kup - kassel university press
https://kobra.uni-kassel.de:443/handle/123456789/11465
Publikationen des Universitätsverlages Kassel2024-03-19T02:44:53ZModeling Static Grid Equivalent with Artificial Neural Networks Including Optimally Designed Local Reactive Power Control
https://kobra.uni-kassel.de:443/handle/123456789/15548
During the energy system transition, the rapid increase in distributed energy resources (DERs) can cause grid congestion problems in power grids, such as voltage problems and overloads. It has become increasingly important to intelligently control the provision of reactive power from DERs to power grids, which not only stabilizes voltage, reduces loading and grid losses, but also provides reactive power flexibility to different points in power grids. As power grids are interconnected and operated by different grid operators, using an equivalent grid model in place of a complete detailed model is the standard solution for data confidentiality and computational efficiency. The equivalent model should represent the behavior of the original grid as accurately as possible. However, current state-of-the-art equivalent grids are based on a static grid state, meaning that variable grid states, such as those caused by strong power fluctuations, controllers, and switching state changes, are often not represented by the equivalent model. This can lead to significant errors in power system analysis.
This thesis proposes a time series optimization-based method for calculating optimal characteristic curves for each DER, enabling intelligent local reactive power control. The open-source tools pandapower and PowerModels are functionally interconnected to optimize reactive power provisions of DERs, and linear decision tree regression is used to identify the optimal characteristic curve from the optimization results. To consider variable grid states resulting from the factors mentioned above, a static grid equivalent method based on artificial neural networks (ANNs) is developed. The use of ANNs with feedforward and recurrent architectures significantly improves the accuracy of the grid equivalent, compared to the state-of-the-art methods. Furthermore, to ensure data confidentiality, an unsupervised ANN - an Autoencoder - is implemented. It obfuscates the original grid data for exchange while preserving its features for training with sufficient accuracy.
The proposed methods are analysed and evaluated based on extensive simulations with different grids and representative scenarios. The individually optimized characteristic curves are found to be more effective than conventional settings in supporting voltage stability, reducing grid losses, and providing reactive power flexibility. They can serve as a backup for failures in central optimizations or as a bridging solution for grid operators without modern grid monitoring systems. By incorporating the characteristic curve parameters and the switching status as training data and using the recurrent architectures, the ANN-based equivalent accuracy is further improved on the existing improvements with the feedforward architecture. Compared to the state-of-the-art REI equivalent, the equivalent deviations are reduced by approximately 90%. The entire exchange and training process is based on the obfuscated grid data, ensuring data confidentiality.; Im Zuge der Energiewende kann der schnelle Anstieg von Erzeugungsleistung aus dezentralen Erzeugungsanlagen (DEA) zu Netzenpässen führen, wie z.B.
Spannungsprobleme und Überlastungen. Es wird daher immer wichtiger, die Möglichkeiten der Blindleistungsbereitstellung durch DEA bspw. zum Zweck der
Spannungshaltung, Engpassmanagement, Netzverlustminimierung, und Flexibilitätsbereitstellung zu nutzen und die Anlagen intelligent zu steuern. Da
Stromnetze miteinander verbunden und von verschiedenen Netzbetreibern betrieben werden, ist die Verwendung eines äquivalenten Netzmodells anstelle eines detaillierten Modells die Standardlösung an den Netzbetreiber-Schnittstellen unter Bewahrung der Datenvertraulichkeit und Recheneffizienz. Ein äquivalentes Netzmodell sollte das Verhalten des originalen Netzes möglichst genau darstellen. Die vorhandenen Methoden zur Erstellung von Netzäquivalenten basieren in der Regel jedoch auf einem stationären Netzzustand, womit variable Netzzustände, hervorgerufen, z.B., durch starke
Leistungsfluktuationen, Blindleistungsregler und Schaltzustandsänderungen nicht repräsentiert werden können. Dies kann zu weiteren signifikanten Fehlern führen kann.
Diese Arbeit schlägt eine Methode zur Berechnung optimaler Kennlinien für jede DEA vor, um eine intelligente lokale Blindleistungsbereitstellung zu ermöglichen. Die opensource-tools pandapower und PowerModels sind für Blindleistungsoptimierungen funktional miteinander verbunden, und die lineare Entscheidungsbaumregression wird zum Identifizieren der optimalen Kennlinien verwendet. Zur Berücksichtigung der variablen Netzzustände, wird eine statische Netzäquivalenzmethode auf der Grundlage künstlicher neuronaler Netze (KNN) entwickelt. Die Anwendung von KNN mit feedforward- und rekurrent-Architekturen verbessert die Äquivalentgenauigkeit im Vergleich zu existierenden Methoden. Darüber hinaus wird ein unüberwachtes KNN - ein Autoencoder – zum Zweck der Datenvertraulichkeit implementiert. Es verschleiert die originalen Netzdaten für den Austausch zwischen den Netzbetreibern, behält jedoch
die ursprünglichen Eigenschaften für das Training mit ausreichender Genauigkeit bei.
Die vorgeschlagenen Methoden werden anhand umfangreicher Simulationen mit verschiedenen Netzen und repräsentativen Szenarien analysiert und bewertet. Die individuell optimierten Kennlinien zeigen eine bessere Wirkung als die typischen Kennlinien zur Spannungshaltung, Verlustreduktion und Flexibilitätsbereitstellung. Sie können als Backup für zentrale Optimierungen oder als eine Überbrückungslösung für die Netzbetreiber ohne moderne Netzüberwachungssysteme dienen. Durch die Einbeziehung der Kennlinienparameter und des Schaltzustands als Trainingsdaten und die Verwendung der rekurrenten Architekturen wird die Genauigkeit des KNN-basierten Äquivalents gegenüber den bestehenden Verbesserungen mit der feedforward-
Architektur weiter verbessert. Im Vergleich zum REI-Äquivalent nach dem Stand der Technik werden die Äquivalentabweichungen um etwa 90% reduziert. Der gesamte Austausch- und Trainingsprozess basiert auf den verschleierten Netzdaten, was die Vertraulichkeit gewährleistet. Die vorgeschlagenen Methoden wurden mit Fallstudien verifiziert und finden bereits Anwendungen in zahlreichen Projekten und Forschungsarbeiten.
2024-01-01T00:00:00ZLiu, ZhengDuring the energy system transition, the rapid increase in distributed energy resources (DERs) can cause grid congestion problems in power grids, such as voltage problems and overloads. It has become increasingly important to intelligently control the provision of reactive power from DERs to power grids, which not only stabilizes voltage, reduces loading and grid losses, but also provides reactive power flexibility to different points in power grids. As power grids are interconnected and operated by different grid operators, using an equivalent grid model in place of a complete detailed model is the standard solution for data confidentiality and computational efficiency. The equivalent model should represent the behavior of the original grid as accurately as possible. However, current state-of-the-art equivalent grids are based on a static grid state, meaning that variable grid states, such as those caused by strong power fluctuations, controllers, and switching state changes, are often not represented by the equivalent model. This can lead to significant errors in power system analysis.
This thesis proposes a time series optimization-based method for calculating optimal characteristic curves for each DER, enabling intelligent local reactive power control. The open-source tools pandapower and PowerModels are functionally interconnected to optimize reactive power provisions of DERs, and linear decision tree regression is used to identify the optimal characteristic curve from the optimization results. To consider variable grid states resulting from the factors mentioned above, a static grid equivalent method based on artificial neural networks (ANNs) is developed. The use of ANNs with feedforward and recurrent architectures significantly improves the accuracy of the grid equivalent, compared to the state-of-the-art methods. Furthermore, to ensure data confidentiality, an unsupervised ANN - an Autoencoder - is implemented. It obfuscates the original grid data for exchange while preserving its features for training with sufficient accuracy.
The proposed methods are analysed and evaluated based on extensive simulations with different grids and representative scenarios. The individually optimized characteristic curves are found to be more effective than conventional settings in supporting voltage stability, reducing grid losses, and providing reactive power flexibility. They can serve as a backup for failures in central optimizations or as a bridging solution for grid operators without modern grid monitoring systems. By incorporating the characteristic curve parameters and the switching status as training data and using the recurrent architectures, the ANN-based equivalent accuracy is further improved on the existing improvements with the feedforward architecture. Compared to the state-of-the-art REI equivalent, the equivalent deviations are reduced by approximately 90%. The entire exchange and training process is based on the obfuscated grid data, ensuring data confidentiality.
Im Zuge der Energiewende kann der schnelle Anstieg von Erzeugungsleistung aus dezentralen Erzeugungsanlagen (DEA) zu Netzenpässen führen, wie z.B.
Spannungsprobleme und Überlastungen. Es wird daher immer wichtiger, die Möglichkeiten der Blindleistungsbereitstellung durch DEA bspw. zum Zweck der
Spannungshaltung, Engpassmanagement, Netzverlustminimierung, und Flexibilitätsbereitstellung zu nutzen und die Anlagen intelligent zu steuern. Da
Stromnetze miteinander verbunden und von verschiedenen Netzbetreibern betrieben werden, ist die Verwendung eines äquivalenten Netzmodells anstelle eines detaillierten Modells die Standardlösung an den Netzbetreiber-Schnittstellen unter Bewahrung der Datenvertraulichkeit und Recheneffizienz. Ein äquivalentes Netzmodell sollte das Verhalten des originalen Netzes möglichst genau darstellen. Die vorhandenen Methoden zur Erstellung von Netzäquivalenten basieren in der Regel jedoch auf einem stationären Netzzustand, womit variable Netzzustände, hervorgerufen, z.B., durch starke
Leistungsfluktuationen, Blindleistungsregler und Schaltzustandsänderungen nicht repräsentiert werden können. Dies kann zu weiteren signifikanten Fehlern führen kann.
Diese Arbeit schlägt eine Methode zur Berechnung optimaler Kennlinien für jede DEA vor, um eine intelligente lokale Blindleistungsbereitstellung zu ermöglichen. Die opensource-tools pandapower und PowerModels sind für Blindleistungsoptimierungen funktional miteinander verbunden, und die lineare Entscheidungsbaumregression wird zum Identifizieren der optimalen Kennlinien verwendet. Zur Berücksichtigung der variablen Netzzustände, wird eine statische Netzäquivalenzmethode auf der Grundlage künstlicher neuronaler Netze (KNN) entwickelt. Die Anwendung von KNN mit feedforward- und rekurrent-Architekturen verbessert die Äquivalentgenauigkeit im Vergleich zu existierenden Methoden. Darüber hinaus wird ein unüberwachtes KNN - ein Autoencoder – zum Zweck der Datenvertraulichkeit implementiert. Es verschleiert die originalen Netzdaten für den Austausch zwischen den Netzbetreibern, behält jedoch
die ursprünglichen Eigenschaften für das Training mit ausreichender Genauigkeit bei.
Die vorgeschlagenen Methoden werden anhand umfangreicher Simulationen mit verschiedenen Netzen und repräsentativen Szenarien analysiert und bewertet. Die individuell optimierten Kennlinien zeigen eine bessere Wirkung als die typischen Kennlinien zur Spannungshaltung, Verlustreduktion und Flexibilitätsbereitstellung. Sie können als Backup für zentrale Optimierungen oder als eine Überbrückungslösung für die Netzbetreiber ohne moderne Netzüberwachungssysteme dienen. Durch die Einbeziehung der Kennlinienparameter und des Schaltzustands als Trainingsdaten und die Verwendung der rekurrenten Architekturen wird die Genauigkeit des KNN-basierten Äquivalents gegenüber den bestehenden Verbesserungen mit der feedforward-
Architektur weiter verbessert. Im Vergleich zum REI-Äquivalent nach dem Stand der Technik werden die Äquivalentabweichungen um etwa 90% reduziert. Der gesamte Austausch- und Trainingsprozess basiert auf den verschleierten Netzdaten, was die Vertraulichkeit gewährleistet. Die vorgeschlagenen Methoden wurden mit Fallstudien verifiziert und finden bereits Anwendungen in zahlreichen Projekten und Forschungsarbeiten.Improving the Security-Constrained Operative Planning of Flexibilities in Distribution Grids Using Artificial Intelligence and High-Performance Grid Calculation
https://kobra.uni-kassel.de:443/handle/123456789/15547
The penetration from renewable distributed energy resources (DERs) such as wind and solar massively increases the risk of grid congestions on transmission lines/transformers and voltage violations. To guarantee grid security, the operators must perform grid congestion management (GCM), e.g., with active power curtailment from DERs in the operative planning and real-time phases. Compared to the real-time GCM, for grid operative
planning, grid congestions must be identified through forecasting-based grid simulations. Distributed flexibility for GCM needs to be planned with, e.g., day-ahead load and DER forecasting. The core challenge of the process is the high computational overhead, which is addressed in this thesis.
This thesis focuses on developing computational tools to improve grid operative planning. Firstly, a high-performance grid simulator with GPU acceleration is developed for the efficient evaluation of many grid statuses. The grid simulator enables the evaluation of the impact of forecasting uncertainties with probabilistic grid simulation. Secondly, a deep reinforcement learning-based Artificial Intelligence (AI) optimization approach for the grid operation is developed. The approach can perform multiple optimizations to reduce the grid operational costs, such as minimization of active power curtailment for GCM. The novelty is that the training of the AI model can be performed self-supervised with the high-performance grid simulator as well as combined with the classical supervised training approach. After training, the method achieves high optimality with significant computational performance improvement over mathematical optimization. Specifically, for the flexibility planning for GCM, the AI optimization approach is extended for active/reactive power (PQ) flexibility area estimation at the transmission system - distribution system interface (extra high voltage - high voltage transformers) with the DER flexibility of the high voltage grid. The optimization considers the robustness against forecasting uncertainties and the realistic N-1 grid security criterion as extended grid-security constraints. High computational efficiency and the simultaneous identification of corresponding DER PQ setpoints in the identified available PQ area are the highlights of the method. The proposed tools are verified with case studies and find successful applications in multiple projects and research works.; Die Durchdringung mit erneuerbaren dezentralen Einspeiseanlagen (DEA) von z.B. Wind und Solar erhöht massiv das Risiko von Netzengpässen wie Überlastungen von Leitungen/ Transformatoren und Spannungsschwankungen im Stromnetz. Um die Netzsicherheit zu gewährleisten, muss ein Netzsicherheitsmanagement (NSM) mit z.B. Abregelung von DEA-Einspeisung in der Betriebsplanung- und Echtzeitphase von dem Netzbetreiber durchgeführt werden. Im Vergleich zum NSM in Echtzeit müssen für die Betriebsplanung Netzengpässe mit Netzsimulation prognostiziert und verteilte Flexibilität für NSM mit z.B. Day-Ahead-Last und DEA-Prognose vorberechnet werden. Die zentrale Herausforderung bei diesem Prozess ist der hohe Rechenaufwand, der in dieser Doktorarbeit behandelt wird.
Die Arbeit konzentriert sich auf die Entwicklung von Rechenwerkzeugen, um die Netzbetriebsplanung zu verbessern. Zunächst wurde ein leistungsstarker Netzsimulator zur effizienten Bewertung vieler Netzzustände entwickelt. Die Auswirkungen von Prognoseunsicherheiten können dadurch mit probabilistischer Netzsimulation berücksichtigt werden. Zweitens wird ein auf Deep Reinforcement Learning basierender künstlicher Intelligenz (KI) Optimierungsansatz für den Netzbetrieb entwickelt. Dieser Ansatz kann mehrere Optimierungen durchführen, um die Netzbetriebskosten zu reduzieren, wie z.B. die Minimierung der abgeregelten Leistung während des NSMs. Die Neuheit der Methode ist, dass das Training des KI-Modells sowohl selbstüberwacht mit dem o.g. leistungsstarken Netzsimulator als auch kombiniert mit dem klassischen überwachten Trainingsansatz durchgeführt werden kann. Nach dem Training erreicht das Verfahren eine hohe Optimalität mit einer signifikanten Verbesserung der Rechenleistung gegenüber der mathematischen Optimierung. Insbesondere für die Flexibilitätsplanung für NSM wird der KI-Optimierungsansatz für die Wirk-/Blindleistung (PQ) Flexibilitätsbereichsschätzung an der Übertragungsnetz-Verteilnetz-Schnittstelle (Höchstspannung-
Hochspannung-Transformatoren) mit der DEA-Flexibilität des Hochspannungsnetzes erweitert. Die Optimierung berücksichtigt die Robustheit gegenüber Prognoseunsicherheiten und das realistische N-1-Netzsicherheitskriterium als erweiterte Netzsicherheitsnebenbedingungen. Die hohe Recheneffizienz und die gleichzeitige Identifizierung entsprechender PQ-Sollwerte für alle DEA im verfügbaren PQ-Flexibilitätsbereich sind die Highlights des Verfahrens.
2024-01-01T00:00:00ZWang, ZhenqiThe penetration from renewable distributed energy resources (DERs) such as wind and solar massively increases the risk of grid congestions on transmission lines/transformers and voltage violations. To guarantee grid security, the operators must perform grid congestion management (GCM), e.g., with active power curtailment from DERs in the operative planning and real-time phases. Compared to the real-time GCM, for grid operative
planning, grid congestions must be identified through forecasting-based grid simulations. Distributed flexibility for GCM needs to be planned with, e.g., day-ahead load and DER forecasting. The core challenge of the process is the high computational overhead, which is addressed in this thesis.
This thesis focuses on developing computational tools to improve grid operative planning. Firstly, a high-performance grid simulator with GPU acceleration is developed for the efficient evaluation of many grid statuses. The grid simulator enables the evaluation of the impact of forecasting uncertainties with probabilistic grid simulation. Secondly, a deep reinforcement learning-based Artificial Intelligence (AI) optimization approach for the grid operation is developed. The approach can perform multiple optimizations to reduce the grid operational costs, such as minimization of active power curtailment for GCM. The novelty is that the training of the AI model can be performed self-supervised with the high-performance grid simulator as well as combined with the classical supervised training approach. After training, the method achieves high optimality with significant computational performance improvement over mathematical optimization. Specifically, for the flexibility planning for GCM, the AI optimization approach is extended for active/reactive power (PQ) flexibility area estimation at the transmission system - distribution system interface (extra high voltage - high voltage transformers) with the DER flexibility of the high voltage grid. The optimization considers the robustness against forecasting uncertainties and the realistic N-1 grid security criterion as extended grid-security constraints. High computational efficiency and the simultaneous identification of corresponding DER PQ setpoints in the identified available PQ area are the highlights of the method. The proposed tools are verified with case studies and find successful applications in multiple projects and research works.
Die Durchdringung mit erneuerbaren dezentralen Einspeiseanlagen (DEA) von z.B. Wind und Solar erhöht massiv das Risiko von Netzengpässen wie Überlastungen von Leitungen/ Transformatoren und Spannungsschwankungen im Stromnetz. Um die Netzsicherheit zu gewährleisten, muss ein Netzsicherheitsmanagement (NSM) mit z.B. Abregelung von DEA-Einspeisung in der Betriebsplanung- und Echtzeitphase von dem Netzbetreiber durchgeführt werden. Im Vergleich zum NSM in Echtzeit müssen für die Betriebsplanung Netzengpässe mit Netzsimulation prognostiziert und verteilte Flexibilität für NSM mit z.B. Day-Ahead-Last und DEA-Prognose vorberechnet werden. Die zentrale Herausforderung bei diesem Prozess ist der hohe Rechenaufwand, der in dieser Doktorarbeit behandelt wird.
Die Arbeit konzentriert sich auf die Entwicklung von Rechenwerkzeugen, um die Netzbetriebsplanung zu verbessern. Zunächst wurde ein leistungsstarker Netzsimulator zur effizienten Bewertung vieler Netzzustände entwickelt. Die Auswirkungen von Prognoseunsicherheiten können dadurch mit probabilistischer Netzsimulation berücksichtigt werden. Zweitens wird ein auf Deep Reinforcement Learning basierender künstlicher Intelligenz (KI) Optimierungsansatz für den Netzbetrieb entwickelt. Dieser Ansatz kann mehrere Optimierungen durchführen, um die Netzbetriebskosten zu reduzieren, wie z.B. die Minimierung der abgeregelten Leistung während des NSMs. Die Neuheit der Methode ist, dass das Training des KI-Modells sowohl selbstüberwacht mit dem o.g. leistungsstarken Netzsimulator als auch kombiniert mit dem klassischen überwachten Trainingsansatz durchgeführt werden kann. Nach dem Training erreicht das Verfahren eine hohe Optimalität mit einer signifikanten Verbesserung der Rechenleistung gegenüber der mathematischen Optimierung. Insbesondere für die Flexibilitätsplanung für NSM wird der KI-Optimierungsansatz für die Wirk-/Blindleistung (PQ) Flexibilitätsbereichsschätzung an der Übertragungsnetz-Verteilnetz-Schnittstelle (Höchstspannung-
Hochspannung-Transformatoren) mit der DEA-Flexibilität des Hochspannungsnetzes erweitert. Die Optimierung berücksichtigt die Robustheit gegenüber Prognoseunsicherheiten und das realistische N-1-Netzsicherheitskriterium als erweiterte Netzsicherheitsnebenbedingungen. Die hohe Recheneffizienz und die gleichzeitige Identifizierung entsprechender PQ-Sollwerte für alle DEA im verfügbaren PQ-Flexibilitätsbereich sind die Highlights des Verfahrens.Die Strafverfolgung der Vergewaltigung in Niedersachsen
https://kobra.uni-kassel.de:443/handle/123456789/15539
Ausgangspunkt des Projekts ist die politisch und wissenschaftlich sowie national und international geführte Debatte darüber ob bzw. warum Sexualdelikte, insbesondere Vergewaltigungen zu wenig angezeigt, zu wenig verfolgt und zu wenig strafrechtlich geahndet werden. Da angenommen wird, dass die Anzeigebereitschaft unter anderem vom erwarteten Verlauf und Ausgang des Strafverfahrens abhängt und hier möglicherweise Potenziale für Veränderungen existieren, richtet sich die Aufmerksamkeit auf und hier möglicherweise Potenziale für Veränderungen existieren, richtet sich die Aufmerksamkeit auf den Verlauf des Verfahrens vom Zeitpunkt der Anzeigeerstattung bis zum Abschluss des Verfahrens.
Fragen wirft insbesondere die Tatsache auf, dass zwischen den Bundesländern erhebliche Unterschiede bestehen, was die Relation von bekannt gewordenen Fällen zu Anklageerhebungen und zu
Verurteilungen bzw. Freisprüchen betrifft.
2023-01-01T00:00:00ZHöynck, TheresiaSchmidt, PatrikHurler, SandraAusgangspunkt des Projekts ist die politisch und wissenschaftlich sowie national und international geführte Debatte darüber ob bzw. warum Sexualdelikte, insbesondere Vergewaltigungen zu wenig angezeigt, zu wenig verfolgt und zu wenig strafrechtlich geahndet werden. Da angenommen wird, dass die Anzeigebereitschaft unter anderem vom erwarteten Verlauf und Ausgang des Strafverfahrens abhängt und hier möglicherweise Potenziale für Veränderungen existieren, richtet sich die Aufmerksamkeit auf und hier möglicherweise Potenziale für Veränderungen existieren, richtet sich die Aufmerksamkeit auf den Verlauf des Verfahrens vom Zeitpunkt der Anzeigeerstattung bis zum Abschluss des Verfahrens.
Fragen wirft insbesondere die Tatsache auf, dass zwischen den Bundesländern erhebliche Unterschiede bestehen, was die Relation von bekannt gewordenen Fällen zu Anklageerhebungen und zu
Verurteilungen bzw. Freisprüchen betrifft.Ultra-High Performance Concrete and High Performance Building Materials for Sustainability Construction
https://kobra.uni-kassel.de:443/handle/123456789/15531
Sustainable construction, with the overarching goal of reducing the environmental footprint of everything we build is becoming increasingly important and urgent in the light of the climate change the world is facing. The use of innovative and sustainable building materials, especially concrete as the worldwide most commonly used building material, offers a great opportunity to significantly reduce climate-relevant emissions in the construction sector. Due to their performance and reliable durability, the use of innovative high-performance concretes will help to reduce the need for new constructions and to sustainably repair existing infrastructure. In new buildings in particular, the use of high-performance materials can help to save energy and natural resources, which reduces climate-relevant emissions and thus global warming. The 1st International Symposium on UHPC took place 20 years ago in 2004 at the University of Kassel. This symposium, which has been called HiPerMat since 2012, has brought since then together national and international scientists, civil engineers and industry partners from more than 30 countries, including the USA, Japan, Korea, Malaysia, China and EU countries, at regular fouryear intervals. With the current HiPerMat 6, we are responding to the growing understanding of the impact of our construction activities on the environment by placing greater emphasis on sustainability issues.
The conference has been announced on the following topics:
- Sustainable high-performance building materials
- Materials science and development
- Composite concrete materials
- Smart construction materials
- Strength and deformation behavior of UHPC
- Structural design of UHPC
- Lightweight concrete structures
- Structural modelling and optimization
- Sustainable and innovative applications
- High-precision manufacturing for prefabrication
Following this announcement, we have received a significant number of submissions focusing on the application of high-performance materials in sustainable concrete structures such as longspan bridges, filigree shells and high-rise buildings, as well as retrofitting existing structures and extending their service life. The conference program therefore places a special emphasis on sessions explicitly dedicated to sustainability, presenting papers dealing with sustainable construction as well as environmental impact assessment and retrofitting of structures. As with previous HiPerMat conferences, sessions on material science, material models structural engineering, retrofitting as well as technology and guidelines are part of the program. Many contributions in these sessions also consider sustainability and environmental impact aspects. The conference proceedings contain the contributions that were accepted for presentation at HiPerMat 6.
2024-01-01T00:00:00ZSustainable construction, with the overarching goal of reducing the environmental footprint of everything we build is becoming increasingly important and urgent in the light of the climate change the world is facing. The use of innovative and sustainable building materials, especially concrete as the worldwide most commonly used building material, offers a great opportunity to significantly reduce climate-relevant emissions in the construction sector. Due to their performance and reliable durability, the use of innovative high-performance concretes will help to reduce the need for new constructions and to sustainably repair existing infrastructure. In new buildings in particular, the use of high-performance materials can help to save energy and natural resources, which reduces climate-relevant emissions and thus global warming. The 1st International Symposium on UHPC took place 20 years ago in 2004 at the University of Kassel. This symposium, which has been called HiPerMat since 2012, has brought since then together national and international scientists, civil engineers and industry partners from more than 30 countries, including the USA, Japan, Korea, Malaysia, China and EU countries, at regular fouryear intervals. With the current HiPerMat 6, we are responding to the growing understanding of the impact of our construction activities on the environment by placing greater emphasis on sustainability issues.
The conference has been announced on the following topics:
- Sustainable high-performance building materials
- Materials science and development
- Composite concrete materials
- Smart construction materials
- Strength and deformation behavior of UHPC
- Structural design of UHPC
- Lightweight concrete structures
- Structural modelling and optimization
- Sustainable and innovative applications
- High-precision manufacturing for prefabrication
Following this announcement, we have received a significant number of submissions focusing on the application of high-performance materials in sustainable concrete structures such as longspan bridges, filigree shells and high-rise buildings, as well as retrofitting existing structures and extending their service life. The conference program therefore places a special emphasis on sessions explicitly dedicated to sustainability, presenting papers dealing with sustainable construction as well as environmental impact assessment and retrofitting of structures. As with previous HiPerMat conferences, sessions on material science, material models structural engineering, retrofitting as well as technology and guidelines are part of the program. Many contributions in these sessions also consider sustainability and environmental impact aspects. The conference proceedings contain the contributions that were accepted for presentation at HiPerMat 6.