Skip to main content

RIM2D - Hocheffiziente 2D hydraulische Simulation von fluvialen, pluvialen und urbanen Hochwassern

RIM2D ist ein bestehendes, hocheffizientes 2D-hydraulisches Simulationsmodell für fluviale, pluviale und urbane Hochwasser. Wir unterstützten im Rahmen einer strategischen Partnerschaft dabei, den Forschungscode um eine Webanwendung und eine cloudbasierte GPU-Simulationsumgebung zu erweitern und so den Transfer in ein marktfähiges Produkt zu ermöglichen.

Auftraggeber

GFZ Helmholtz-Zentrum für Geoforschung

Dauer

24 Monate

Produkt

Dienstleistung

Expertise

Softwareentwicklung

Ziel

Ziel des Projekts war es, das bestehende Simulationsmodell RIM2D für eine breitere und einfachere Nutzung zugänglich zu machen. Dafür sollte eine Webanwendung entwickelt werden, die die Modellerstellung, Modellsteuerung und Visualisierung der Simulationsergebnisse vereinfacht und zugleich die Nutzung cloudbasierter GPU-Umgebungen ermöglicht. Im Rahmen einer strategischen Partnerschaft sollte der Forschungscode damit in Richtung eines marktfähigen Produktes weiterentwickelt werden.

Aufgaben

  • Konzeption und Umsetzung eines modernen Frontends mit React und Next.js
  • Entwicklung performanter und valider Formulare mit React Hook Form
  • UI-Entwicklung mit Material UI und SASS, inklusive komponentenbasierter Gestaltung, Responsiveness und Theming
  • Integration von OpenLayers zur Darstellung und Interaktion mit georeferenzierten Daten
  • Umsetzung von Drag-and-Drop-Funktionalitäten mit DnD Kit
  • Einbindung und Transformation geographischer Koordinaten mit Proj4
  • Sicherstellung eines wartbaren Code-Stils mit TypeScript, ESLint und automatisierter Formatierung
  • Entwicklung und Bereitstellung von REST APIs mit Flask und Gunicorn
  • Modellierung und Datenbankzugriff mit SQLAlchemy
  • Implementierung von JWT-basierter Authentifizierung und Autorisierung mit PyJWT
  • Verarbeitung geodatenbasierter Eingaben mit GDAL zur Umrechnung, Analyse und Validierung räumlicher Daten
  • Etablierung eines standardisierten Backend-Codes mit Black
  • Dokumentation von Komponenten, APIs und Sicherheitslogik
  • Nutzung des bestehenden Simulationscodes des GFZ als Grundlage für die Webplattform

Herausforderungen

Eine zentrale Herausforderung bestand darin, einen bestehenden wissenschaftlichen Forschungscode in eine nutzbare Webplattform für cloudbasierte GPU-Simulationen zu überführen. Gleichzeitig mussten Geodatenverarbeitung, Kartenintegration, Modellsteuerung, Sicherheitslogik und Backend-Services in einer konsistenten und wartbaren Architektur zusammengeführt werden. Darüber hinaus galt es, die fachlichen Anforderungen der Forschung in eine Form zu überführen, die einen späteren Produkteinsatz ermöglicht.

Programmiersprachen

Python, JavaScript/TypeScript

Technologien

Black, DnD Kit, Flask, GDAL, Gunicorn, Material UI, Next.js, OpenLayers, Proj4, React, React Hook Form, REST, SQLAlchemy, TypeScript

Project Image

Visualisierung des Hochwassers an der Ahr mit 10 Metern räumlicher Auflösung, welches in wenigen Minuten valide simuliert wurde.

Webseite des Auftraggebers www.rim2d.eu

Ähnliches Problem?

Zum Kontaktformular

Fazit

Im Ergebnis entstand eine Webplattform für die Ausführung cloudbetriebener GPU-Simulationen mit RIM2D. Die Lösung erfüllte die gestellten Anforderungen und wurde zum Kernbestandteil des SaaS-Produktes des Auftraggebers. Durch die strategische Partnerschaft konnten wir den Forschungstransfer aktiv unterstützen und dazu beitragen, den Weg von RIM2D aus dem wissenschaftlichen Kontext in Richtung Markteintritt zu ebnen.

Ähnliche Projekte

Project Image

Data Lake for Geoscience Research Data Management

Datalake Research Data Management Geodaten Cloud-Native Open-Source

Wir entwickelten eine S3-basierte Open-Source Datalake-Lösung zur zentralen Erfassung, Kategorisierung und Durchsuchbarkeit von Daten. Ziel war es, die manuelle Datenverwaltung durch eine integrierte Architektur mit Workflowsteuerung, Datenkatalog und Zugriffsschutz zu automatisieren und zu verbessern.

Project Image

Computer Vision basierte KI zur Wunderkennung

Computer Vision Machine Learning Medizinische Bildverarbeitung

Wir entwickelten Computer-Vision- und KI-Komponenten für ein System zur Wunderkennung. Dabei entstand ein Service, der Wundflächen in Patientenbildern segmentiert und ihre Größe anhand von Referenzmarkern berechnet.

Zum Anfang