KITopen
Not a member yet
63711 research outputs found
Sort by
FocusUp: A Browser Extension for Enhancing Online Attention and Productivity for ADHD Individuals
Get PDFSimple and Flexible Power System Simulation Coupling using Remote Object Communication
Get PDFSimulation coupling in power systems is essential for addressing complex, multidisciplinary challenges by integrating specialized models from diverse domains. However, existing approaches face limitations such as data privacy concerns, security risks, hardware and licensing constraints, and the absence of standardized exchange formats and interfaces. This paper presents a simple, flexible, and secure method for simulation coupling using remote object communication. The implementation leverages Pyro (Python Remote Objects) to expose objects that facilitate simulation control and data transfer to create a distributed simulation that keeps the model confidential. Unlike resource-intensive co-simulation frameworks, this method provides lightweight integration with minimal programming and configuration overhead. We demonstrate the feasibility of this approach through a case study that couples DIgSILENT PowerFactory — a widely used power system simulation tool — via its API with Pyro for remote simulation execution and model parametrization. The results highlight the effectiveness of this approach in achieving seamless model integration, secure data exchange, and efficient distributed simulation for power system studie
Diesel bans and urban air quality: A causal study of NO2 emissions in Germany using synthetic control
Get PDFUrban air pollution is a growing public health and environmental issue. This study investigates the effectiveness of diesel traffic bans in reducing nitrogen dioxide emissions in four German cities: Berlin, Darmstadt, Hamburg, and Stuttgart, from 2012 to 2022. Each city has implemented similar policies to comply with the European Union’s emission standards. Using the synthetic control method, we evaluate the effects of policies restricting diesel traffic on selected streets, street segments, and urban areas. Our results indicate that the implementation of diesel traffic bans led to significant reductions in nitrogen dioxide emissions per capita in Darmstadt and Stuttgart. However, the policy appeared to have a limited effect in Berlin and Hamburg. The study suggests that policy effectiveness is influenced by factors such as city size, pre-existing traffic patterns and the extent of diesel restrictions. In addition, our findings highlight the importance of tailoring policies to local conditions and underscore the value of using rigorous research methods when assessing the effectiveness of environmental policies
Fractionation of Oligosaccharide Nucleoside Mixtures by Single Pass Nano‐Diafiltration
Get PDFGlycans, a diverse group of complex oligosaccharides, are critical to human physiology and hold significant potential in medical
applications and as food additives. However, their synthesis by glycosyltransferases produces intricate mixtures comprising
saccharides, nucleosides, and reaction buffer components, posing substantial challenges for downstream processing and
purification. This study aims to establish a continuous, single-pass nanofiltration process for purifying oligosaccharide-nucleoside
mixtures using a novel dual-membrane module. We investigated the influence of a static mixer, along with varying flow rates
for both the diafiltration and feed streams, on the recovery rate and purity of the final product. Measurements using ESI-MS
assessed product recovery and purity, while buffer removal was monitored through online conductivity measurement. The results
demonstrate that incorporating a static mixer nearly doubled the saccharide recovery rate, achieving product purities exceeding
99% and 95%, along with high product recovery rates. Additionally, the reaction buffer system was found to significantly impact
the overall process performance. These findings suggest that our novel dual-membrane module can be effectively utilized for the
purification of enzymatically synthesized glycan products.
Summary
∙ The application of a novel 3D-printed double-membrane nanofiltration module for the purification of saccharides from
enzymatic reaction mixtures was reported in this study.
∙ In a first step, a suitable nanofiltration membrane was characterized.
∙ Low recovery rates after single-pass nano-diafiltration in the 3D-printed module were overcome by the application of a static
mixer, which highly increased product recovery.
∙ The notably low purities at high diavolume ratios were traced back to the buffer system, and with an investigation of the
influence of different buffer systems on the separation process, we were able to achieve high product purities.
∙ The results are an important contribution to designing novel purification processes for mixtures resulting from continuous enzymatic synthesis
Urban Aerosol Distribution Prediction System Using Heterogeneous and Uncertain Data Sources
Get PDFAerosole sind winzige feste oder flüssige Partikel, die in der Atmosphäre suspendiert sind. In städtischen Gebieten sind hohe Aerosolkonzentrationen eng mit Atemwegserkrankungen, Herz-Kreislauf-Problemen und einem allgemeinen Rückgang der öffentlichen Gesundheit verbunden. Angesichts ihrer erheblichen Auswirkungen ist die Entwicklung eines hochauflösenden Vorhersagesystems für die städtische Aerosolverteilung entscheidend, um umweltpolitische Entscheidungen zu unterstützen, die öffentliche Gesundheit zu schützen und die Stadtplanung zu optimieren.
Die Beobachtung der Aerosolverteilung basiert auf zwei Hauptansätzen: Fernerkundung und in-situ Sensornetzwerke. Während Fernerkundungstechniken eine großflächige Abdeckung ermöglichen, weisen sie erhebliche Einschränkungen auf, wie z. B. eine unzureichende räumliche Auflösung, lange Wiederholungsintervalle und eine Anfälligkeit für Hindernis. Diese Einschränkungen machen die Fernerkundung für die Echtzeit- und hochauflösende Überwachung städtischer Aerosole ungeeignet. Infolgedessen bleiben in-situ Sensornetzwerke, die direkte und kontinuierliche Messungen liefern, die primäre Methode zur Beobachtung der städtischen Aerosolverteilung. Trotz ihrer Vorteile stehen jedoch auch in-situ Sensornetzwerke vor Herausforderungen, darunter eine ungleichmäßige räumliche Abdeckung, Probleme mit der Datenzuverlässigkeit und Wartungsaufwand.
Das Herzstück eines Vorhersagesystems für die städtische Aerosolverteilung liegt in spatiotemporalen Datenanalysemodellen, die grob in physikgetriebene und datengetriebene Ansätze unterteilt werden können. Physikgetriebene Modelle basieren auf etablierten atmosphärischen Transportgleichungen und chemischen Reaktionsmechanismen, was sie interpretierbar und theoretisch robust macht. Allerdings erfordern sie oft rechenaufwendige Berechnungen während der Inferenz, und ihre Genauigkeit in hochauflösenden Vorhersagen hängt stark von umfassenden und hochpräzisen Eingabedaten ab, darunter Landnutzung, Verkehrsemissionen und verschiedene meteorologische Parameter. Aufgrund technischer, finanzieller und administrativer Einschränkungen liefern in-situ Sensornetzwerke jedoch oft nicht die erforderliche Datenqualität und -abdeckung, was dazu führt, dass physikgetriebene Modelle entweder nicht funktionieren oder unzuverlässige Ergebnisse liefern. Angesichts dieser Einschränkungen gewinnen datengetriebene Ansätze zunehmend an Bedeutung. Im Gegensatz zu physikgetriebenen Modellen extrahieren datengetriebene Methoden statistische Muster aus vorhandenen Beobachtungen und sind dadurch anpassungsfähiger an unvollständige und ungenaue Datensätze.
Trotz ihrer besseren Anpassungsfähigkeit stehen datengetriebene Methoden zur Vorhersage der städtischen Aerosolverteilung weiterhin vor erheblichen Herausforderungen. Die Hauptprobleme resultieren aus der Heterogenität und dem Rauschen in den Daten der in-situ Sensornetzwerke. Weitere Faktoren, wie unausgewogene Merkmals- und Labelverteilungen sowie unvollständige Muster, erschweren die Aufgabe zusätzlich. Diese Dissertation untersucht verschiedene Ansätze zur Bewältigung dieser Herausforderungen, indem sie unvollständige Daten nutzt, um ein effektiveres spatiotemporales Analysemodell zur Vorhersage der städtischen Aerosolverteilung zu entwickeln.
Wir untersuchen Datenaugmentierungsstrategien, um die Herausforderungen defekter und begrenzter Daten zu bewältigen. Allerdings sind Datenaugmentierungsmethoden für die städtische Aerosolverteilung aufgrund der Komplexität der Umweltdynamik stark eingeschränkt. Daher untersuchen wir die Verwendung von Computational Fluid Dynamics (CFD)-Simulationen zur Generierung synthetischer Daten. Obwohl CFD-Simulationen zuverlässige synthetische Aerosolverteilungsdaten liefern können, sind ihre Rechenkosten extrem hoch, was sie für die Unterstützung großflächiger Datensätze, die für maschinelle Lernmodelle erforderlich sind, unpraktikabel macht. Um dieses Problem zu lösen, haben wir ein Graph Neural Network (GNN)-basiertes CFD-Surrogatmodell entwickelt, das die Datengenerierung erheblich beschleunigt.
Im Bereich der spatiotemporalen Modellierung verwenden wir eine "Divide-and-Conquer"-Strategie, um zeitliche und räumliche Korrelationen getrennt zu analysieren, Fehlzuweisungen zu reduzieren und die Vorhersagegenauigkeit zu verbessern. Zur Modellierung zeitlicher Korrelationen entwickeln wir ein Neural Kernel Network (NKN)-basiertes Gaussian Process Regression (GPR)-Modell. Dieses Modell nutzt GPR, um langfristige zeitliche Abhängigkeiten zu erfassen und Unsicherheiten zu quantifizieren, während der NKN-Kernel das Problem der manuellen Definition geeigneter Kernelfunktionen für komplexe Systeme überwindet. Zur Modellierung räumlicher Korrelationen schlagen wir drei spezialisierte Module vor, die unterschiedliche Herausforderungen bewältigen. Das Context Encoder Spatial Interpolation (CESI)-Modell wurde entwickelt, um heterogene Sensordaten durch effektives Mining spärlicher Eingaben zu verarbeiten. Das Information Segmentation Spatial Interpolation (ISSI)-Modell nutzt selbstüberwachtes Lernen, um Unsicherheiten zu verringern, die aus nicht beobachteter Latent Context Information in Sensornetzwerken entstehen. Schließlich adressiert das Feature Deviation Embedding Graph Spatial Interpolation (FDE-GSI)-Modell Merkmalsungleichgewichte, indem es Feature Deviation Embedding und einen adaptiven Informations-Engpass-Mechanismus implementiert.
Unsere vorgeschlagenen Modelle werden anhand mehrerer realer Datensätze evaluiert, wobei sie ihre Genauigkeit, Robustheit und Anpassungsfähigkeit unter Beweis stellen. Im Gegensatz zu bestehenden Modellen, die starke Leistungsfluktuationen über verschiedene Datensätze hinweg zeigen, erreichen unsere Modelle durchgängig State-of-the-Art-Leistungen. Diese Stabilität unterstreicht die Wirksamkeit unserer Designentscheidungen und ihr Potenzial für praktische Anwendungen.
Zusammenfassend befasst sich diese Dissertation mit der Herausforderung, die hochauflösende städtische Aerosolverteilung mithilfe heterogener und unsicherer Datenquellen vorherzusagen. Durch eine systematische Analyse der Einschränkungen bestehender Beobachtungsmethoden und Vorhersagemodelle schlagen wir eine Reihe von Innovationen vor, darunter CFD-basierte Datenaugmentierung, GNN-basierte CFD-Surrogatmodellierung und spezialisierte spatiotemporale Analysemodelle. Unsere Modelle bewältigen zentrale Herausforderungen wie Datenheterogenität, Unsicherheit und Merkmalsungleichgewicht und erreichen State-of-the-Art-Leistungen auf mehreren realen Datensätzen. Diese Arbeit leistet einen bedeutenden Beitrag zur städtischen Umweltmodellierung und bietet skalierbare und robuste Lösungen zur Aerosolverteilungsvorhersage in komplexen städtischen Umgebungen
semileptonic sum rule: extension to angular observables
Get PDFLepton flavor universality is a key prediction of the Standard Model of particle physics, and any violation of it immediately indicates the existence of new physics. Given the recent discrepancy of more than 4 sigma in charged current semileptonic B meson decays and the absence of evident signals at the Large Hadron Collider, independent cross-checks become invaluable. In this context, b -> c semileptonic sum rules based on heavy quark symmetry are interesting, since they allow us to check the consistency of experimental results. In this paper, we report newly found sum rules among angular observables of mesonic and baryonic b -> cl nu decays holding exactly in the large mass limit of heavy quarks. Moreover, we investigate corrections to the sum rule in realistic situations and discuss phenomenological implications
Structure and Photoluminescence Properties of EuSiN 2
Get PDFWith the europium nitridosilicate, EuSiN2 a novel member of the multifaceted MSiN2 family is presented and compared with the structural similar compounds MSiN2 (M = Ca, Sr, Ba). A different way of presenting the structure as M-N polyhedra layers is introduced. The crystal structure of EuSiN2, being isotypical to SrSiN2, was determined and refined based on powder X-ray diffraction data in space group P21/c (no. 14) with a = 5.96381(2) & Aring;, b = 7.25982(3) & Aring;, c = 5.488338(19) & Aring;, beta = 113.33 degrees, V = 218.18(5) & Aring;3, and Z = 4. As the Eu2+-doped MSiN2 compounds show excellent luminescence properties as LED phosphors, the luminescence behaviour of dark red emitting EuSiN2 has been investigated as well. Two emission peaks are visible at 708 nm and 764 nm. Many europium-doped nitridosilicates show more or less developed shoulders for their luminescence peaks, but two clearly shaped emission peaks are a novel feature for nitridosilicates. Comprehensive and detailed comparisons are given and discussed based on works in literature.The chromaticity coordinate positions of EuSiN2 in the CIE 1931 diagram are x = 0.678 and y = 0.284
Model-agnostic search for dijet resonances with anomalous jet substructure in proton–proton collisions at √s = 13 TeV
Get PDFThis paper presents a model-agnostic search for narrow resonances in the dijet final state in the mass range 1.8-6 TeV. The signal is assumed to produce jets with substructure atypical of jets initiated by light quarks or gluons, with minimal additional assumptions. Search regions are obtained by utilizing multivariate machine-learning methods to select jets with anomalous substructure. A collection of complementary anomaly detection methods-based on unsupervised, weakly supervised, and semisupervised algorithms-are used in order to maximize the sensitivity to unknown new physics signatures. These algorithms are applied to data corresponding to an integrated luminosity of 138 fb-1, recorded by the CMS experiment at the LHC, at a center-of-mass energy of 13 TeV. No significant excesses above background expectations are seen. Exclusion limits are derived on the production cross section of benchmark signal models varying in resonance mass, jet mass, and jet substructure. Many of these signatures have not been previously sought, making several of the limits reported on the corresponding benchmark models the first ever. When compared to benchmark inclusive and substructure-based search strategies, the anomaly detection methods are found to significantly enhance the sensitivity to a variety of models