Verbundprojekt InSchuKa4.0: Kombinierter Infrastruktur- und Umwelt-Schutz durch KI-basierte Kanalnetzbewirtschaftung : Fördermaßnahme: Wasser-Extremereignisse

Abstract

Das vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderte Verbundforschungsvorhaben InSchuKa4.0 zielte auf die Entwicklung und Erprobung eines KI-basierten Ansatzes zur dynamischen Kanalnetzbewirtschaftung unter den Bedingungen zunehmender Wetterextremereignisse ab. Im Mittelpunkt stand die Frage, wie bestehende Mischwasserkanalnetze durch intelligente Steuerung, gezielte technische Nachrüstung und die systematische Nutzung vorhandener Daten leistungsfähiger und resilienter betrieben werden können, ohne vorrangig auf kostenintensive bauliche Erweiterungen angewiesen zu sein. Am Beispiel des Kanalnetzes der Stadt Jena wurden hydrodynamische Simulationen, Echtzeitmessdaten, Wetterprognosen sowie betriebliches Erfahrungswissen in einem fallbasierten Entscheidungsansatz auf Basis von Case-Based Reasoning zusammengeführt. Ergänzend wurden modifizierte Spülschütze entwickelt und im Pilotabschnitt an den Bauwerken RÜ 09 und RÜ 13 umgesetzt, um vorhandene Stauraumvolumina gezielt zu aktivieren, Mischwasserabschläge zu reduzieren und bedarfsgerechte Spülprozesse zur Verringerung von Ablagerungen zu ermöglichen. Die im Projekt entwickelten Methoden, technischen Komponenten und Softwareansätze wurden unter realen Betriebsbedingungen erprobt und hinsichtlich ihrer Wirksamkeit, betrieblichen Umsetzbarkeit und Übertragbarkeit bewertet. Darüber hinaus wurden Anforderungen, Akzeptanzfaktoren und Hemmnisse für den Einsatz datenbasierter und KI-gestützter Steuerungssysteme in der kommunalen Wasserwirtschaft untersucht. Das Vorhaben liefert damit einen Beitrag zur Weiterentwicklung bestehender Kanalnetze hin zu adaptiven, ressourceneffizienten und nachvollziehbar steuerbaren Infrastruktursystemen zum Schutz von Umwelt, Gewässern und urbaner Infrastruktur. The InSchuKa4.0 collaborative project addresses key challenges in the operation of municipal sewer networks, which arise in particular from increasing heavy rainfall events, prolonged dry spells and growing demands for water and environmental protection. Whilst heavy rainfall leads to hydraulic overloads and combined sewer overflow, dry spells promote sedimentation, odour formation and corrosion processes. At the same time, conventional, predominantly static control concepts are increasingly reaching their limits, as they are unable to respond flexibly to dynamic and complex load situations. The aim of the project was therefore to manage existing sewer networks more efficiently, robustly and adaptively through the use of digital technologies and artificial intelligence. The focus was on developing an integrated control concept that combines hydrodynamic modeling, real-time measurement data and operational expertise to enable adaptive and transparent control decisions. In doing so, a deliberate approach was adopted that is based on the intelligent use and further development of existing infrastructure and avoids extensive and cost-intensive structural extensions, whilst taking into account targeted structural and technical measures, in particular the use of adjustable valves. At the heart of the developed system is an AI-based control approach based on Case-Based Reasoning (CBR), in which current operational situations are compared with documented cases of experience to derive appropriate measures. This approach is complemented by the development and deployment of modified flushing valves, which combine the functions of storage, throttling and flushing in a single component, thereby enabling flexible management of the sewer network. The methods and technologies developed were tested under real operating conditions as part of a pilot application in the sewer network of the city of Jena. The results show that the use of the system can reduce combined sewer overflows, utilise existing storage volumes more efficiently and reduce hydraulic peak loads. At the same time, targeted flushing processes contribute to the reduction of deposits and the improvement of operational safety. Overall, the project demonstrates that the combination of engineering methods, data-driven analysis and AI-supported decision-making can make a significant contribution to the development of resilient, adaptive and resource-efficient sewer networks. Furthermore, an approach has been developed that systematically integrates the experiential knowledge of operational staff into digital systems, thereby opening up new perspectives for knowledge management and the practical application of AI in water management.