Verbundvorhaben RIWWER - Resiliente, intelligente Wasserwirtschaft durch Edge- und Reinforcement-Learning

Abstract

Ziel des Verbundprojekts RIWWER ("Resiliente, intelligente Wasserwirtschaft durch Edge- und Reinforcement-Learning") war die Entwicklung eines Prototypen für eine intelligente, KI-basierte Kanalnetzsteuerung in Innenstädten, insbesondere für eine Verbesserung des kommunalen Abwassermanagements unter Berücksichtigung von Starkregenereignissen. Wissenschaft/Technik: Stand der Wissenschaft sind SWMM (hydrodynamische Simulation) für Modellierung von Kanalnetzen sowie zahlreiche Verfahren der KI-unterstützten Regelung unter Verwendung von Modellen (MPC, Reinforcement Learning) – jedoch sind keine Anwendungen auf Abwassersysteme bekannt. Als Kommunikationsstandards existieren LPWAN (LoRaWAN/NB-IoT/MIoTy) und MQTT für allgemeine IoT-Anwendungen, jedoch ist bisher nicht untersucht worden, welche sich für den genannten Einsatzzweck eignet. Zielsetzung: Entwicklung eines KI-Prototyps für resiliente, dezentrale Kanalnetzsteuerung zur Reduktion von Mischwasserüberläufen bei Starkregen, unter Berücksichtigung von ATEX-Anforderungen und Energieeffizienz. Methode: Erprobung von Funkknoten am Einsatzort, Erprobung von KI-unterstützer Regelung durch Simulation an Modellen, Optimierung für Edge-KI durch Benchmarking auf ressourcenbeschränkter Hardware (FPGAs), Integration in einen physischen Teststand mit Reservoiren und Ventilen. Ergebnis: KI-Systeme steigern Resilienz urbaner Entwässerung und unterstützen EU-KARL-Einhaltung (ab 2027: max. 2 % Mischwasserüberlauf). MARL erreicht MPC-Performance; integrierter Teststand demonstriert Systemzusammenhang von Open-Source-KI-Modellen, Cloud-Architektur für LoRaWAN/NB-IoT und robusten Modelle gegen Kommunikationsausfälle. Goal of the RIWWER joint project ("Resilient, Intelligent Water Management through Edge and Reinforcement Learning") was to develop a prototype for an intelligent, AI-based sewer network control system in urban areas, particularly to improve municipal wastewater management while accounting for heavy rainfall events. Science/Technology: The state of the art includes SWMM (hydraulic simulation) for sewer network modeling, as well as numerous AI-supported model-based control methods (MPC, Reinforcement Learning) – however, no applications to wastewater systems are currently known. Communication standards such as LPWAN (LoRaWAN/NB-IoT/MIoTy) and MQTT exist for general IoT applications, but it has not yet been investigated which are best suited for this specific use case. Objective: Development of an AI prototype for resilient, decentralized sewer network control to reduce combined sewer overflows during heavy rainfall, while considering ATEX requirements and energy efficiency. Method: Field testing of radio nodes, testing of AI-supported control via model-based simulations, optimization of edge AI through benchmarking on resource-constrained hardware (FPGAs), and integration into a physical test rig with reservoirs and valves. Result: AI systems increase the resilience of urban drainage and support compliance with EU-KARL (from 2027: max. 2% combined sewer overflow). Multi-Agent Reinforcement Learning (MARL) achieves MPC performance; the integrated test rig demonstrates the system integration of open-source AI models, cloud architecture for LoRaWAN/NB-IoT, and robust models resilient to communication failures.