Workflow Optimierung (Eisenstadt · Wien · Bad Aussee)

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.

Neu: 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(), Parametrierung v2 nach SWMM-UrbanEVA / D. Wicke; mechanisch validiert in der Vignette diagnose_green_roofs). 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 der Mulde-Rigole? 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.

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"
  )
))
Parameter Suchraum
mulde_area [m2] stufenlos 25 bis 200 (Toleranz 2)
mulde_height [mm] stufenlos 100 bis 300 (Toleranz 10)
storage_height Sickerbox [mm] Stufen: 300 / 600 / 900 / 1200
storage_height Schotterrigol [mm] stufenlos 900 bis 3600 (Toleranz 25)
filter_hydraulicconductivity [mm/h] fix = 360 (Rastermaximum; kostenfrei dominant)
filter_height [mm] 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)"
)
Kostensaetze (inkl. Einbau)
Kostensatz EUR je m2/m3
excavation_eur_per_m3 70
profiling_eur_per_m2 10
filter_eur_per_m3 200
infiltration_box_eur_per_m3 350
gravel_trench_eur_per_m3 50

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)
)
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
Eisenstadt_2005 conv_legacy 0 infiltration_box ok 55.1 281 300 0 0.0 13.0 0.0 13036
Eisenstadt_2005 conv_legacy 1 infiltration_box ok 45.5 288 300 1 8.4 10.9 0.0 10791
Eisenstadt_2005 conv_legacy 2 infiltration_box ok 45.5 281 300 2 8.8 10.9 0.0 10771
Eisenstadt_2005 conv_legacy 3 infiltration_box ok 44.1 294 300 3 10.6 10.6 0.0 10486
Eisenstadt_2005 conv_legacy 4 infiltration_box ok 44.1 294 300 3 10.6 10.6 0.0 10486
Eisenstadt_2005 conv_legacy 5 infiltration_box ok 44.1 100 300 5 43.1 10.6 0.0 9888
Wien conv_legacy 0 infiltration_box ok 160.4 294 600 0 0.0 18.3 0.0 58298
Wien conv_legacy 1 infiltration_box ok 128.9 281 300 1 80.0 15.2 0.0 30510
Wien conv_legacy 2 infiltration_box ok 109.8 294 300 2 111.1 13.2 0.0 26076
Wien conv_legacy 3 infiltration_box ok 98.8 294 300 3 134.9 12.0 0.0 23478
Wien conv_legacy 4 infiltration_box ok 94.7 300 300 4 149.1 11.6 0.0 22545
Wien conv_legacy 5 infiltration_box ok 93.4 288 300 5 158.4 11.4 0.0 22138
BadAussee conv_legacy 0 infiltration_box ok 149.4 300 600 0 0.0 7.4 0.0 54387
BadAussee conv_legacy 1 infiltration_box ok 146.7 294 300 1 45.2 7.3 0.0 34859
BadAussee conv_legacy 2 infiltration_box ok 139.8 300 300 2 57.0 7.0 0.0 33283
BadAussee conv_legacy 3 infiltration_box ok 134.4 300 300 3 67.4 6.8 0.0 31981
BadAussee conv_legacy 4 infiltration_box ok 128.9 300 300 4 82.6 6.5 0.0 30680
BadAussee conv_legacy 5 infiltration_box ok 120.7 244 300 5 137.9 6.2 0.0 28252
Eisenstadt_2005 conv_legacy 0 gravel_trench ok 55.1 300 900 0 0.0 13.0 0.0 12117
Eisenstadt_2005 conv_legacy 1 gravel_trench ok 45.5 294 900 1 8.6 10.9 0.0 9992
Eisenstadt_2005 conv_legacy 2 gravel_trench ok 45.5 294 900 1 8.6 10.9 0.0 9992
Eisenstadt_2005 conv_legacy 3 gravel_trench ok 45.5 281 900 3 9.6 10.9 0.0 9952
Eisenstadt_2005 conv_legacy 4 gravel_trench ok 44.1 300 900 4 11.0 10.6 0.0 9711
Eisenstadt_2005 conv_legacy 5 gravel_trench ok 44.1 100 900 5 45.6 10.6 0.0 9093
Wien conv_legacy 0 gravel_trench ok 200.0 300 1111 0 0.0 21.9 0.0 49062
Wien conv_legacy 1 gravel_trench ok 133.0 300 900 1 75.1 15.7 0.0 29262
Wien conv_legacy 2 gravel_trench ok 111.1 300 900 2 110.6 13.4 0.0 24449
Wien conv_legacy 3 gravel_trench ok 101.6 300 900 3 130.8 12.3 0.0 22344
Wien conv_legacy 4 gravel_trench ok 94.7 300 900 4 155.4 11.6 0.0 20840
Wien conv_legacy 5 gravel_trench ok 94.7 294 900 5 157.8 11.6 0.0 20798
BadAussee conv_legacy 0 gravel_trench ok 200.0 300 1027 0 0.0 9.5 0.0 47038
BadAussee conv_legacy 1 gravel_trench ok 148.0 300 900 1 45.1 7.4 0.0 32555
BadAussee conv_legacy 2 gravel_trench ok 142.6 294 900 2 57.6 7.2 0.0 31305
BadAussee conv_legacy 3 gravel_trench ok 137.1 300 900 3 66.2 6.9 0.0 30164
BadAussee conv_legacy 4 gravel_trench ok 130.3 300 900 4 84.1 6.6 0.0 28660
BadAussee conv_legacy 5 gravel_trench ok 120.7 262 900 5 136.6 6.2 0.0 26238
Eisenstadt_2005 conventional 0 infiltration_box ok 55.1 281 300 0 0.0 12.9 0.0 13036
Eisenstadt_2005 conventional 1 infiltration_box ok 45.5 288 300 1 8.4 10.8 0.0 10791
Eisenstadt_2005 conventional 2 infiltration_box ok 45.5 288 300 1 8.4 10.8 0.0 10791
Eisenstadt_2005 conventional 3 infiltration_box ok 44.1 294 300 3 10.6 10.6 0.0 10486
Eisenstadt_2005 conventional 4 infiltration_box ok 44.1 294 300 3 10.6 10.6 0.0 10486
Eisenstadt_2005 conventional 5 infiltration_box ok 44.1 100 300 5 43.2 10.6 0.0 9888
Wien conventional 0 infiltration_box ok 160.4 294 600 0 0.0 18.2 0.0 58298
Wien conventional 1 infiltration_box ok 128.9 281 300 1 80.0 15.1 0.0 30510
Wien conventional 2 infiltration_box ok 109.8 294 300 2 111.1 13.1 0.0 26076
Wien conventional 3 infiltration_box ok 98.8 294 300 3 135.2 11.9 0.0 23478
Wien conventional 4 infiltration_box ok 94.7 300 300 4 149.1 11.5 0.0 22545
Wien conventional 5 infiltration_box ok 93.4 288 300 5 158.5 11.3 0.0 22138
BadAussee conventional 0 infiltration_box ok 149.4 300 600 0 0.0 7.3 0.0 54387
BadAussee conventional 1 infiltration_box ok 146.7 294 300 1 45.2 7.2 0.0 34859
BadAussee conventional 2 infiltration_box ok 139.8 300 300 2 57.0 6.9 0.0 33283
BadAussee conventional 3 infiltration_box ok 134.4 300 300 3 67.4 6.7 0.0 31981
BadAussee conventional 4 infiltration_box ok 128.9 300 300 4 82.6 6.4 0.0 30680
BadAussee conventional 5 infiltration_box ok 120.7 244 300 5 137.9 6.1 0.0 28252
Eisenstadt_2005 conventional 0 gravel_trench ok 55.1 300 900 0 0.0 12.9 0.0 12117
Eisenstadt_2005 conventional 1 gravel_trench ok 45.5 294 900 1 8.6 10.8 0.0 9992
Eisenstadt_2005 conventional 2 gravel_trench ok 45.5 294 900 1 8.6 10.8 0.0 9992
Eisenstadt_2005 conventional 3 gravel_trench ok 45.5 281 900 3 9.6 10.8 0.0 9952
Eisenstadt_2005 conventional 4 gravel_trench ok 44.1 300 900 4 11.0 10.6 0.0 9711
Eisenstadt_2005 conventional 5 gravel_trench ok 44.1 100 900 5 45.7 10.6 0.0 9093
Wien conventional 0 gravel_trench ok 200.0 300 1111 0 0.0 21.8 0.0 49062
Wien conventional 1 gravel_trench ok 133.0 300 900 1 75.1 15.5 0.0 29262
Wien conventional 2 gravel_trench ok 111.1 300 900 2 110.6 13.3 0.0 24449
Wien conventional 3 gravel_trench ok 101.6 300 900 3 130.8 12.2 0.0 22344
Wien conventional 4 gravel_trench ok 94.7 300 900 4 155.5 11.5 0.0 20840
Wien conventional 5 gravel_trench ok 94.7 294 900 5 157.8 11.5 0.0 20798
BadAussee conventional 0 gravel_trench ok 200.0 300 1027 0 0.0 9.4 0.0 47038
BadAussee conventional 1 gravel_trench ok 148.0 300 900 1 45.1 7.3 0.0 32555
BadAussee conventional 2 gravel_trench ok 142.6 294 900 2 57.6 7.0 0.0 31305
BadAussee conventional 3 gravel_trench ok 137.1 300 900 3 66.2 6.8 0.0 30164
BadAussee conventional 4 gravel_trench ok 130.3 300 900 4 84.1 6.5 0.0 28660
BadAussee conventional 5 gravel_trench ok 120.7 262 900 5 136.6 6.1 0.0 26238
Eisenstadt_2005 extensive 0 infiltration_box ok 29.1 300 300 0 0.0 44.3 95.1 6926
Eisenstadt_2005 extensive 1 infiltration_box ok 25.0 100 300 1 7.8 40.3 95.1 5600
Eisenstadt_2005 extensive 2 infiltration_box ok 25.0 100 300 1 7.8 40.3 95.1 5600
Eisenstadt_2005 extensive 3 infiltration_box ok 25.0 100 300 1 7.8 40.3 95.1 5600
Eisenstadt_2005 extensive 4 infiltration_box ok 25.0 100 300 1 7.8 40.3 95.1 5600
Eisenstadt_2005 extensive 5 infiltration_box ok 25.0 100 300 1 7.8 40.3 95.1 5600
Wien extensive 0 infiltration_box ok 152.1 300 600 0 0.0 38.2 79.6 55382
Wien extensive 1 infiltration_box ok 77.0 294 300 1 119.4 24.8 79.6 18281
Wien extensive 2 infiltration_box ok 72.9 294 300 2 125.5 23.8 79.6 17307
Wien extensive 3 infiltration_box ok 57.8 300 300 3 153.4 20.0 79.6 13759
Wien extensive 4 infiltration_box ok 53.7 294 300 4 164.4 18.9 79.6 12760
Wien extensive 5 infiltration_box ok 49.6 294 300 5 174.1 17.8 79.6 11785
BadAussee extensive 0 infiltration_box ok 146.7 300 600 0 0.0 12.3 49.1 53391
BadAussee extensive 1 infiltration_box ok 144.5 300 300 1 42.6 12.2 49.1 34400
BadAussee extensive 2 infiltration_box ok 137.1 300 300 2 55.6 11.7 49.1 32632
BadAussee extensive 3 infiltration_box ok 133.0 300 300 3 63.5 11.4 49.1 31656
BadAussee extensive 4 infiltration_box ok 127.5 294 300 4 80.1 11.1 49.1 30298
BadAussee extensive 5 infiltration_box ok 115.2 212 300 5 162.3 10.2 49.1 26720
Eisenstadt_2005 extensive 0 gravel_trench ok 30.5 281 900 0 0.0 45.5 95.1 6663
Eisenstadt_2005 extensive 1 gravel_trench ok 25.0 100 900 1 8.2 40.3 95.1 5150
Eisenstadt_2005 extensive 2 gravel_trench ok 25.0 100 900 1 8.2 40.3 95.1 5150
Eisenstadt_2005 extensive 3 gravel_trench ok 25.0 100 900 1 8.2 40.3 95.1 5150
Eisenstadt_2005 extensive 4 gravel_trench ok 25.0 100 900 1 8.2 40.3 95.1 5150
Eisenstadt_2005 extensive 5 gravel_trench ok 25.0 100 900 1 8.2 40.3 95.1 5150
Wien extensive 0 gravel_trench ok 198.6 300 1111 0 0.0 44.0 79.6 48727
Wien extensive 1 gravel_trench ok 77.0 294 900 1 120.5 24.8 79.6 16896
Wien extensive 2 gravel_trench ok 72.9 294 900 2 126.4 23.8 79.6 15995
Wien extensive 3 gravel_trench ok 57.8 300 900 3 154.4 20.0 79.6 12719
Wien extensive 4 gravel_trench ok 55.1 294 900 4 162.1 19.3 79.6 12093
Wien extensive 5 gravel_trench ok 51.0 294 900 5 171.7 18.2 79.6 11193
BadAussee extensive 0 gravel_trench ok 198.6 300 1005 0 0.0 15.4 49.1 46213
BadAussee extensive 1 gravel_trench ok 146.8 300 900 1 43.1 12.3 49.1 32290
BadAussee extensive 2 gravel_trench ok 139.8 294 900 2 56.3 11.9 49.1 30704
BadAussee extensive 3 gravel_trench ok 135.7 300 900 3 62.6 11.6 49.1 29863
BadAussee extensive 4 gravel_trench ok 130.3 294 900 4 78.9 11.3 49.1 28603
BadAussee extensive 5 gravel_trench ok 115.2 231 900 5 160.3 10.2 49.1 24797
Eisenstadt_2005 intensive 0 infiltration_box ok 25.0 100 300 0 0.0 106.3 101.5 5600
Eisenstadt_2005 intensive 1 infiltration_box ok 25.0 100 300 0 0.0 106.3 101.5 5600
Eisenstadt_2005 intensive 2 infiltration_box ok 25.0 100 300 0 0.0 106.3 101.5 5600
Eisenstadt_2005 intensive 3 infiltration_box ok 25.0 100 300 0 0.0 106.3 101.5 5600
Eisenstadt_2005 intensive 4 infiltration_box ok 25.0 100 300 0 0.0 106.3 101.5 5600
Eisenstadt_2005 intensive 5 infiltration_box ok 25.0 100 300 0 0.0 106.3 101.5 5600
Wien intensive 0 infiltration_box ok 191.8 300 300 0 0.0 67.6 94.2 45648
Wien intensive 1 infiltration_box ok 46.9 225 300 1 104.8 40.9 94.2 10910
Wien intensive 2 infiltration_box ok 45.5 100 300 2 118.1 40.2 94.2 10194
Wien intensive 3 infiltration_box ok 44.1 100 300 2 119.3 39.6 94.2 9888
Wien intensive 4 infiltration_box ok 31.8 288 300 4 128.2 32.8 94.2 7549
Wien intensive 5 infiltration_box ok 29.1 250 300 5 139.1 31.0 94.2 6824
BadAussee intensive 0 infiltration_box ok 146.7 300 600 0 0.0 14.3 58.2 53391
BadAussee intensive 1 infiltration_box ok 144.5 300 300 1 42.5 14.2 58.2 34400
BadAussee intensive 2 infiltration_box ok 137.1 300 300 2 55.1 13.7 58.2 32632
BadAussee intensive 3 infiltration_box ok 133.0 300 300 3 63.3 13.3 58.2 31656
BadAussee intensive 4 infiltration_box ok 127.5 294 300 4 79.1 12.9 58.2 30298
BadAussee intensive 5 infiltration_box ok 115.2 212 300 5 161.0 12.0 58.2 26720
Eisenstadt_2005 intensive 0 gravel_trench ok 25.0 100 900 0 0.0 106.3 101.5 5150
Eisenstadt_2005 intensive 1 gravel_trench ok 25.0 100 900 0 0.0 106.3 101.5 5150
Eisenstadt_2005 intensive 2 gravel_trench ok 25.0 100 900 0 0.0 106.3 101.5 5150
Eisenstadt_2005 intensive 3 gravel_trench ok 25.0 100 900 0 0.0 106.3 101.5 5150
Eisenstadt_2005 intensive 4 gravel_trench ok 25.0 100 900 0 0.0 106.3 101.5 5150
Eisenstadt_2005 intensive 5 gravel_trench ok 25.0 100 900 0 0.0 106.3 101.5 5150
Wien intensive 0 gravel_trench ok 195.9 300 900 0 0.0 67.9 94.2 43098
Wien intensive 1 gravel_trench ok 46.9 225 900 1 105.6 40.9 94.2 10066
Wien intensive 2 gravel_trench ok 45.5 100 900 2 118.8 40.2 94.2 9375
Wien intensive 3 gravel_trench ok 44.1 100 900 2 121.5 39.6 94.2 9093
Wien intensive 4 gravel_trench ok 31.8 300 900 4 128.8 32.8 94.2 7004
Wien intensive 5 gravel_trench ok 29.1 269 900 5 139.1 31.0 94.2 6339
BadAussee intensive 0 gravel_trench ok 197.3 300 1005 0 0.0 17.6 58.2 45895
BadAussee intensive 1 gravel_trench ok 146.8 294 900 1 43.9 14.4 58.2 32226
BadAussee intensive 2 gravel_trench ok 139.8 294 900 2 56.1 13.9 58.2 30704
BadAussee intensive 3 gravel_trench ok 135.7 300 900 3 61.9 13.6 58.2 29863
BadAussee intensive 4 gravel_trench ok 130.3 294 900 4 77.9 13.1 58.2 28603
BadAussee intensive 5 gravel_trench ok 115.2 231 900 5 159.7 12.0 58.2 24797

Frame-Anker: conv_legacy gegen die publizierten Optima

Zwei Prüfungen in einem: (1) Regression — conv_legacy muss die publizierten Optima reproduzieren (deterministische Engine; 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.

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$roof_type == "conv_legacy",
            c(key, "mulde_area", "mulde_height", "storage_height",
              "cost_total")],
    published[, c(key, "mulde_area", "mulde_height", "storage_height",
                  "cost_total")],
    by = key, suffix = c("_legacy", "_publiziert")
  ) %>%
    dplyr::mutate(
      delta_cost_pct = round(100 * (cost_total_legacy - cost_total_publiziert) /
                               cost_total_publiziert, 2)
    )
  knitr::kable(
    regress, digits = 1,
    caption = paste("Regressions-Anker: conv_legacy vs. publizierte",
                    "Optima -- erwartet: identisch (delta_cost_pct = 0)")
  )
  if (any(abs(regress$delta_cost_pct) > 0.5, 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")
}
#> (Keine optimisation_results_all_sites_published.csv neben der Vignette --  Regressions-Anker uebersprungen.)

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")
)
Frame-Effekt: conventional (Hoernschemeyer + Saisonkurve) vs. conv_legacy – gleiches dichtes Dach, nur der ET-Pfad der Mulde unterscheidet sich
site x storage_type cost_total_legacy cost_total_rahmen frame_delta_pct
Eisenstadt_2005 0 infiltration_box 13036.3 13036.3 0.0
Eisenstadt_2005 1 infiltration_box 10791.0 10791.0 0.0
Eisenstadt_2005 2 infiltration_box 10771.1 10791.0 0.2
Eisenstadt_2005 3 infiltration_box 10486.2 10486.2 0.0
Eisenstadt_2005 4 infiltration_box 10486.2 10486.2 0.0
Eisenstadt_2005 5 infiltration_box 9887.5 9887.5 0.0
Wien 0 infiltration_box 58297.8 58297.8 0.0
Wien 1 infiltration_box 30510.5 30510.5 0.0
Wien 2 infiltration_box 26076.2 26076.2 0.0
Wien 3 infiltration_box 23477.9 23477.9 0.0
Wien 4 infiltration_box 22544.9 22544.9 0.0
Wien 5 infiltration_box 22137.8 22137.8 0.0
BadAussee 0 infiltration_box 54386.7 54386.7 0.0
BadAussee 1 infiltration_box 34858.6 34858.6 0.0
BadAussee 2 infiltration_box 33282.8 33282.8 0.0
BadAussee 3 infiltration_box 31981.2 31981.2 0.0
BadAussee 4 infiltration_box 30679.7 30679.7 0.0
BadAussee 5 infiltration_box 28252.1 28252.1 0.0
Eisenstadt_2005 0 gravel_trench 12117.2 12117.2 0.0
Eisenstadt_2005 1 gravel_trench 9991.8 9991.8 0.0
Eisenstadt_2005 2 gravel_trench 9991.8 9991.8 0.0
Eisenstadt_2005 3 gravel_trench 9952.0 9952.0 0.0
Eisenstadt_2005 4 gravel_trench 9710.9 9710.9 0.0
Eisenstadt_2005 5 gravel_trench 9093.0 9093.0 0.0
Wien 0 gravel_trench 49062.5 49062.5 0.0
Wien 1 gravel_trench 29261.7 29261.7 0.0
Wien 2 gravel_trench 24449.2 24449.2 0.0
Wien 3 gravel_trench 22343.8 22343.8 0.0
Wien 4 gravel_trench 20839.8 20839.8 0.0
Wien 5 gravel_trench 20798.4 20798.4 0.0
BadAussee 0 gravel_trench 47037.5 47037.5 0.0
BadAussee 1 gravel_trench 32554.8 32554.8 0.0
BadAussee 2 gravel_trench 31304.8 31304.8 0.0
BadAussee 3 gravel_trench 30164.1 30164.1 0.0
BadAussee 4 gravel_trench 28660.2 28660.2 0.0
BadAussee 5 gravel_trench 26237.8 26237.8 0.0
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")
)
Standort Dachtyp Speichertyp Engine-Laeufe Minuten
Eisenstadt_2005 conv_legacy infiltration_box 32 2.3
Wien conv_legacy infiltration_box 74 69.9
BadAussee conv_legacy infiltration_box 75 43.4
Eisenstadt_2005 conv_legacy gravel_trench 33 1.9
Wien conv_legacy gravel_trench 73 68.7
BadAussee conv_legacy gravel_trench 81 47.8
Eisenstadt_2005 conventional infiltration_box 32 1.5
Wien conventional infiltration_box 74 69.8
BadAussee conventional infiltration_box 75 44.3
Eisenstadt_2005 conventional gravel_trench 33 1.9
Wien conventional gravel_trench 73 69.4
BadAussee conventional gravel_trench 81 47.5
Eisenstadt_2005 extensive infiltration_box 16 0.7
Wien extensive infiltration_box 72 34.6
BadAussee extensive infiltration_box 76 71.2
Eisenstadt_2005 extensive gravel_trench 16 1.1
Wien extensive gravel_trench 78 45.2
BadAussee extensive gravel_trench 81 74.6
Eisenstadt_2005 intensive infiltration_box 3 0.2
Wien intensive infiltration_box 47 28.0
BadAussee intensive infiltration_box 76 72.0
Eisenstadt_2005 intensive gravel_trench 3 0.2
Wien intensive gravel_trench 47 28.2
BadAussee intensive gravel_trench 81 41.2

Gesamtlaufzeit Optimierung: 1332 Engine-Läufe · Summe der Task-Zeiten 865.6 min · tatsächliche Laufzeit 152.9 min (paralleler Speedup 5.7×).

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")
)
Streuung ueber die Suchpfade – erwartet: identische Speicherstufe, Flaechen-Spanne <= 2 x area_tol, Kostenspanne wenige Prozent; die Tiefe streut wegen der Flaechen-Kopplung weiter
site storage_type flaeche_spanne_m2 tiefe_spanne_mm speicher_identisch kosten_min kosten_max kosten_spanne_pct
BadAussee gravel_trench 1.8 8.8 TRUE 32496.5 32791.0 0.9
BadAussee infiltration_box 1.7 14.1 TRUE 34733.8 34987.4 0.7
Eisenstadt_2005 gravel_trench 1.8 35.0 TRUE 9976.9 10259.6 2.8
Eisenstadt_2005 infiltration_box 1.3 32.2 TRUE 10648.2 10870.7 2.1
Wien gravel_trench 1.9 6.4 TRUE 29067.0 29435.1 1.3
Wien infiltration_box 1.6 6.8 TRUE 30424.1 30800.6 1.2

Laufzeit Such-Monte-Carlo: 1021 Engine-Läufe in 72.7 min (parallel über 60 Tasks: 3 Standorte × 2 Speichertypen × 10 Wiederholungen).

Einordnung


Gesamtlaufzeit dieser Vignette: 225.7 Minuten (Optimierung 152.9 min · Such-Monte-Carlo 72.7 min · Rest: Setup und Rendern).