Open Access

Drinking water supply and distribution systems are critical infrastructure that has to be well maintained for the safety of the public. One important tool in the maintenance of water distribution systems (WDS) is flushing. Flushing is a process carried out in a periodic fashion to clean sediments and other contaminants in the water pipes. Given the different topographies, water composition and supply demand between WDS no single flushing strategy is suitable for all of them. In this report a non-exhaustive overview of optimization methods for flushing in WDS is given. Implementation of optimization methods for the flushing procedure and the flushing planing are presented. Suggestions are given as a possible option to optimise existing flushing planing frameworks.

Der Beitrag behandelt die Dokumentation und Bauaufnahme sowohl der Geometrie, als auch nicht-stofflicher Eigenschaften der Johannes-Kirche in Bochum von Hans Scharoun. Die vorgestellte Methodik zielt darauf ab, Eigenschaften des Raumes erforschen zu können, die über die reine Geometrie und Materialität hinausgehen, um auch solche bauhistorischen und denkmalpflegerischen Werte fassen zu können.

Die Risikowahrnehmung von Bürgern und Verbrauchern weicht aufgrund von psychologischen Verzerrungseffekten in vielen Fällen deutlich von den realen Risiken ab, was zu „irrationalen“ Entscheidungen und ungeeignetem Vorsorgen und Versichern führen kann. Ziel der Studie ist es, solche Abweichungen in der Wahrnehmung von alltäglichen Risiken in der deutschen Bevölkerung aufzuzeigen. Im Wege einer empirischen Untersuchung wurde daher repräsentativ erhoben, wie unterschiedliche Risiken aus den drei Lebensbereichen „Auto und Mobilität“, „Eigentum, Beruf und Familie“ sowie „Gesundheit und Leben“ in der Bevölkerung eingeschätzt werden. Der subjektiven Risikowahrnehmung werden dann die entsprechenden statistischen Eintrittswahrscheinlichkeiten gegenüber gestellt. Im Ergebnis zeigt sich, dass die Wahrscheinlichkeit seltener Ereignissemeist überschätzt wird. Das gilt wiederum insbesondere für „medienwirksame“ Ereignisse wie tödliche Verkehrsunfälle oder die Gefahr durch Terroranschläge. Häufigere Ereignisse werden dagegen eher unterschätzt. Neben Sachschäden oder Eigentumsdelikten gilt dies insbesondere für Brand-und Leitungswasserschäden. Besonders auffällig ist zudem die Unterschätzung der Häufigkeit von Rechtsfällen. Bezogen auf die eigene Person im Vergleich zur Betroffenheit in der Bevölkerung, werden Terrorgefahren, tödliche Verkehrsunfälle und Computerkriminalität als besonders hoch eingeschätzt. Kontakt mit dem Gesetz –sei es ein Verlust der Fahrerlaubnis, einer Straftat verdächtigt zu werden oder in einen zivilen Rechtsstreit verwickelt zu werden, betrifft hingegen eher die Bevölkerung allgemein und damit „die Anderen“. Auch Erfahrungen im persönlichen Umfeld spielen eine wichtige Rolle, indem die eigene Gefährdung als deutlich höher eingeschätzt wird. Das gilt in besonderem Maße für Ereignisse, die ansonsten als sehr unwahrscheinlich angesehen werden (z.B. tödlicher Flugzeugunfall, tödliches Gewaltverbrechen, Straftatverdacht), aber auch für Berufsunfähigkeits-sowie Krankheitsrisiken.

Die Risikowahrnehmung von Bürgern und Verbrauchern weicht aufgrund von psychologischen Verzerrungseffekten deutlich von den realen Risiken ab. Zudem sind die meisten Menschen durch das Denken in Wahrscheinlichkeiten und hohe Zahlen überfordert. In einer (weitgehend) repräsentativen Bevölkerungsumfrage wurden vom 31.3. bis zum 2.4.2020 insgesamt 2.028 Personen zur Wahrnehmung von Risiken rund um die Corona-Pandemie sowie zur Fähigkeit der Einschätzung exponentieller Entwicklungen befragt. Die wichtigsten Ergebnisse lassen sich wie folgt zusammenfassen: Exponentielle Entwicklungen – wie im Falle einer Pandemie gegeben - entziehen sich weitgehend dem menschlichen Vorstellungsvermögen. Das Gleiche gilt für die gigantischen Geldbeträge, die als Hilfsmaßnahmen für die Wirtschaft beschlossen wurden. Diese werden – vereinfacht ausgedrückt - nur noch als „unglaublich viel Geld“ wahrgenommen. Die Sorgen vor Corona sind – wenig überraschend – in den Köpfen der Bürger überaus präsent. Nur ein kleiner Anteil der Bevölkerung sorgt sich nach eigenen Aussagen gar nicht oder kaum über eine mögliche Ansteckung. Jeder zweite fürchtet eine wirtschaftlichen Notlage, und vierzig Prozent bangen sogar um ihr Leben. Zum Vergleich haben wir einige weitere Sorgen mit erfasst, die wir bereits in einer Studie im August 2016 erhoben hatten. Damals war Krebs – gemeinsam mit Verkehrsunfällen – die weitaus präsenteste von insgesamt 30 abgefragten Sorgen. Die Angst vor einem Terroranschlag lag bei den Befragten ebenfalls weit vorne. Aber kein Thema hatte die Bürger damals so „im Griff“ wie zum jetzigen Erhebungszeitpunkt die Corona-Krise. Andere Gefahren scheinen durch Corona nur in moderatem Umfang verdrängt zu werden: Krebs oder Herzinfarkt besorgen tendenziell etwas weniger Menschen, als das in „normalen“ Zeiten der Fall ist. Die vor vier Jahren noch höchst präsente Bedrohung durch Terrorismus ist hingegen zu großen Teilen aus dem Alltagserleben verschwunden. Wird anstelle des „Bauches“ der „Kopf“ angesprochen, so ändert sich die Reihenfolge der Risiken nicht wesentlich. Ebenso wie Herzinfarkt und Krebs werden auch die Ansteckung und eine wirtschaftliche Notlage von weiten Teilen der Bevölkerung als eine realistische Bedrohung angesehen. Ausnahme hiervon ist der mögliche Tod durch den Corona-Virus, der sich in den alltäglichen Ängsten (siehe oben Punkt 2) deutlich mehr niederschlägt, als wenn etwas nüchterner über konkrete Wahrscheinlichkeiten nachgedacht wird. Erst in der Altersgruppe ab 55 Jahren steigen auch hier die Werte deutlich an. Sie bleiben aber auch dann realistischerweise unter den Werten für einen Herzinfarkt oder eine Krebserkrankung. Im Großen und Ganzen hielten sich die Menschen an die auferlegten Verbote: Die Mehrheit folgt diesen zumindest aus eigener Sicht „voll und ganz“. Gut jeder Dritte nimmt es aber nicht so ganz genau, und insgesamt ca. 5% bekennen sich dazu, die Regeln eher oder gar nicht zu befolgen. Die Frage, wer am ehesten gegen die Regeln verstößt, lässt sich anhand soziodemographischer Daten kaum eindeutig beantworten. Zwar steigt der Anteil derer, die die Regeln „voll und ganz befolgen“, ab ca. 45 Jahren leicht an, insgesamt zeigen sich aber alle Altersgruppen weitgehend „regelkonform“. Noch geringer sind die Unterschiede nach Einkommen, Bildung oder Bundesland. Am ehesten findet sich noch eine Abweichung nach Geschlecht, indem Männer die Regeln etwas „lockerer“ auslegen. Der Bedarf an Tests ist hoch, eine Mehrheit würde gerne einen Corona-Test vornehmen.

Hochschulen initiieren und fördern immer stärker das unternehmerische Denken und Handeln ihrer Studierenden und tragen maßgeblich zu ihrer Qualifizierung als Gründerinnen und Gründer bei. Entrepreneurship Education sowie die Bereitstellung von Einrichtungen und Angeboten für junge Gründerinnen und Gründer spielen eine zentrale Rolle und sollen Innovationen als wissensbasierten Output fördern. Die vorliegende Untersuchung geht der Fragestellung nach, wie Hochschulen am Beispiel der Technischen Hochschule Köln – kurz TH Köln – ihre Studierenden unternehmerische Kompetenzen vermitteln und sie in Bezug auf Gründungsaktivitäten sensibilisieren, mobilisieren und unterstützen können, um so eine Entrepreneruship-Kultur im Zeitablauf zu entwickeln und zu etablieren. Sie bezieht zwei empirische Studien mit ein: eine aktuelle Befragung der Studierenden aus dem Jahre 2019 sowie eine Befragung aus dem Jahre 2016. So lassen sich aktuelle sowie im Zeitablauf vergleichende Aussagen ableiten.

This paper introduces CAAI, a novel cognitive architecture for artificial intelligence in cyber-physical production systems. The goal of the architecture is to reduce the implementation effort for the usage of artificial intelligence algorithms. The core of the CAAI is a cognitive module that processes declarative goals of the user, selects suitable models and algorithms, and creates a configuration for the execution of a processing pipeline on a big data platform. Constant observation and evaluation against performance criteria assess the performance of pipelines for many and varying use cases. Based on these evaluations, the pipelines are automatically adapted if necessary. The modular design with well-defined interfaces enables the reusability and extensibility of pipeline components. A big data platform implements this modular design supported by technologies such as Docker, Kubernetes, and Kafka for virtualization and orchestration of the individual components and their communication. The implementation of the architecture is evaluated using a real-world use case.

Real-world problems such as computational fluid dynamics simulations and finite element analyses are computationally expensive. A standard approach to mitigating the high computational expense is Surrogate-Based Optimization (SBO). Yet, due to the high-dimensionality of many simulation problems, SBO is not directly applicable or not efficient. Reducing the dimensionality of the search space is one method to overcome this limitation. In addition to the applicability of SBO, dimensionality reduction enables easier data handling and improved data and model interpretability. Regularization is considered as one state-of-the-art technique for dimensionality reduction. We propose a hybridization approach called Regularized-Surrogate-Optimization (RSO) aimed at overcoming difficulties related to high-dimensionality. It couples standard Kriging-based SBO with regularization techniques. The employed regularization methods are based on three adaptations of the least absolute shrinkage and selection operator (LASSO). In addition, tree-based methods are analyzed as an alternative variable selection method. An extensive study is performed on a set of artificial test functions and two real-world applications: the electrostatic precipitator problem and a multilayered composite design problem. Experiments reveal that RSO requires significantly less time than standard SBO to obtain comparable results. The pros and cons of the RSO approach are discussed, and recommendations for practitioners are presented.

Benchmark experiments are required to test, compare, tune, and understand optimization algorithms. Ideally, benchmark problems closely reflect real-world problem behavior. Yet, real-world problems are not always readily available for benchmarking. For example, evaluation costs may be too high, or resources are unavailable (e.g., software or equipment). As a solution, data from previous evaluations can be used to train surrogate models which are then used for benchmarking. The goal is to generate test functions on which the performance of an algorithm is similar to that on the real-world objective function. However, predictions from data-driven models tend to be smoother than the ground-truth from which the training data is derived. This is especially problematic when the training data becomes sparse. The resulting benchmarks may not reflect the landscape features of the ground-truth, are too easy, and may lead to biased conclusions. To resolve this, we use simulation of Gaussian processes instead of estimation (or prediction). This retains the covariance properties estimated during model training. While previous research suggested a decomposition-based approach for a small-scale, discrete problem, we show that the spectral simulation method enables simulation for continuous optimization problems. In a set of experiments with an artificial ground-truth, we demonstrate that this yields more accurate benchmarks than simply predicting with the Gaussian process model.

Sensor placement for contaminant detection in water distribution systems (WDS) has become a topic of great interest aiming to secure a population's water supply. Several approaches can be found in the literature with differences ranging from the objective selected to optimize to the methods implemented to solve the optimization problem. In this work we aim to give an overview of the current work in sensor placement with focus on contaminant detection for WDS. We present some of the objectives for which the sensor placement problem is defined along with common optimization algorithms and Toolkits available to help with algorithm testing and comparison.

We propose a hybridization approach called Regularized-Surrogate- Optimization (RSO) aimed at overcoming difficulties related to high- dimensionality. It combines standard Kriging-based SMBO with regularization techniques. The employed regularization methods use the least absolute shrinkage and selection operator (LASSO). An extensive study is performed on a set of artificial test functions and two real-world applications: the electrostatic precipitator problem and a multilayered composite design problem. Experiments reveal that RSO requires significantly less time than Kriging to obtain comparable results. The pros and cons of the RSO approach are discussed and recommendations for practitioners are presented.