Hydronumerische Modellierung mittels frei verfügbarer Software: ein kurzer Überblick

Aus Sicht von Kooths et al. (2003) ist bei kommerzieller Software ein höherer Innovationsgrad gegeben, da aufgrund der Marktsituation bei den entwickelnden Unternehmen große Anreize zu Investition, Weiterentwicklung und Innovation bestehen. Hingegen ist Freeware zumeist weniger lukrativ, was sich in fehlenden Entwicklungsbudgets widerspiegelt. Oft kann Freeware im sich schnell verändernden Markt nicht bestehen und wird nicht weiterentwickelt. Bei Open-Source-Software andererseits steht die Entwicklung allen Beteiligten offen. Das kann ein Vorteil sein, wenn es um eine Vielzahl kleinerer Änderungen geht. Für die Umsetzung größerer Entwicklungskonzepte sind bei kommerzieller Softwareentwicklung jedoch Strukturen gegeben, die das Erlangen einer Marktreife erleichtern.

Nichtsdestotrotz soll darauf hingewiesen werden, dass eine Symbiose zwischen kommerziellen Lösungen und Open-Source-Projekten besteht. Viele kommerzielle Anwendungen sind stark von Open-Source-Komponenten inspiriert oder verwenden Teile davon. Als Beispiel kann die Software Mike Urban von DHI (DHI 2017) genannt werden. Diese Software für die Modellierung urbaner Wasserkreisläufe verwendet Teile der von der United States Environmental Protection Agency (EPA) entwickelten Modelle SWMM (Rossmann 2015) und EPANET (Rossmann 2000). Nicht selten sind bei bekannten Open-Source-Projekten große Firmen tätig oder unterstützen diese finanziell. Als prominentes Beispiel kann der Linux-Kernel genannt werden, zu dem Firmen wie Google, Intel, Samsung oder IBM maßgeblich beitragen (Schrape 2015). In seiner Publikation schätzt Schrape (2015) ab, dass mit Stand 2015 ca. 25.000 Personenjahre in die Entwicklung der Linux-Distribution Debian geflossen sind. Vergleicht man auch den Marktanteil von Linux-basierten Betriebssystemen mit kommerziellen Microsoft-Windows-Alternativen am Beispiel von High Performance Computing (HPC) Einrichtungen, zeigt sich, dass Linux einen Marktanteil von 75 % aufweist, wohingegen Microsoft Windows im direkten Vergleich nur 6 % besitzt (IBM 2012).

Generell kann die Aussage getroffen werden, dass die Entwicklung kommerzieller Software publikumsorientiert erfolgt, wohingegen Open-Source-Software und Freeware eher mit Bezug auf die Anforderungen der Entwickelnden erstellt werden. So stehen bei kommerzieller Software beispielsweise Benutzungsfreundlichkeit oder Bedienbarkeit im Vordergrund. Hingegen stehen bei der Entwicklung der frei verfügbaren Alternativen zumeist technische Aspekte an erster Stelle. Dies kann sich in Form von unzureichender Dokumentation, Installationshürden (z. B. Kompilieren der Software) oder fehlendem Support abzeichnen. All das führt zu einem erschwerten Einstieg in frei verfügbare Modellierungssoftware. Nicht selten geben Einsteigerinnen und Einsteiger, vor allem wenn diese bereits Erfahrungen mit einem kommerziellen Produkt haben, deshalb nach geringer Zeit auf. Abb. 1 zeigt die Lernkurven anhand des Vergleichs der Performanz der Modellierung im Verhältnis zur investierten Zeit. Auf der Abszisse ist die mit der Software verbrachte Zeit aufgetragen, auf der Ordinate ist die Performanz der Modellierung oder der modellierenden Person dargestellt. Bei kommerzieller Software (rote Linie) zeichnet sich ein schneller Einlernprozess ab. Das Plateau, das als volle Ausnutzung der Kapazitäten des Programms interpretiert werden kann, wird hier relativ schnell erreicht. Im Gegensatz dazu kann am Anfang bei der Benutzung von frei verfügbarer Software (blaue Linie) eine flache Lernkurve beobachtet werden. Grund dafür sind zum Beispiel Installationsschwierigkeiten, das oftmals notwendige Einlernen in Dateiformate und Verzeichnisstrukturen sowie das Verstehen der oft vielen numerischen Einstellungsmöglichkeiten. Viele Anwenderinnen und Anwender geben bedingt durch Zeitmangel gerade in dieser Phase auf. Hat man jedoch die Anfangshürden überwunden, kann von einem beschleunigten Lernprozess ausgegangen werden. Das Plateau liegt bei freier Software – speziell bei Open-Source-Produkten – in der Regel höher, da das Modell durch Veränderungen des Quellcodes an projekt- oder forschungsspezifische Anforderungen angepasst werden kann.

Bei kommerzieller Software streben die entwickelnden Personen eine hohe Standardisierung ihrer Produkte an. Somit kann eine Kompatibilität bei verschiedener Hardware und Software leichter erreicht werden. Als Beispiel kann die Kompatibilität der Software zwischen verschiedenen Betriebssystemen genannt werden. Des Weiteren ist bei kommerzieller Software häufiger eine Kompatibilität der Programmversionen gegeben, was Anwendenden den Umstieg auf eine neuere Version deutlich erleichtert. Bei frei verfügbarer Software kann es passieren, dass öfter als bei kommerziellen Programmen die Rückkompatibilität der Versionen nicht gegeben ist, was dazu führt, dass nach einem Update bestehende numerische Modelle nicht mehr lauffähig sein können. Bei der softwareübergreifenden Kompatibilität bieten kommerzielle Produkte häufig eine Vielzahl von Dateiformaten an. Jedoch sind Anwendende auf die implementierten Formate beschränkt, was wiederum Einschränkungen bei der Benutzung mit sich bringen kann. Eine speziell bei Open-Source-Software gegebene Gefahr, aber auch möglicher Mehrwert, ist das „Forking“. Forking beschreibt eine Abspaltung von zwei oder mehreren Folgeprojekten vom Mutterprojekt. Die Entwicklungen werden unabhängig getätigt und weiterverbreitet, was zu einer Streuung des Wissens und weiterführend auch der Kapazitäten führt. Ein berühmtes Beispiel dafür ist die Open-Source-CFD-Software OpenFOAM (Weller et al. 1998).

Aufgrund des Eigentumsrechts bei kommerzieller Software und Freeware haben Anwendende keinen Einblick in den Quellcode und daher ist keine Veränderbarkeit gegeben. Hingegen sind bei Open-Source-Software eine beliebige Anpassung des Quellcodes und eine Weiterverbreitung möglich. Damit sind Open-Source-Produkte gerade an Universitäten attraktiv, da auf deren Basis Forschungstätigkeiten durchführbar sind.

Neben den klar ersichtlichen Lizenzkosten fließen im Zuge der finanziellen Entscheidung zwischen frei verfügbarer und kommerzieller Software noch weitere Faktoren ein. Diese sind zum Beispiel die aufgewandte Zeit für die Modellerstellung sowie die Einlernphase der Anwenderin und des Anwenders, Fehlerbehebungen sowie Qualitätssicherung. Somit ist gerade in privatwirtschaftlichen Unternehmen bei Überlegungen zum Einsatz von Open-Source-Programmen abzuwägen, ob die dafür notwendigen Ressourcen gegeben sind, um praxisbezogene Aufgabenstellungen effizient bearbeiten zu können.

Hydraulische Verluste können in Form von Fließwiderständen in den 2D Saint-Venant-Gleichungen berücksichtigt werden. Durch die Modifizierbarkeit des Quellcodes bieten deshalb Open-Source-Modelle eine attraktive Möglichkeit, um anwendungsspezifische hydraulische Verluste, z. B. Strömungsturbinen (Joly et al. 2015), abzubilden. In diesem Kapitel wird die Implementierung von hydraulischen Verlusten in das Open-Source-Modell Telemac-2D (Hervouet 2007) für die Berücksichtigung von Brückenbauwerken beschrieben. Die Ansätze von Ratia et al. (2014) dienen dabei als Grundlage.

In 2D tiefengemittelten Modellen wird der Einfluss von Brücken zumeist mittels einer der drei folgenden Methoden berücksichtigt:

Das in Telemac-2D neu implementierte Brückenmodell berücksichtigt hydraulische Verluste als Funktion von Abflussgrößen und Parametrisierungen der Brückengeometrie. Der lokale Fließwiderstand wird basierend auf den Borda-Carnot’schen Verengungs- und Aufweitungsverlusten berechnet und direkt in der Impulsgleichung angesetzt. In Ratia et al. (2014) wurde des Weiteren ein aus Laborversuchen ermittelter Modifikationsbeiwert ermittelt, welcher die originale Borda-Carnot-Formulierung verbessern soll. Dieser Beiwert ist abhängig von den flussauf und flussab berechneten Froude-Zahlen, dem Verhältnis der von der Brücke belegten Fläche im Profilquerschnitt, der unbeeinflussten Querschnittsfläche (in Abhängigkeit von der Wassertiefe) sowie einem empirisch ermittelten Beiwert für nicht, teilweise und vollständig eingestaute Brücken.

Die Validierung des implementierten Ansatzes erfolgt anhand von in Ratia et al. (2014) durchgeführten Modellversuchen. Dabei wurden 22 Versuche in einem 24 cm breiten Glasgerinne mit verschiedenen Brückengeometrien und Randbedingungen durchgeführt, für welche die Differenzen zwischen Unter- und Oberwasserspiegel ausgewertet wurden. Abb. 2 vergleicht für zwei ausgewählte Brückengeometrien die gemessenen (schwarze Linie) mit den numerisch simulierten Wasserspiegeldifferenzen (MBC, rote Linie) bei variierendem Durchfluss. Verglichen wird zudem der klassische Borda-Carnot’sche (BC, blaue Linie) Ansatz. Die Ergebnisse zeigen, dass bei der Geometrievariante 1 (Abb. 2 oben) eine gute Übereinstimmung über das gesamte Abflussspektrum gegeben ist. Hingegen ist bei der Geometrievariante 2 (Abb. 2 unten) eine Unterschätzung der Wasserspiegeldifferenzen für die mittleren Abflüsse zu erkennen.

Generell konnte mit dem implementierten Verlustansatz zur Abbildung komplexer Brückengeometrien eine gute Übereinstimmung zwischen den Messungen und der Numerik erzielt werden. Des Weiteren wurden im Vergleich zum klassischen Telemac-2D-Ansatz weniger Modellinstabilitäten beobachtet.

Viele Flüsse in Mitteleuropa sind in deren Längskontinua durch Wasserkraftwerke bzw. Stauketten unterbrochen. Die Wasserspiegel und Abflüsse an Kraftwerken werden durch Betriebseinrichtungen geregelt, sei es im Normalbetrieb als auch bei Hochwasserereignissen. So wurden in den letzten Jahren viele Untersuchungen hinsichtlich Optimierung von Staukettenregelungen durchgeführt, um bei Hochwasserereignissen die durch das Absenken bzw. Aufstauen des Stauraums erzeugten Schwall- bzw. Sunkwellen zeitlich so zu koordinieren, dass diese ohne negative Überlagerungseffekte mit der Hochwasserwelle abgeführt werden. Solche Optimierungen wurden meistens mit hydronumerischen 1D-Modellen durchgeführt, welche die Regelung von Betriebseinrichtungen mittels interner Randbedingungen, z. B. Steuerung des Oberwasserspiegels in einem Stauraum als Funktion der Zeit oder des Abflusses, erlauben. Ein Beispiel für eine 1D numerische Staukettenoptimierung in einer Flussstrecke mit zwei Wasserkraftwerken ist in Abb. 3 dargestellt.

In 1D-Modellen von Stauräumen mit komplexer Geometrie werden allerdings die durch die Wehrsteuerung hervorgerufenen zeitlichen Volumenänderungen oftmals mit Ungenauigkeiten simuliert, da z. B. eventuell auftretende großräumige Rückströmungen nicht berücksichtigt oder Volumina, z. B. in seitlichen Buchten, zeitlich falsch aktiviert werden. Heutzutage können mit tiefengemittelten 2D-Modellen Flussstrecken mit Längen über 50 km simuliert werden. 2D-Simulationen erlauben im Vergleich zum 1D-Ansatz eine weitaus exaktere Abbildung des instationären Strömungsverhaltens in komplexen Geometrien, jedoch haben die meisten kommerziellen 2D-Softwarepakete keine internen Randbedingungen implementiert oder ein Zusatzmodul muss teuer dazugekauft werden. Im Folgenden wird ein einfacher, aber akkurater Ansatz nach Dorfmann (2019) für die Implementierung interner hydraulischer Randbedingungen in das Open-Source-Modell Telemac-2D vorgestellt. Dabei werden geregelte Bauwerke als interne Randbedingungen abgebildet. Das Berechnungsgebiet wird in Teilnetze aufgeteilt, welche an den offenen Rändern über zeitlich veränderliche Wasserspiegel bzw. Wasserstands-Abfluss-Beziehungen gekoppelt werden können. Der in Telemac-2D implementierte Ansatz wurde anhand mehrerer Datensätze mittels eines numerischen 1D-Modells validiert. Abb. 4 zeigt exemplarisch die 2D-Berechnung einer Hochwasserwelle in einer 20 km langen Flussstrecke mit drei Wasserkraftwerken (WK). Während im Normalbetrieb die Wasserkraftwerke das Stauziel halten, senken diese bei einem Hochwasserereignis die Stauräume nach jeweiligen Vorschriften ab.

Die Implementierung interner hydraulischer Randbedingungen in ein numerisches 2D-Modell erlaubt die gesamte Betrachtung einer Flussstrecke mit geregelten Bauwerken. Als Beispiele für Anwendungen seien genannt: gesamtheitliche Abbildung der instationären Strömungsvorgänge und Überflutungen bei einem Hochwasserereignis, Simulation von Schwall- und Sunkwellen durch graduelles Schließen oder Öffnen von Verschlussorganen, Simulation von Wendepegelsteuerungen, Optimierung von Kraftwerkssteuerungen bzw. Wehrregelungen hinsichtlich Stauraumspülungen und Sedimentdurchgängigkeit, Einsatz in gekoppelten hydrologisch-hydraulischen Modellen.

Ein erkennbarer Trend, der schon von Knight (2013) angesprochen wurde, ist die umfassende Betrachtung von Prozessen in Einzugsgebieten. So sind physikalische, biologische und sozioökonomische Prozesse eng miteinander verbunden, interagieren miteinander und müssen deshalb in ihrer Gesamtheit betrachtet werden. Diese Notwendigkeit zeigt sich in der Erarbeitung von Standards sowie der Entwicklung von Workflow-Paketen und integrierten Modellierungsumgebungen. Diese wiederum bilden die Grundlage für aktuelle Forschungsthemen, wie z. B. Unsicherheitsanalysen, Datenassimilierung, Echtzeit-Steuerungen oder operationelle Vorhersagemodelle. Bastin et al. (2013) unterscheiden drei Arten der integrierten Modellierung:

(i) Standardsprachen und -schnittstellen: Die Kopplung von Modellkomponenten erfolgt hier über einheitliche Programmiersprachen, z. B. über Python-APIs oder Formatstandards wie OpenMI (Gregersen et al. 2007).

(ii) Workflow-Pakete: Diese koppeln einzelne Programmkomponenten in serieller Weise. Als Beispiel für ein Open-Source-Workflow-Paket kann ecFlow (Varela und Bonet 2017) genannt werden.

(iii) Frameworks: Diese sind Modellierungsumgebungen, die einfache Kopplungen innerhalb eines bestimmten Softwarepakets erlauben. Zumeist werden das Framework und das Softwarepaket von demselben Unternehmen entwickelt. Als Beispiel kann das Open-Source-Framework Delta Shell von Deltares (Donchyts und Jagers 2010) genannt werden.

Im Rahmen des EFFORS-Projekts (Gegenleithner et al. 2018) wurde auf Basis der Open-Source-Workflow-Software ecFlow ein Steuerprogramm für die operationelle Hochwasservorhersage entwickelt. ecFlow wird vom European Centre for Medium-Range Weather Forecasts (ECMWF) entwickelt und für die operationelle Wettervorhersage benutzt. Die ecFlow-Umgebung bietet für operationelle Systeme Funktionalitäten an, wie z. B. automatisierte Neustartmöglichkeiten, Statusberichte der einzelnen Prozesse, Prävention von im operationellen Betrieb entstehenden Coderelikten durch Vergabe von Passwörtern an die Module etc. Auf Basis der Grundfunktionalitäten wird über eine Python-API eine serielle Kopplung der Module realisiert. Die dynamische Umsetzung des Steuerprogramms erlaubt eine einfache Anpassung von Prognosehorizonten, Modellupdates, Softwareupdates etc. über im JSON-Format vorliegende Steuerdateien. Im Folgenden wird der Ablauf der Programmkopplung beschrieben:

Die Prognose im EFFORS-System wird täglich um 00:00 gestartet. Die Steuerdateien werden eingelesen und die Prognoseintervalle dynamisch initialisiert. Das bedeutet, dass zum Beispiel bei einem Updateintervall der Prognose von 1 h 24 Teilprognosen erstellt werden (00:00, 01:00 etc.). Täglich um 00:00 werden auch automatisiert Updates von Programmen und Modellen durchgeführt, um eine unterbrechungsfreie Prognose zu gewährleisten. Anschließend wird die Prognose gestartet. Dazu werden zuerst die notwendigen Eingangsdaten, z. B. meteorologische Daten, Echtzeitmessungen von Pegelmessstellen etc. gesammelt. Die Eingangsdaten werden prozessiert, sodass diese vom hydrologischen Modell verarbeitet werden können. Als nächster Schritt erfolgt die numerische Prognose (Hydrologie, 1D- und 2D-Hydrodynamik). In der Datenaufbereitung werden die Ergebnisse schließlich ausgewertet, dargestellt, Warnungen generiert und archiviert.

Im Wasserbau, wie in anderen Disziplinen, werden die Herausforderungen bezüglich der zu bearbeitenden Messdatenmengen aufgrund der sich kontinuierlich entwickelnden und ausgereifteren Messmethoden immer größer. Genannt seien hier beispielhaft die Bearbeitung bzw. Analyse von Lidar-Daten, Satellitendaten z. B. für Landnutzungsklassifizierung, langjährigen Zeitreihen oder hochaufgelösten dreidimensionalen Geschwindigkeitsmessungen. Im Folgenden wird die Analyse einer Durchflussmessreihe mit Schwall-Sunk-Abfolgen diskutiert. Auf den ersten Blick mag die Durchführung einer statistischen Analyse der Abflüsse, Abflussgradienten, Frequenzen der Schwall-Sunk-Abfolgen oder Dauer der jeweiligen Schwall-Sunk-Perioden einfach erscheinen. Aber welche Software bzw. welche Methoden sind dafür wirklich geeignet? Fündig kann man in Open-Source-Python-Bibliotheken werden. So erlaubt die Anwendung von Algorithmen aus der elektrotechnischen Signalverarbeitung in Kombination mit nicht-parametrischen Regressionen sowie Filtermethoden semi-automatisierte, effiziente und akkurate Schwall-Sunk-Analysen langer Zeitreihen. Abb. 5 zeigt eine gemessene Abflussmessreihe von einer Schwall-Sunk-beeinflussten Flusstrecke und die Analyse der detektierten Schwallspitzen (rot) sowie Sunkminima (blau), auf Basis derer weitere abgeleitete Größen bestimmt werden können.