Workflow Optimierung (Eisenstadt · Wien · Bad Aussee)
Source:vignettes/workflow_optimisation.Rmd
workflow_optimisation.RmdZiel
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).
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 = TRUEin 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_pctder 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 Kurvenscharconventional/extensiv/intensivist 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.