Digital GreenTech – der Podcast über Umwelttechnik und Digitalisierung   /     Episode 4: Fokus Kanal: Von Starkregen, digitalen Zwillingen und Künstlicher Intelligenz

Description

Täglich duschen wir, nutzen die Toilettenspülung oder waschen das Geschirr ab – all dieses Abwasser landet in der Kanalisation. Durch Regen- und Schmelzwasser gelangt ebenfalls Abwasser in die Kanalisation. Kanalsysteme fangen jährlich 10 Milliarden Liter Abwasser auf (Laut Umweltbundesamt https://www.umweltbundesamt.de/daten/wasser/wasserwirtschaft/oeffentliche-abwasserentsorgung#rund-10-milliarden-kubikmeter-abwasser-jahrlich). Dabei steht die Kanalisation immer wieder vor ökologischen und ökonomischen Herausforderungen wie die Reinigung von Abwasser, Aufnahme von Starkregen oder die Inspektion von Kanal-Schäden. Der Einsatz von Künstlicher Intelligenz verspricht diesen Problemen entgegenzuwirken – die Ideen reichen von IoT-Systemen über digitale Zwillinge bis hin zu intelligenten Kanal-Modellierungen. Doch welches Potenzial bietet KI für die Kanalisation? Wie können intelligente Kanal-Modellierungen die Kanalisation und Gewässer schützen? Welche Herausforderungen und Probleme gibt es? In dieser Folge des Digital GreenTech-Podcasts werden wir die Kanalisation, ihre Funktion und Bedeutung für Mensch und Umwelt erläutern, dabei das technologische Einsatzpotenzial von Künstlicher Intelligenz in der Kanalisation diskutieren und die Herausforderungen des Klimawandels für die Kanalisation erläutern. Zu Gast ist Felix Weiske, Machine Learning Engineer der Grimm Water Solutions UG und Teil des BMBF-Forschungsprojekt i-SEWER, bei Nadine Winter von der Gesellschaft für Informatik e.V.

Subtitle
Duration
00:29:56
Publishing date
2023-05-03 13:03
Link
https://podcasters.spotify.com/pod/show/digital-greentech/episodes/Episode-4-Fokus-Kanal-Von-Starkregen--digitalen-Zwillingen-und-Knstlicher-Intelligenz-e23e1m6
Contributors
Enclosures
https://anchor.fm/s/abf56c60/podcast/play/69715078/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2023-4-3%2F54b192c2-8369-0ef1-2e21-03ce22017909.mp3
audio/mpeg