Baulich‐räumliche Gestalt und urbane Flächennutzung gehören zu den wesentlichen transformativen Handlungsfeldern der Städte. Lebens‐ und Umweltqualität, Identität und Eigenart sowie die Teilhabe in der kommunalen Gesellschaft werden durch urbane Oberflächen maßgeblich beeinflusst. Die meisten urbanen Oberflächen sind bislang auf die dauerhafte Erfüllung einzelner Zwecke ausgerichtet, bieten aber einen größeren Gestaltungsspielraum bezüglich Funktionalität und Adaptivität, Qualität und Effizienz. Es ist deshalb sinnvoll, das bauphysikalische Wirkpotenzial urbaner Oberflächen ganzheitlich zu erschließen, zu bewerten, technologisch zu erweitern und praxistauglich zu erproben. Angesichts wachsender Belastungen urbaner Strukturen durch klimatisch bedingte Einflüsse, wie Überflutung, extreme Wetterlagen oder Hitzeinseln, werden neue Möglichkeiten, Verfahren, Systeme oder Materialien zur Verbesserung der Resilienz notwendig. Im Beitrag werden exemplarische Entwicklungen vorgestellt, die sich ergänzen und zusammenfügen lassen. Hydroaktive Oberflächen puffern Regenwasser und geben es zeitverzögert ab, um Hitze und Überflutung gleichermaßen zu reduzieren. Begrünte Fassaden verbessern Stadtklima und Luftqualität. Schallabsorbierende Fassaden verringern innerstädtischen Lärm. Die optimierte Reinigung von Verkehrs‐ und Freiflächen reduziert den Instandhaltungsaufwand. Die Betrachtung von Bewirtschaftungsprozessen mittels Ökobilanz zeigt Optimierungspotenziale kommunaler Stoffströme auf.

No abstract

Classical methods for model order selection often fail in scenarios with low SNR or few snapshots. Deep learning based methods are promising alternatives for such challenging situations as they compensate lack of information in observations with repeated training on large datasets. This manuscript proposes an approach that uses a variational autoencoder (VAE) for model order selection. The idea is to learn a parameterized conditional covariance matrix at the VAE decoder that approximates the true signal covariance matrix. The method itself is unsupervised and only requires a small representative dataset for calibration purposes after training of the VAE. Numerical simulations show that the proposed method clearly outperforms classical methods and even reaches or beats a supervised approach depending on the considered snapshots.

No abstract

Betreiber von Rechenzentren achten mehr und mehr darauf, Energie einzusparen – etwa durch temperaturunempfindlichere Hardware-Komponenten. Auch wird darauf geachtet, die abgegebene Wärme intelligent abzuleiten. Die Wärme kann auch in Fernwärmenetze eingespeist werden.