Open Access

Previous research suggests that noise sensitivity is related to inefficient auditory processing that might increase the mental load of noise and affect noise evaluation. This assumption was tested in an experiment using a dual-task paradigm with a visual primary task and an auditory secondary task. Results showed that participants' noise sensitivity was positively correlated with mental effort. Furthermore, mental effort mediated the effect of noise sensitivity on loudness and unpleasantness ratings. The results thus support the idea that noise sensitivity is related to increased mental effort and difficulties in filtering auditory information and that situational factors should be considered.

The energy sector faces rapid decarbonisation and decision-makers demand reliable assessments of the security of electricity supply. For this, detailed simulation models with a high temporal and technological resolution are required. When confronted with increasing weather-dependent renewable energy generation, probabilistic simulation models have proven. The significant computational costs of calculating a scenario, however, limit the complexity of further analysis. Advances in code optimization as well as the use of computing clusters still lead to runtimes of up to eight hours per scenario. However ongoing research highlights that tailor-made approximations are potentially the key factor in further reducing computing time. Consequently, current research aims to provide a method for the rapid prediction of widely varying scenarios. In this work artificial neural networks (ANN) are trained and compared to approximate the system behavior of the probabilistic simulation model. To do so, information needs to be sampled from the probabilistic simulation in an efficient way. Because only a limited space in the whole design space of the 16 independent variables is of interest, a classification is developed. Finally it required only around 35 minutes to create the regression models, including sampling the design space, simulating the training data and training the ANNs. The resulting ANNs are able to predict all scenarios within the validity range of the regression model with a coefficient of determination of over 0.9998 for independent test data (1.051.200 data points). They need only a few milliseconds to predict one scenario, enabling in-depth analysis in a brief period of time.

Die katalytische Methanisierung von Kohlendioxid (CO2) mit Hilfe von elektrolytisch erzeugtem Wasserstoff (H2) aus erneuerbaren Energiequellen kann einen wichtigen Beitrag zur Reduktion von CO2-Emissionen leisten. Aufgrund einer immer stärker fluktuierenden Energie- und Rohstoffbereitstellung spielt die Möglichkeit einer flexiblen, dynamischen Betriebsweise eine zunehmend große Rolle für zukünftige Technologien. Dies bedingt auch im Fall der katalytischen Methanisierung umfangreiche Untersuchungen, um zu ermitteln, inwieweit eine dynamische Fahrweise Auswirkungen auf Prozess und Katalysator besitzt. An diesem Punkt setzte das HiFF-Projekt Power2Gas an. So wurden verschiedene nickelbasierte Katalysatorsysteme synthetisiert, wobei sich der via Imprägnierung hergestellte Ni/Al2O3-Katalysator sowohl aufgrund seiner guten Leistung als auch der praktikablen und reproduzierbaren Herstellung als geeignetes Benchmark-System für weitere Untersuchungen - vor allem im kinetischen Bereich - erwies. Während umfassender Parametervariationen wurden kinetische Datensätze im stationären Zustand bestimmt, die zur Modellierung der katalysierten CO2-Methanisierung verwendet werden können. Darüber hinaus wurden in ausgewählten Versuchsreihen die isotherme Temperaturkontrolle und eine ausreichende Langzeitstabilität sichergestellt sowie makrokinetische Diffusionsbeschränkungen ausgeschlossen. Die Ergebnisse wurden in einer peer-review-Publikation veröffentlicht und auf zwei Konferenzen präsentiert. Sie waren zudem die Basis für eine erfolgreiche Masterarbeit und flossen in die Antragstellung im Rahmen des DFG-Programms „Großgeräteaktion für Hochschulen für Angewandte Wissenschaften“ ein.

This study aims to optimize the power generation of a conventional Manzanares solar chimney (SC) plant through strategic modifications to the collector inlet height, chimney diameter, and chimney divergence. Employing a finite volume-based solver for numerical analysis, we systematically scrutinize influential geometric parameters, including collector height (hi = 1.85 to 0.1 m), chimney inlet diameter (dch = 10.16 to 55.88 m), and chimney outlet diameter (do = 10.16 to 30.48 m). Our findings demonstrate that reducing the collector inlet height consistently leads to increased power output. The optimal collector inlet height of hi = 0.2 m results in a significant power increase from 51 to 117.42 kW (~ 2.3 times) without additional installation costs, accompanied by an efficiency of 0.25%. Conversely, enlarging the chimney diameter decreases the chimney base velocity and suction pressure. However, as turbine-driven power generation rises, the flow becomes stagnant beyond a chimney diameter of 45.72 m. At this point, power generation reaches 209 kW, nearly four times greater than the Manzanares plant, with an efficiency of 0.44%. Nevertheless, the cost of expanding the chimney diameter is substantial. Furthermore, the impact of chimney divergence is evident, with power generation, collector efficiency, overall efficiency, and collector inlet velocity all peaking at an outer chimney diameter of 15.24 m (corresponding to an area ratio of 2.25). At this configuration, power generation increases to 75.91 kW, approximately 1.5 times more than the initial design. Remarkably, at a low collector inlet height of 0.2 m, combining it with a chimney diameter of 4.5 times the chimney inlet diameter (4.5dch) results in an impressive power output of 635.02 kW, signifying a substantial 12.45-fold increase. To model the performance under these diverse conditions, an artificial neural network (ANN) is effectively utilized.

Know-how im Forschungsdatenmanagement (FDM) aufzubauen und zu erhalten, ist eine grundlegende, stetig an Bedeutung zunehmende Aufgabe an Hochschulen für angewandte Wissenschaften (HAW) (vgl. Buch et al. 2023). Dieses Know-how kommt Mitarbeitenden der FDM-Servicestellen einer Hochschule ebenso zugute wie Forschenden selbst: Es versetzt FDM-Personal in die Lage, Forschende zielführend zu beraten, zu schulen und ihnen adäquate Tools und Services zu vermitteln; Forschenden werden konkrete Lösungswege für (neuartige) praktische Herausforderungen in Forschungsvorhaben aufgezeigt. Beide Gruppen werden weiterhin befähigt, hochschulinterne und -übergreifende Diskurse und Initiativen zum FDM mitzugestalten. Auf diese Weise trägt FDM-Know-how dazu bei, anforderungsgerechte und gewinnbringende Rahmenbedingungen für Forschung an HAW zu schaffen. Im gemeinsamen Handlungsfeld "Information und Sensibilisierung" haben es sich die Projektverbünde der Förderlinie FDMScouts.nrw zur Aufgabe gemacht, das gewonnene Handlungswissen in Form einer FDM-Wissensbasis strukturiert und frei zugänglich zu bewahren (vgl. Eilert/Slowig 2022), um die Weitergabe der gesammelten Erfahrungen auch über die Förderlaufzeit hinaus zu ermöglichen und vor allem andere HAW beim Aufbau von Know-how in den FDM-Servicestellen zu befähigen. Zweck der nun vorliegenden Wissensbasis ist es, den Zielgruppen der Beschäftigten in FDM-Servicestellen und der Forschenden den Einstieg ins Forschungsdatenmanagement zu erleichtern – gerade in Anbetracht der Tatsache, dass sich FDM-Strukturen an HAW vielfach noch in der Aufbau- oder Konsolidierungsphase befinden. Sie trägt dementsprechend solche Aspekte zusammen, die sich erfahrungsgemäß als besonders relevant erweisen: Was ist zwecks Orientierung im weitreichenden Feld FDM von besonderer Wichtigkeit (Begriffe, Einstiegsseiten, Umsetzungstipps etc.)? Welche Ressourcen und Anlaufstellen sind zentral? Welche Fragen stellen sich für Forschende und FDM-Personal immer wieder? FDM-Wissen aufzubauen und zu vermitteln bedeutet, diese und ähnliche Fragen zu beantworten. In diesem Sinn dient das Format der Frequently Asked Questions als grundlegende Organisationsmethode der vorliegenden Wissensbasis. Als Verknüpfung häufig gestellter Fragen mit kompakten Antworten stellen die FAQs niedrigschwellig Wissen bereit und tragen im Idealfall durch ihre Interaktionsorientierung zur Gestaltung konkreter Kommunikationssituationen (Beratungsgespräche, Schulungen) bei. Als Einstiegspunkte dienen die einzelnen Phasen des Forschungsdatenlebenszyklus und die Fragen, die sie regelmäßig aufwerfen. Darunter finden Forschende und FDM-Servicepersonal Antworten, Informationen und Links, die Orientierung bieten und Umsetzungsschritte benennen. Als GitHub-Repository realisiert, ist die Möglichkeit zur dezentralen Aktualisierung und Erweiterung gegeben. Insgesamt leistet die Wissensbasis einen Beitrag zur Dokumentation der Arbeit der FDMScouts.nrw-Verbünde und soll die nachhaltige Verankerung von FDM an HAW unterstützen.