Offenburg University of Applied Sciences
Hochschulschriftenserver der Hochschule OffenburgNot a member yet
6641 research outputs found
Sort by
Pyrogenic carbon and carbonating minerals for carbon capture and storage (PyMiCCS) part II: organic and inorganic carbon dioxide removal in an Oxisol
Get PDFEnhanced rock weathering (ERW) and pyrogenic carbon capture and storage (PyCCS, or “biochar carbon removal”) are two promising carbon dioxide removal (CDR) techniques that can contribute to soil restoration. These technologies can be combined by co-application of rock powder and biochar or by co-pyrolysis of rock powder with biomass to produce rock-enhanced (RE) biochar. In a 27-week laboratory experiment, we quantified the carbon (C) sink development of co-applications and RE-biochars produced by co-pyrolysis of basanite rock powder with either 50 or 90 wt% willow wood or 90 wt% wheat straw. Incubators featured two elevated soil pCO2 levels (0.012 and 0.062 atm, equivalent to about 1.2 and 6.2 Vol-% CO2) in a clay-rich, nutrient-poor Oxisol, with a simulated annual rainfall of 1,600 mm. Results showed strong initial fluxes of total alkalinity (TA), dissolved inorganic carbon (DIC), dissolved organic carbon (DOC), and major cations (Mg2+, Ca2+, K+, Na+), which decreased over time. Notably, elevated pCO2 had minimal impact on the release of DOC but doubled the TA flux from ERW. An important observation was the impact of waterlogging on water fluxes in soil columns without biochar, which lowered the amount of leached cations from rock and biochar. We defined the carbon sink (C-Sink) to include all DIC of geogenic and biogenic origin, and pyrogenic carbon from biochar. Biogenic cations were not considered as contributing to additional CO2 sequestration. For a soil application equivalent to application of 12 t ha−1, the total net C-Sink ranged from −0.1 to 30.9 t CO2 ha−1 after 27 weeks under 1.2 Vol-% CO2. We were not able to determine a change in rock weathering rates from co-pyrolysis since biogenic and geogenic cations could not be distinguished. A 20-year forecast suggests net C-Sinks between 0.5 t and 28.7 t CO2 ha−1, driven by increased contributions from weathering, alongside a C-Sink loss of carbon due to biochar mineralization. While biochar alone generally produces a larger C-Sink, co-application with rock powder fosters soil remineralization and provides a higher permanence of the C-Sink. Additionally, biochar increases water-holding capacity, prevents waterlogging of soils and likely improves the retention of organic carbon in soils
Einsatz neuronaler gewöhnlicher Differentialgleichungen bei der Grey-Box-Modellierung von Lithium-Ionen-Batterien
No full textLithium-Ionen-Batterien weisen ein dynamisches Spannungsverhalten auf, das nichtlinear vom Strom und vom Ladezustand abhängt. Die Modellierung von Lithium-Ionen-Batterien ist daher kompliziert und die Modellparametrierung ist oft zeitaufwändig. Durch den Einsatz von Grey-Box-Modellen kann die Batteriemodellierung vereinfacht werden. In dieser Arbeit werden Grey-Box-Modelle zunehmender Komplexität zur Modellierung des Spannungsverhaltens von Lithium-Ionen-Batterien eingeführt, trainiert und getestet. Besonderes Augenmerk liegt dabei auf der Modellierung der Spannungsdynamik.
Bei der Grey-Box-Modellierung werden die physikalische (White-Box) und die datengetriebene (Black-Box) Modellierung kombiniert. Im Rahmen dieser Arbeit werden neuronale Netze und insbesondere neuronale gewöhnliche Differentialgleichungen (NODE) zur Grey-Box-Modellierung verwendet. Die Verwendung von NODE bei der Black-Box- und bei der Grey-Box-Modellierung wird zunächst anhand des einfachen Beispiels eines RC-Gliedes eingeführt. Es wird exemplarisch gezeigt, wie der Strom als externe Variable in NODE berücksichtigt werden kann.
Im zweiten Schritt wird ein Modellierungsansatz für die langsame Spannungsdynamik von Lithium-Ionen-Batterien entwickelt. Die physikalische Struktur des Modellierungsansatzes entspricht dem fickschen Diffusionsgesetz. Unbekannte Parameter und Abhängigkeiten werden durch neuronale Netze und lernbare Parameter ersetzt. Das resultierende Grey-Box-Diffusionsmodell wird zur Simulation verschiedener dynamischer Prozesse verwendet. Es werden Modell-zu-Modell-Vergleiche mit einem fickschen Diffusionsprozess und in erweiterter Form mit einem Warburgelement und einem RC-Glied durchgeführt. Die langsame Dynamik der drei physikalischen Modelle wird durch das (erweiterte) Grey-Box-Diffusionsmodell gut erfasst.
Im Hauptteil der Arbeit werden NODE zur Grey-Box-Modellierung von Lithium-Ionen-Batterien verwendet. Einfache Ersatzschaltbildmodelle dienen als Grundlage für die Grey-Box-Modellierung. Die Batteriemodelle werden mit experimentellen Daten einer Lithium-Eisenphosphat-Batteriezelle trainiert und getestet. Der Trainingsdatensatz besteht aus Lade- und Entladekurven, die für unterschiedliche C-Raten nach dem Konstantstrom-, Konstantspannungsverfahren aufgenommen wurden, sowie aus einem Lade- und einem Entladevorgang mit gepulstem Strom. Zum Testen der Modelle steht ein synthetisches Lastprofil zur Verfügung.
Das erste Grey-Box-Modell basiert auf einem einfachen Ersatzschaltbild, das aus einer Leerlaufspannungsquelle, einem seriellen ohmschen Widerstand und einem RC-Glied besteht. Die zeitliche Änderung des Spannungsfalls über dem RC-Glied wird als NODE implementiert. Trotz der Einfachheit des Modells werden sowohl für die Trainings- als auch für die Testdaten akzeptable Ergebnisse erzielt. Eine physikalische Interpretation der Ausgabe des neuronalen Netzes, das zur Vorhersage der zeitlichen Änderung des Spannungsfalls über dem RC-Glied eingeführt wurde, ist allerdings schwierig.
Im weiteren Verlauf der Arbeit wird deshalb der White-Box-Anteil des Modells erhöht. Die Struktur der Differentialgleichung zur Modellierung des Spannungsfalls über dem RC-Glied wird direkt vorgegeben. Es liegt eine gute Übereinstimmung zwischen der Modellausgabe und den Messwerten vor. Allerdings kann der zeitliche Verlauf der Spannung während der Pulstests nicht korrekt durch das Modell wiedergegeben werden.
Anstelle des RC-Gliedes wird beim dritten Batteriemodell das zuvor eingeführte erweiterte Grey-Box-Diffusionsmodell verwendet. Das experimentelle Spannungsverhalten der Batterie wird durch das Modell gut reproduziert. Der zeitliche Verlauf der Batteriespannung im stromlosen Zustand kann jedoch nicht korrekt wiedergegeben werden.
Beim letzten Batteriemodell wird das erweiterte Grey-Box-Diffusionsmodell in modifizierter Form zur Vorhersage der Spannungsdynamik verwendet. Die Abhängigkeit des Diffusionskoeffizienten vom Batteriestrom wird als zusätzlicher Freiheitsgrad zugelassen. Insgesamt werden gute Ergebnisse erzielt. Insbesondere der Spannungsverlauf während Ruhephasen kann gut mit dem Grey-Box-Modell reproduziert werden.
Die eingeführten Batteriemodelle sind in der Lage, das Spannungsverhalten der betrachteten Batteriezelle gut wiederzugeben. Mit zunehmender Komplexität des Modells verbessern sich die Ergebnisse insbesondere bei der Modellierung der Spannungsdynamik nach Stromsprüngen und in Ruhephasen.Lithium-ion batteries exhibit a dynamic voltage behaviour that depends non-linearly on current and state of charge. Therefore, modelling lithium-ion batteries is complicated, and model parameterisation is often time-consuming. The use of grey-box models can simplify battery modelling. In this work, grey-box models of increasing complexity are introduced, trained, and tested for modelling the voltage behaviour of lithium-ion batteries. Special attention is given to the modelling of voltage dynamics.
Grey-box modelling combines physical (white-box) and data-driven (black-box) modelling. In this thesis, neural networks and in particular neural ordinary differential equations (NODEs) are used for grey-box modelling. The use of NODEs in black-box and grey-box modelling is first introduced based on the simple example of an RC circuit. It is shown how the current can be considered as an external variable in NODEs.
In the second step, a modelling approach for the slow voltage dynamics of lithium-ion batteries is developed. The physical structure of the modelling approach corresponds to Fick's law of diffusion. Unknown parameters and dependencies are replaced by neural networks and learnable parameters. The resulting grey-box diffusion model is used to simulate different dynamic processes. Model-to-model comparisons are carried out with a Fickian diffusion process, and in an extended form with a Warburg element and an RC circuit. The slow dynamics of the three physical models are well captured by the (extended) grey-box diffusion model.
In the main part of the thesis, NODEs are used for grey-box modelling of lithium-ion batteries. Simple equivalent circuit models are the basis for grey-box modelling. The battery models are trained and tested on the experimental data of a lithium iron phosphate battery cell. The training data set consists of charge and discharge curves recorded for different C-rates using the constant current–constant voltage method and a charge and a discharge curve with pulsed current. A synthetic load profile is available for testing the models.
The first grey-box model is based on a simple equivalent circuit model consisting of an open-circuit voltage source, a series ohmic resistor, and an RC circuit. The temporal change of the voltage drop across the RC circuit is implemented as a NODE. Despite the simplicity of the model, acceptable results are obtained for both training and test data. However, a physical interpretation of the output of the neural network, which was introduced to predict the temporal change of the voltage drop across the RC circuit, is difficult.
The white-box part of the model is therefore increased in the further course of the work. The structure of the differential equation for modelling the voltage drop across the RC circuit is specified directly. The grey-box model shows good agreement with the measurement data. However, the model does not correctly reproduce the voltage curve over time during the pulse tests.
Instead of the RC circuit, the third battery model uses the previously introduced extended grey-box diffusion model. The experimental voltage behaviour of the battery is well reproduced by the model. However, the model cannot correctly reproduce the time behaviour of the battery voltage in states with zero current.
In the last battery model, the extended grey-box diffusion model is used in a modified form to predict the voltage dynamics. The dependence of the diffusion coefficient on the battery current is allowed as an additional degree of freedom. Overall, good results are achieved. In particular, the voltage curve during rest phases is well reproduced by the grey-box model.
The battery models presented can well reproduce the voltage behaviour of the battery cell under consideration. As the complexity of the model increases, the results improve, particularly when modelling the voltage dynamics after current steps and in rest phases
Robust Transient and Anomaly Detection in Voltage Waveforms Using Curve-Fitted Sinusoidal Models
No full textThis paper presents a novel hybrid methodology for robust detection of transients and anomalies in waveform data by synergizing frequency- and time-domain analysis. The approach begins with the Fast Fourier Transform (FFT) to extract dominant spectral components, which inform the initialization of a non-linear sinusoidal curve-fitting process in the time domain. This fitting yields precise estimates of amplitude, angular frequency, and phase shift, enabling enhanced tracking of waveform dynamics. An adaptive, datadriven detection threshold is then established, defined as 5% of the fitted amplitude, allowing for sensitive and context-aware identification of anomalous deviations. Unlike conventional methods that rely on fixed thresholds or operate solely in one domain, our method dynamically adapts to signal characteristics, improving detection accuracy under varying conditions. Validation results demonstrate the method's effectiveness in accurately identifying transient events and anomalies, underscoring its potential in critical applications such as power system monitoring and fault detection
Risikomanagement, Business Judgement Rule, Nachhaltigkeit: Neue Anforderungen für den Deutschen Corporate Governance Kodex (DCGK) (Teil I)
No full textDer Deutsche Corporate Governance Kodex ist eine wichtige Leitlinie für Unternehmen, die regelmäßig an neue Anforderungen anzupassen ist. In dieser Stellungnahme werden Anregungen für die Weiterentwicklung zusammengefasst. Neben dem Thema Nachhaltigkeit wird dabei insb. auf neue Anforderungen an das Risikomanagement eingegangen (z.B. infolge § 1 StaRUG und FISG), die bei der letzten Uberarbeitung des DCGK nicht berücksichtigt wurden. Aus Perspektive der Business Judgement Rule (§ 93 AktG) wird zudem auf das Problem hingewiesen, dass die Geschäftsleitung zur Vermeidung mehr oder weniger willkürlicher Entscheidungen eindeutige Ziele und Nebenbedingungen benötigt, was gerade durch eine wertorientierte Unternehmensführung möglich wird
Effect of advanced footwear technology on proximal joint work distribution while running with plantar flexor fatigue
No full textNonlinear mixing processes of surface acoustic waves involving leaky waves
No full textTwo guided waves can efficiently generate a third one in a stationary phase-matched third-order nonlinear interaction process. The evolution of the output wave can approximately be described by coupled mode equations. In this work, the derivation of such coupled mode equations is extended to third-order nonlinear mixing processes of surface acoustic waves in anisotropic elastic media with a leaky output wave. In analogy to the case of a perfectly surface-guided output wave, the coefficients occurring in these equations can be expressed in the form of overlap integrals involving the displacement profiles of the three interacting waves. If the output wave is leaky, some of these integrals have to be regularized, which is achieved with the help of a perfectly matched layer. The derivations are carried out for (i) noncollinear mixing of two perfectly guided surface waves generating a leaky surface wave and (ii) collinear processes with all three waves being leaky. In case (i), quantitative results for the coefficients are presented for (leaky) surface waves propagating on the (001) surface of crystalline copper as an example
Children's University in the Year of Quantum Science and Technology
No full textThe paper analyzes the challenges of preparing and teaching a lecture on quantum physics to children aged 8–12 years. We introduce young minds to complex scientific concepts through interactive learning, simplifying quantum principles and encouraging curiosity, critical thinking, and future exploration in science
Thematic art posters in photonics
No full textIn this paper, we present how we can highlight our interdisciplinary media projects by using thematic art postcards. We like to emphasize that our students come from the artistic field and undertake creative excursions in science
Eine Analyse der Sicherheit von LLM-generierten Code
No full textWir beobachten eine zunehmende Nutzung von KI-Assistenten, selbst bei routinemäßigen Programmieraufgaben. Der auf Basis eines sogenannten "Prompts" von Programmierern generierte Code entspricht jedoch nicht immer allgemein akzeptierten Sicherheitsstandards. Die Qualität des Prompts bestimmt also zum Teil, ob generierter Code Schwachstellen enthält oder nicht.
Wir analysieren 4 bedeutende LLMs hinsichtlich der Sicherheit von generiertem Python- und Javascript-Code unter Verwendung des MITRE CWE-Katalogs als maßgebliche Sicherheitsdefinition. Unsere Ergebnisse zeigen, dass einige LLMs bei Verwendung verschiedener Prompting-Techniken initial 65% Code generieren, der von einem Sicherheitsexperten als unsicher eingestuft wird. Andererseits können LLMs mit zunehmender manueller Anleitung durch einen erfahrenen Ingenieur Code generieren, der zu 94-100% sicher ist