Skip to contents

Ziel

Dieser Workflow findet für alle drei Standorte (Eisenstadt 2005, Wien, Bad Aussee) die günstigste Muldenkonfiguration je Überlaufziel x = 0…5 — pro Speichertyp (Sickerbox / Schotterrigol) — mit optimise_swale_design() statt eines Brute-Force-Rasters. Das Verfahren ist reine Bisektion (“Zahlenraten”): Fläche schrumpfen, dann Muldentiefe, Speicher nur erhöhen, wenn die Fläche am Anschlag klemmt. Voraussetzung ist die in der Monotonie-Analyse belegte Monotonie (“größer = nie mehr Überläufe”); die dort abgeleiteten Absicherungen (Rand-Guard, Volumen-Schiedsrichter) sind in find_min_feasible() eingebaut. Eine unabhängige Gegenprobe ohne Monotonie-Annahme — simultane Optimierung aller Parameter, plus weitere Suchverfahren zum Vergleich — führt die separate Vignette workflow_optimisation_simultaneous durch; sie liest die hier exportierte CSV als Vergleichsbasis.

Die Filterdurchlässigkeit wird fest auf das Maximum gesetzt (kostenfrei dominant: gleiche Verdunstung, nie mehr Überläufe), Fläche und Muldentiefe werden stufenlos gesucht, die Sickerbox in den Default-Stufen 300/600/900/1200 mm (sickerbox_level_presets() bietet Hersteller-Alternativen), der Schotterrigol stufenlos im 3-fachen Box-Bereich.

Dachvarianten als äußere Szenario-Dimension. Jede Optimierung läuft zusätzlich je Dachtyp — die angeschlossene Fläche (1000 m²) wird als konventionelles Dach, extensives oder intensives Gründach parametriert (roof_type_values(), Parametrisierung v2 nach SWMM-UrbanEVA / D. Wicke; mechanisch validiert in der Vignette diagnose_green_roofs, ET-Höhe im SWMM-UrbanEVA-Gegencheck bestätigt, 10.11.2026). Der Vergleichsrahmen (Entscheid 2026-11-09): Hoernschemeyer_aktiv = 1 plus UrbanEVA-Saisonkurve (make_growth_curve(), geteilt von Dach und Mulde) für alle drei Dachtypen — untereinander sauber vergleichbar. Da der Schalter global ist und auch die Mulden-ET verändert, ist dieser Rahmen nicht bitgleich mit den publizierten Läufen; als Regressions- und Frame-Anker läuft deshalb je Standort zusätzlich conv_legacy (konventionelles Dach, base.h5-Frame unangetastet), das die publizierten Optima reproduzieren muss. Die Leitfrage der Gründach-Szenarien: Wie stark verschiebt ein Gründach die Kosten-Wirksamkeits-Kurve des Mulden-Rigolen-Systems? Kosten bleiben dabei reine Mulden-Rigolen-Systemkosten — Gründachkosten sind bewusst nicht Teil der Rechnung, der Dachtyp wirkt ausschließlich über die Zulauf-Hydrologie.

Laufzeit: Ein Engine-Lauf dauert ~2 s (Eisenstadt, 1 Jahr) bzw. ~15 s (Wien / Bad Aussee, 15-Jahres-Serien). Die 24 Tasks (Standort × Speichertyp × Dachtyp) laufen parallel; bei mehr Tasks als Kernen bearbeitet jeder Worker mehrere Tasks nacheinander — grob 45–90 Minuten je nach Kernzahl (die Gründach-Tasks starten ohne Warmstart und brauchen mehr Läufe je Task). make_swale_runner() löscht die Szenario-Dateien jedes Laufs standardmäßig direkt nach dem Einlesen (cleanup = TRUE), damit lange Suchen das Temp-Laufwerk nicht füllen.

Hinweis: Die Rechen-Chunks wurden übersprungen. Prüfungen: Windows: TRUE · CI/GitHub Actions: TRUE · base.h5 gefunden: TRUE (D:/a/_temp/Library/kwb.raindrop/extdata/models/eisenstadt-2005/base.h5). Auf einem lokalen Windows-Rechner sollten alle drei Bedingungen erfüllt sein — falls base.h5 fehlt: Vignette aus dem Paket-Repo heraus rendern oder das Paket installieren.

Standort-Konfiguration

Die Standorte unterscheiden sich nur in zwei Punkten: dem Modell-Template (base.h5) und der Frage, ob eigene Regen-/ET0-Zeitreihen in die Engine geschrieben werden (Wien und Bad Aussee) oder die Kurven aus base.h5 verwendet werden (Eisenstadt). Beides kapselt make_swale_runner(); die Zeitreihen-Aufbereitung (mm/h-Konvention, Serien-Angleichung) übernimmt read_site_timeseries().

# Im Quellbaum die Entwicklungsversion laden (immer aktuell, auch wenn
# das installierte Paket aelter ist); ausserhalb: installiertes Paket.
if (file.exists("../DESCRIPTION") &&
    requireNamespace("pkgload", quietly = TRUE)) {
  pkgload::load_all("..", quiet = TRUE)
} else {
  library(kwb.raindrop)
}

sites <- list(
 Eisenstadt_2005 = list(dir = "eisenstadt-2005", timeseries = FALSE,
   # kein externer Regen: Kalender-Ursprung der base.h5-Zeitachse
   # (Modelljahr 2005) fuer die Saisonkurve
   origin = "2005-01-01",
   prior = "simulation_results_optimisation_Eisenstadt_2005.csv"),
 Wien = list(dir = "wien", timeseries = TRUE,
   prior = "simulation_results_optimisation_Wien.csv"),
 BadAussee = list(dir = "badaussee", timeseries = TRUE,
   prior = "simulation_results_optimisation_BadAussee.csv")
)

# Dachvarianten: conv_legacy = base.h5-Frame unangetastet (Hoernschemeyer
# aus base.h5, flache Growth_1) -- reproduziert die publizierten Laeufe
# als Regressions-Anker. Die uebrigen drei rechnen im Vergleichsrahmen
# Hoernschemeyer_aktiv = 1 + UrbanEVA-Saisonkurve.
roofs <- c("conv_legacy", "conventional", "extensive", "intensive")

fixed <- list(connected_area = 1000,
              filter_height = 300,
              filter_hydraulicconductivity = 360,  # Rastermaximum, gratis
              bottom_hydraulicconductivity = 12)

make_path_list <- function(modelname, model_dir) {
  list(
    modelname = modelname,
    root_path = file.path(tempdir(), paste0("raindrop_opt_", model_dir)),
    dir_input  = "<root_path>/models/<modelname>/input",
    dir_output = "<root_path>/models/<modelname>/output",
    dir_target_output = "<dir_output>/<dir_target>",
    file_errors_hdf5 = "Fehlerprotokoll.h5",
    file_results_hdf5_element = "Mulde_Rigole.h5",
    file_results_hdf5_flaeche = "Dach.h5",
    file_results_hdf5_verschaltungen = "<dir_target>_Verschaltungen.h5",
    file_results_txt = "Mulde_Rigole_RAINDROP.txt",
    file_results_txt_multilayer = "Mulde_Rigole_RAINDROP_multi_layer.txt",
    file_target = "<dir_target>.h5",
    path_base = extdata_path("models", model_dir, "base.h5"),
    path_exe  = download_engine(),
    path_errors_hdf5 = "<dir_target_output>/<file_errors_hdf5>",
    path_results_hdf5_element = "<dir_target_output>/<file_results_hdf5_element>",
    path_results_hdf5_flaeche = "<dir_target_output>/<file_results_hdf5_flaeche>",
    path_results_hdf5_verschaltungen = "<dir_target_output>/<file_results_hdf5_verschaltungen>",
    path_results_txt = "<dir_target_output>/<file_results_txt>",
    path_results_txt_multilayer = "<dir_target_output>/<file_results_txt_multilayer>",
    path_target_input = "<dir_input>/<file_target>"
  )
}

Suchraum und Kostensätze

Die Suchbereiche der variablen Parameter sind die Default-Argumente von optimise_swale_design() — bewusst identisch mit den min/max-Bereichen des Brute-Force-Rasters, denn nur dort ist die Monotonie geprüft. Hier stehen sie explizit, damit sie sichtbar und anpassbar sind:

area_bounds   <- c(25, 200)   # Muldenflaeche [m2], stufenlos
area_tol      <- 2            # Aufloesung der Flaechensuche [m2];
                              # jede Halbierung kostet nur 1 Lauf je
                              # Flaechensuche und halbiert den
                              # toleranzbedingten Kostenueberschuss
height_bounds <- c(100, 300)  # Muldentiefe [mm], stufenlos
height_tol    <- 10           # Aufloesung der Tiefensuche [mm]
storage_spec  <- default_storage_spec()
# Alternativ Hersteller-Stufen, z. B.:
# storage_spec <- default_storage_spec(
#   levels = sickerbox_level_presets()$graf_ecobloc_smart)

knitr::kable(tibble::tibble(
  Parameter = c("mulde_area [m2]", "mulde_height [mm]",
                "storage_height Sickerbox [mm]",
                "storage_height Schotterrigol [mm]",
                "filter_hydraulicconductivity [mm/h]",
                "filter_height [mm]"),
  Suchraum = c(
    sprintf("stufenlos %g bis %g (Toleranz %g)",
            area_bounds[1], area_bounds[2], area_tol),
    sprintf("stufenlos %g bis %g (Toleranz %g)",
            height_bounds[1], height_bounds[2], height_tol),
    paste("Stufen:",
          paste(storage_spec$infiltration_box$levels, collapse = " / ")),
    sprintf("stufenlos %g bis %g (Toleranz %g)",
            storage_spec$gravel_trench$bounds[1],
            storage_spec$gravel_trench$bounds[2],
            storage_spec$gravel_trench$tol),
    "fix = 360 (Rastermaximum; kostenfrei dominant)",
    "fix = 300"
  )
))

Die Kostensätze sind die Defaults nach Leimgruber (2026-03-27, default_cost_rates()); einzelne Sätze lassen sich hier überschreiben — gerechnet wird zunächst mit den Defaults. Die Suchreihenfolge der Bisektion wird dabei aus den Sätzen hergeleitet (Spezifikkosten-Proxy: € je mm Speicherkapazität, Kapazitätsmodell V ≈ Fläche × (Tiefe + Porosität × Speicher); die Porosität liefert default_storage_spec()): Die Muldentiefe zu maximieren ist unter diesem Kostenmodell für jeden Satz optimal, die Start-Speicherstufe wählt der Proxy — kleinste Stufe bei den Default-Sätzen, hohe Stufe z. B. bei billigem Speichermaterial. Der Proxy ist eine Näherung erster Ordnung (kapazitäts-additive Hebel); die annahmefreie Gegenprobe — und das Mittel der Wahl bei nichtlinearen Hebeln — bleibt die Vignette workflow_optimisation_simultaneous:

cost_rates <- default_cost_rates()
# Beispiel fuer eine Anpassung (auskommentiert):
# cost_rates$excavation_eur_per_m3       <- 85
# cost_rates$infiltration_box_eur_per_m3 <- 400

knitr::kable(
  tibble::tibble(Kostensatz = names(cost_rates),
                 `EUR je m2/m3` = unlist(cost_rates)),
  caption = "Kostensaetze (inkl. Einbau)"
)

Optimierung aller Standorte (parallel)

Parallelisiert wird über Standort × Speichertyp × Dachtyp = 24 unabhängige Tasks: Die Bisektion innerhalb einer Suche ist prinzipbedingt sequentiell, und die x-Ziele eines Speichertyps teilen sich den Evaluations-Cache — aber kein Task teilt mit einem anderen einen einzigen Engine-Lauf. Der Dachtyp ist bewusst je Task fix (ein Runner = ein Dachtyp): Die Cache-Schlüssel der Optimierer enthalten ihn nicht, er darf also nie Lauf-Parameter werden. Der Modellname trägt den Dachtyp als Suffix, damit Tasks desselben Standorts, die nacheinander im selben Worker-Prozess laufen, getrennte Master- und Szenariodateien benutzen. Jeder Worker ist ein eigener R-Prozess mit eigenem tempdir().

Liegen die Rasterergebnisse der Workflow-Vignetten als CSV neben dieser Vignette, verengen sie als Warmstart die erste Flächensuche auf einen 25-m²-Rasterschritt — nur für conv_legacy: Die Raster-CSVs stammen aus dem Legacy-Frame ohne Dachvarianten und passen weder zum neuen Vergleichsrahmen noch zu den Gründach-Szenarien.

t_opt_start <- Sys.time()

tasks <- expand.grid(site = names(sites), type = names(storage_spec),
                     roof = roofs, stringsAsFactors = FALSE)

future::plan(future::multisession,
             workers = min(nrow(tasks),
                           max(1, parallel::detectCores() - 1)))

opt_list <- future.apply::future_lapply(seq_len(nrow(tasks)), function(i) {
  site <- tasks$site[i]
  type <- tasks$type[i]
  roof <- tasks$roof[i]

  # Worker = eigener Prozess: Paket dort genauso laden wie im Hauptprozess
  if (file.exists("../DESCRIPTION") &&
      requireNamespace("pkgload", quietly = TRUE)) {
    pkgload::load_all("..", quiet = TRUE)
  } else {
    library(kwb.raindrop)
  }

  cfg <- sites[[site]]
  ts <- if (cfg$timeseries) {
    read_site_timeseries(
      extdata_path("models", cfg$dir, "rain.csv.gz"),
      extdata_path("models", cfg$dir, "et.csv"),
      verbose = FALSE
    )
  } else {
    NULL
  }

  # Saisonkurve des Vergleichsrahmens: Endzeit = Ende der Regenreihe
  # (externe Zeitreihe) bzw. der base.h5-Regenkurve (Eisenstadt);
  # Kalender-Ursprung aus read_site_timeseries() bzw. Site-Konfiguration.
  growth <- if (roof == "conv_legacy") {
    NULL
  } else {
    t_end <- if (cfg$timeseries) {
      max(ts$rain$time)
    } else {
      h5t <- hdf5r::H5File$new(extdata_path("models", cfg$dir, "base.h5"),
                               mode = "r")
      tr <- h5_read_values(h5t, paths = "//Kurven/Regen")[["//Kurven/Regen"]]
      h5t$close_all()
      max(tr$time)
    }
    make_growth_curve(
      origin = if (cfg$timeseries) ts$origin else cfg$origin,
      end_time_hours = t_end
    )
  }

  run_fn <- make_swale_runner(
    make_path_list(paste0(site, "_", roof), cfg$dir),
    timeseries_rain = ts$rain,
    timeseries_et = ts$et,
    roof_type = if (roof == "conv_legacy") "conventional" else roof,
    hoernschemeyer_aktiv = if (roof == "conv_legacy") NULL else 1L,
    growth_curve = growth
  )

  prior <- if (roof == "conv_legacy" && file.exists(cfg$prior)) {
    readr::read_csv(cfg$prior, show_col_types = FALSE)
  } else {
    NULL
  }

  t0 <- Sys.time()
  opt <- optimise_swale_design(run_fn, x_targets = 0:5,
                               area_bounds = area_bounds,
                               area_tol = area_tol,
                               height_bounds = height_bounds,
                               height_tol = height_tol,
                               storage_spec = storage_spec[type],
                               fixed = fixed,
                               prior_results = prior,
                               cost_rates = cost_rates,
                               verbose = FALSE)
  opt$site <- site
  opt$roof_type <- roof
  opt$n_runs_task <- attr(opt, "n_runs_total")
  opt$minutes_task <- round(as.numeric(
    difftime(Sys.time(), t0, units = "mins")), 1)
  opt
}, future.seed = TRUE)

future::plan(future::sequential)
opt_all <- dplyr::bind_rows(opt_list)

t_opt_end <- Sys.time()

Ergebnis: günstigstes Design je Standort, Dachtyp und Überlaufziel

roof_et_pct ist der ET-Anteil des Dachs an dessen Zufluss (beim dichten Dach exakt 0; der Hörnschemeyer-Pfad schreibt dort NaN, das die Optimierer als 0 ausweisen).

knitr::kable(
  opt_all[, c("site", "roof_type", "x", "storage_type", "status",
              "mulde_area", "mulde_height", "storage_height",
              "n_overflows", "overflow_volume_m3", "et_pct",
              "roof_et_pct", "cost_total")],
  digits = c(NA, NA, 0, NA, NA, 1, 0, 0, 0, 1, 1, 1, 0)
)

Frame-Anker: conv_legacy gegen die publizierten Optima

Zwei Prüfungen in einem: (1) Regression — conv_legacy muss die publizierten Optima innerhalb der Suchtoleranz reproduzieren (Referenzlauf 09.11.2026: höchstens 1,37 m² Muldenfläche bzw. 2,2 % Kosten; der Runner-Umbau für die Dachvarianten darf das Legacy-Verhalten nicht ändern). Dafür die publizierte optimisation_results_all_sites.csv als optimisation_results_all_sites_published.csv neben diese Vignette legen. (2) Frame-Effekt — die Differenz conventional − conv_legacy beziffert, was der Wechsel auf Hoernschemeyer_aktiv = 1 + Saisonkurve an der Mulde allein ausmacht (gleiches dichtes Dach); nur dieser Effekt trennt die neue Kurvenschar von den publizierten Werten. Im Referenzlauf war der Vergleichsrahmen praktisch wirkungsgleich: 35 von 36 Zellen kostenidentisch, maximal 0,18 %.

key <- c("site", "x", "storage_type")

published_path <- "optimisation_results_all_sites_published.csv"
if (file.exists(published_path)) {
  published <- readr::read_csv(published_path, show_col_types = FALSE)
  regress <- dplyr::inner_join(
    opt_all[opt_all$roof_type == "conv_legacy",
            c(key, "mulde_area", "mulde_height", "storage_height",
              "cost_total")],
    published[, c(key, "mulde_area", "mulde_height", "storage_height",
                  "cost_total")],
    by = key, suffix = c("_legacy", "_publiziert")
  ) %>%
    dplyr::mutate(
      delta_cost_pct = round(100 * (cost_total_legacy - cost_total_publiziert) /
                               cost_total_publiziert, 2)
    )
  knitr::kable(
    regress, digits = 1,
    caption = paste("Regressions-Anker: conv_legacy vs. publizierte",
                    "Optima -- erwartet: innerhalb der Suchtoleranz",
                    "(Referenzlauf 09.11.2026: max. 2,2 % Kosten)")
  )
  if (any(abs(regress$delta_cost_pct) > 2.5, na.rm = TRUE)) {
    warning("conv_legacy weicht von den publizierten Optima ab -- ",
            "Runner-Umbau pruefen, bevor die Dachvarianten ",
            "interpretiert werden!")
  }
} else {
  cat("(Keine", published_path, "neben der Vignette -- ",
      "Regressions-Anker uebersprungen.)\n")
}

frame_effect <- dplyr::inner_join(
  opt_all[opt_all$roof_type == "conv_legacy", c(key, "cost_total")],
  opt_all[opt_all$roof_type == "conventional", c(key, "cost_total")],
  by = key, suffix = c("_legacy", "_rahmen")
) %>%
  dplyr::mutate(
    frame_delta_pct = round(100 * (cost_total_rahmen - cost_total_legacy) /
                              cost_total_legacy, 1)
  )
knitr::kable(
  frame_effect, digits = 1,
  caption = paste("Frame-Effekt: conventional (Hoernschemeyer + Saisonkurve)",
                  "vs. conv_legacy -- gleiches dichtes Dach, nur der",
                  "ET-Pfad der Mulde unterscheidet sich")
)
library(ggplot2)

# conv_legacy ist Regressions-Anker, keine Szenariokurve
ok <- opt_all[opt_all$status == "ok" & opt_all$roof_type != "conv_legacy", ]
ok$roof_type <- factor(ok$roof_type,
                       levels = c("conventional", "extensive", "intensive"),
                       labels = c("konventionell", "extensiv", "intensiv"))
ggplot(ok, aes(x, cost_total / 1000, colour = storage_type)) +
  geom_line() +
  geom_point(size = 2) +
  facet_grid(roof_type ~ site, scales = "free_y") +
  scale_x_continuous(breaks = 0:5) +
  labs(title = "Kosten-Wirksamkeits-Kurven je Dachtyp",
       x = "Ueberlaufziel x (zulaessige Ereignisse)",
       y = "Kosten Optimum [Tsd. EUR]",
       colour = "Speichertyp",
       caption = paste0(
         cost_rates_caption("de", cost_rates),
         "\nKosten: Mulden-Rigolen-System -- ",
         "Gruendachkosten nicht enthalten."
       )) +
  theme_bw()
# Neuer Dateiname: die publizierte optimisation_results_all_sites.csv
# (ohne roof_type-Spalte) bleibt unberuehrt -- bestehende Leser wie die
# Simultan-Vignette joinen sonst auf kollabierende Schluessel.
readr::write_csv(opt_all, "optimisation_results_roofs_all_sites.csv")
for (site in unique(opt_all$site)) {
  readr::write_csv(opt_all[opt_all$site == site, ],
                   sprintf("optimisation_results_roofs_%s.csv", site))
}

task_stats <- unique(opt_all[, c("site", "roof_type", "storage_type",
                                 "n_runs_task", "minutes_task")])
knitr::kable(
  task_stats,
  col.names = c("Standort", "Dachtyp", "Speichertyp",
                "Engine-Laeufe", "Minuten")
)

Monte-Carlo-Analyse: Wie robust ist die Suche selbst?

Die MC-Analyse läuft bewusst ohne Dachtyp-Dimension (Legacy-Frame, konventionelles Dach): Geprüft wird die Robustheit des Suchverfahrens gegenüber dem Suchpfad, und die ist vom Zulauf-Szenario unabhängig — eine Verdreifachung auf 180 Tasks brächte keine zusätzliche Aussage.

Die Bisektion ist deterministisch: gleiche Eingaben, gleicher Pfad, gleiches Ergebnis. Die Monte-Carlo-Frage lautet deshalb: Hängt das gefundene Optimum vom Suchpfad ab? Dazu wird der Teilungspunkt jeder Bisektion zufällig verschoben (split_jitter = 0.3: Teilung zufällig zwischen 20 % und 80 % des Intervalls statt exakt mittig) und die Optimierung n_mc-mal mit unterschiedlichen Seeds wiederholt — Regen, Kostensätze und alle übrigen Eingaben bleiben unverändert (x = 1, ohne Warmstart, damit jede Wiederholung den vollen Suchraum durchläuft). Gerechnet wird der volle Pool 3 Standorte × 2 Speichertypen × n_mc Wiederholungen = 60 unabhängige Tasks, alle parallel (je Task eine komplette Neu-Optimierung mit ~15 Engine-Läufen; Wall-Time je nach Kernzahl ~20–35 min). Erwartung, wenn das Optimum eine Eigenschaft des Problems ist — und nicht des Wegs, den die Suche genommen hat: identische Speicherstufe, Flächen-Spanne ≤ 2 × area_tol, Kostenspanne von wenigen Prozent. Die Muldentiefe darf etwas weiter streuen als 2 × height_tol: Sie ist über die Hydraulik an die gefundene Fläche gekoppelt (eine um area_tol größere Fläche erlaubt eine entsprechend geringere Tiefe), sodass sich dort die Toleranzen beider Suchen addieren.

n_mc <- 10
mc_seeds <- 1:n_mc
t_mc_start <- Sys.time()

mc_tasks <- expand.grid(site = names(sites), type = names(storage_spec),
                        rep = seq_len(n_mc), stringsAsFactors = FALSE)

future::plan(future::multisession,
             workers = min(nrow(mc_tasks),
                           max(1, parallel::detectCores() - 1)))

mc_search <- future.apply::future_lapply(seq_len(nrow(mc_tasks)), function(i) {
  site <- mc_tasks$site[i]
  type <- mc_tasks$type[i]
  rep  <- mc_tasks$rep[i]

  if (file.exists("../DESCRIPTION") &&
      requireNamespace("pkgload", quietly = TRUE)) {
    pkgload::load_all("..", quiet = TRUE)
  } else {
    library(kwb.raindrop)
  }
  set.seed(mc_seeds[rep])

  cfg <- sites[[site]]
  ts <- if (cfg$timeseries) {
    read_site_timeseries(
      extdata_path("models", cfg$dir, "rain.csv.gz"),
      extdata_path("models", cfg$dir, "et.csv"),
      verbose = FALSE
    )
  } else {
    NULL
  }
  run_fn <- make_swale_runner(make_path_list(paste0(site, "_MC"), cfg$dir),
                              timeseries_rain = ts$rain,
                              timeseries_et = ts$et)

  opt <- optimise_swale_design(
    run_fn, x_targets = 1,
    area_bounds = area_bounds, area_tol = area_tol,
    height_bounds = height_bounds, height_tol = height_tol,
    storage_spec = storage_spec[type],
    fixed = fixed,
    split_jitter = 0.3,
    cost_rates = cost_rates, verbose = FALSE
  )
  opt$site <- site
  opt$rep <- rep
  opt$n_runs_rep <- attr(opt, "n_runs_total")
  opt
}, future.seed = TRUE)

future::plan(future::sequential)
mc_search <- dplyr::bind_rows(mc_search)

t_mc_end <- Sys.time()
ok_mc <- mc_search[mc_search$status == "ok", ]

ggplot(ok_mc, aes(rep, cost_total / 1000, colour = storage_type)) +
  geom_point(size = 2) +
  facet_wrap(~ site, scales = "free_y") +
  scale_x_continuous(breaks = seq_len(n_mc)) +
  labs(title = sprintf(
         "Such-Monte-Carlo (x = 1, %d zufaellige Suchpfade je Standort und Typ)",
         n_mc),
       x = "Wiederholung (Seed)",
       y = "Kosten Optimum [Tsd. EUR]",
       colour = "Speichertyp") +
  theme_bw()

knitr::kable(
  ok_mc %>%
    dplyr::group_by(site, storage_type) %>%
    dplyr::summarise(
      flaeche_spanne_m2 = max(mulde_area) - min(mulde_area),
      tiefe_spanne_mm = max(mulde_height) - min(mulde_height),
      speicher_identisch = dplyr::n_distinct(storage_height) == 1,
      kosten_min = min(cost_total),
      kosten_max = max(cost_total),
      kosten_spanne_pct = round(100 * (max(cost_total) - min(cost_total)) /
                                  min(cost_total), 2),
      .groups = "drop"
    ),
  digits = 1,
  caption = paste("Streuung ueber die Suchpfade -- erwartet: identische",
                  "Speicherstufe, Flaechen-Spanne <= 2 x area_tol,",
                  "Kostenspanne wenige Prozent; die Tiefe streut wegen",
                  "der Flaechen-Kopplung weiter")
)

Einordnung

  • Plausibilität: Die Optima müssen auf oder knapp unter den günstigsten zulässigen Rasterzellen liegen (Warmstart-Tabelle der Monotonie-Analyse); die Kostenkurven müssen monoton fallen. monotonicity_warning = TRUE in einer Zeile hieße: Zähler und Volumen sind gemeinsam gestiegen — dann Branch prüfen.
  • Wien x = 0 ist der Stresstest: Im Raster war das Ziel mit minimalem Speicher teils unerreichbar — hier greift die Speicher-Eskalation automatisch; “infeasible_within_bounds” wäre ein reguläres Ergebnis, kein Fehler.
  • Bad Aussee x = 1 trägt den bekannten +1-Zählwobble am Rasterrand; der Rand-Guard in find_min_feasible() deckt ihn ab.
  • Nebenbedingung Tiefe: max_total_depth (mm) begrenzt Muldentiefe + Filter + Speicher analytisch (DWA-A 138 / Überdeckung), ohne zusätzliche Läufe.
  • Gründächer am unteren Flächenrand: Extensive und vor allem intensive Dächer reduzieren den Zulauf zur Mulde drastisch (Diagnose: 19 % bzw. 5 % statt 100 % des Dachregens) — Optima können dann an der Untergrenze area_bounds[1] = 25 m² kleben. Das ist als “≤ 25 m² genügen” zu lesen; die Grenze bleibt bewusst bei 25 m², weil die Monotonie nur im Rasterbereich geprüft ist.
  • WB-Anteile über 100 % im 1-Jahres-Modell: Bei Eisenstadt können et_pct/roof_et_pct der Gründach-Szenarien 100 % übersteigen (Smoke-Test 2026-11-09: intensiv 106/101 %). Das ist kein Bilanzfehler: Die Anteile sind auf den Zufluss bezogen, und bei stark reduziertem Zulauf verdunstet zusätzlich das Anfangswasser der Speicher (Startfeuchte von Substrat, Filter und Speicherschicht) — über ein einzelnes Jahr sichtbar, über die 15-Jahres-Serien (Wien, Bad Aussee) vernachlässigbar. Eisenstadt dient deshalb — wie im Endbericht — nur als Rechentest und wird nicht ausgewertet (Dach-ET dort 95/101 % ext./int.; >100 % ist das beschriebene Anfangswasser-Artefakt, kein Bilanzfehler).
  • Frames nicht mischen: conv_legacy (und nur es) ist mit den publizierten AU-/Endberichts-Optima vergleichbar; die Kurvenschar conventional/extensiv/intensiv ist untereinander vergleichbar. Den Abstand beider Welten beziffert die Frame-Anker-Tabelle.
  • Referenzlauf (09.11.2026), Kernzahlen des Endberichts: In Wien senken Gründächer die Kosten des Mulden-Rigolen-Systems ab x = 1 im Mittel um rund 41 % (extensiv) bzw. 64 % (intensiv); die optimale Muldenfläche sinkt von rund 93–133 m² auf 29–77 m². In Bad Aussee bleibt die Ersparnis bei rund 2 %; beim Ziel x = 0 schrumpft sie auch in Wien (−3 % / −17 %). Kosten: Mulden-Rigolen-System — Gründachkosten nicht enthalten. Detailauswertung: https://raindrop.kompetenz-wasser.io/optimisation/gruendach/.
  • Einordnung der Gründach-ET (Gegencheck bestanden): Die absolute Dach-ET (Wien ext. ~80 %, int. ~94 %; Bad Aussee 49/58 % des Dachregens) ist durch den SWMM-UrbanEVA-Gegencheck bestätigt (10.11.2026, Setup-Review D. Wicke): Ohne Oberflächen-Einstau (Aufkantung 0 mm — das Gegenstück zur Engine-Verschaltung) stimmen Engine und UrbanEVA auf höchstens 0,6 Prozentpunkte Dach-ET überein (Wien 79,6/94,2 % vs. 79,7/93,9 %; Bad Aussee 49,1/58,2 % vs. 49,7/57,8 %); Wien extensiv liefert beidseitig exakt 516 mm/a Jahres-Gesamt-ET, und die Aufkantungsserie 0/0,1/1/2/5/30 mm zeigt monoton steigende ET (bis +17,6 Prozentpunkte). Doku: https://raindrop.kompetenz-wasser.io/optimisation/gruendach/urbaneva-gegencheck/. Offen bleiben nur die Mechanik der saisonalen Wachstumsmodulation (prägt die Jahresbilanz kaum; Rückfrage bei tandler.com läuft) und die Engine-interne Bestätigung der ET-Zerlegung (~370 mm/a Transpiration, durch UrbanEVA gestützt) — siehe diagnose_green_roofs.