projekt „Helgoland“ erforschten und entwickelten Projektpartner aus der Wirtschaft und Akteure von der Insel Helgoland gemeinsam mit dem Fraunhofer IFAM als Forschungsinstitut eine Transportkette für Grünen Wasserstoff basierend auf der LOHC-Technologie, wobei modellhaft der Transport des auf der Nordsee mit Windenergie erzeugten Wasserstoffs über Helgoland nach Hamburg ausgearbeitet wurde. Dieser Bericht stellt die vom Fraunhofer IFAM zu zwölf unterschiedlichen Forschungsthemen erarbeiteten Ergebnisse vor
Skalierung eines innovativen Verfahrens zur nachhaltigen und kosteneffizienten Kultivierung von Fischzellen ohne Verwendung von Gentechnik und Tierseren (BluuScale)
No full textBLUU entwickelt ein innovatives Verfahren zur nachhaltigen und kosteneffizienten Kultivierung von Fischzelllinien auf deren Basis Fischprodukte geschaffen werden können. In Zusammenarbeit mit einer Demonstrationsanlage wurde der Prozess zur Herstellung von Fischzellbiomasse vom Labor- (50 L) in den 500 L-Maßstab skaliert, wobei nach Optimierungen vergleichbare oder höhere Zelldichten erzielt wurden. Trotz anfänglicher Herausforderungen konnte eine skalierbare Erntemethode mittels kontinuierlicher Zentrifugation entwickelt und weiter optimiert werden. Zusätzlich wurden Prototypen von kultiviertem Kaviar hergestellt. Abschließend erfolgten Qualitätsanalysen der Prototypen und der Fischzellbiomasse sowie eine Lebenszyklusanalyse zur Identifikation von Nachhaltigkeitspotenzialen