Machine Learning-gestützte Abflussvorhersagen in Abwassernetzen
Series: Forschungsreihe der FH Münster;
-
GET 12% OFF
- Publisher's listprice EUR 54.99
-
22 807 Ft (21 721 Ft + 5% VAT)
The price is estimated because at the time of ordering we do not know what conversion rates will apply to HUF / product currency when the book arrives. In case HUF is weaker, the price increases slightly, in case HUF is stronger, the price goes lower slightly.
- Discount 12% (cc. 2 737 Ft off)
- Discounted price 20 070 Ft (19 114 Ft + 5% VAT)
20 070 Ft
Availability
Not yet published.
Why don't you give exact delivery time?
Delivery time is estimated on our previous experiences. We give estimations only, because we order from outside Hungary, and the delivery time mainly depends on how quickly the publisher supplies the book. Faster or slower deliveries both happen, but we do our best to supply as quickly as possible.
Product details:
- Publisher Springer Fachmedien Wiesbaden
- Date of Publication 14 April 2026
- ISBN 9783658512132
- Binding Paperback
- No. of pages129 pages
- Size 210x148 mm
- Language German
- Illustrations XX, 129 S. 71 Abb., 55 Abb. in Farbe. 700
Categories
Long description:
Der Klimawandel stellt die Wasserwirtschaft vor immense Herausforderungen, insbesondere durch Extremwetterereignisse, die weltweit Einfluss auf die Wasserressourcen nehmen. Um diese Herausforderungen zu bewältigen, werden Potenziale in der Nutzung von künstlicher Intelligenz und Machine Learning gesehen. Erfolge konnten bereits in verschiedenen wasserwirtschaftlichen Anwendungen nachgewiesen werden, weshalb Methoden des Machine Learning auch für Abflussvorhersagen in Kanalnetzen vielversprechend scheinen.
Das vorliegende Buch untersucht das Potenzial von Machine Learning zur Vorhersage von Abflüssen in urbanen Kanalnetzen. Mithilfe der Machine Learning-Plattform TensorFlow wurde ein Modell entwickelt, das auf Basis von simulierten Abflüssen trainiert wurde und aus Niederschlagsdaten Abflussvorhersagen generiert.
Die Untersuchungen ergaben, dass das entwickelte tiefe neuronale Netz, basierend auf dem LSTM-Algorithmus, eine durchschnittliche Maximalwertabweichung des Abflusses von 4,6 % erreichen konnte. Das Modell wies eine schnelle Berechnungszeit von 0,06 s pro Vorhersage auf, was es dreimal schneller als ein äquivalentes SWMM-Modell machte. Die Übertragung der Methodik auf ein anderes Kanalnetzsystem mit Regenklärbecken war ebenfalls erfolgreich, mit einer durchschnittlichen Maximalwertabweichung von 8,2 %. Die Ergebnisse demonstrieren die Machbarkeit und Effizienz von Machine Learning-gestützten Abflussvorhersagen und deren Beschleunigungspotenzial.
Table of Contents:
Einleitung.- Stand der Wissenschaft und Technik.- Material und Methoden.- Herleitung des ML-Modells.- Modellübertragung.- Programm UrbanML.- Ergebnisse und Diskussion.- Fazit und Ausblick.- Literaturverzeichnis.
More
