Hydraulic Data Analysis Using Python

Acoustic Doppler velocimeter (ADV) data is prone to high uncertainty in measurement. In this thesis, technical literature that proposes data analysis methods to reduce error effects is reviewed, and subsequently, three methods are implemented using the programming language Python. The reduction of uncertainty in measurement is evaluated by categorising statistical parameters and analysing time-series and Kolmogorov energy spectra for 160 ADV samples in turbulent flow. The results show that out of the examined data analysis methods, kernel density estimation despiking in combination with lowpass Butterworth filtering is the most promising way to reduce the uncertainty in measurement. Furthermore, a procedure to find the optimal sampling time for ADV measurements is realised. The implementation shows that statistical equivalence testing is adequate for finding the optimum sampling time. Still, the procedure needs further development to provide significance regarding higher statistical moments. Ultimately, a systematic workflow for handling ADV data is proposed.

Daten, die mit dem akustischen Doppler Velocimeter (ADV) aufgenommen werden, sind anfällig für hohe Messunsicherheiten. In dieser Thesis werden Datenanalysemethoden aus der Fachliteratur, die zur Reduzierung von Fehlereffekten entwickelt wurden, geprüft. Anschließend werden drei Datenanalysemethoden in der Programmiersprache Python implementiert. Die Reduzierung der Messunsicherheit wird dann durch die Kategorisierung statistischer Parameter und durch die Analyse von Zeitreihen und Kolmogorov Energiespektren bei 160 ADV-Messungen in turbulenter Strömung bewertet. Die Ergebnisse zeigen, dass von den untersuchten Datenanalysemethoden das Kerndichteschätzer-Despiking in Kombination mit dem Butterworth Tiefpassfilter die vielversprechendste Methode zur Reduzierung der Messunsicherheit ist. Darüber hinaus wird ein Verfahren zur Ermittlung einer optimalen Abtastdauer für ADV-Messungen realisiert. Die Umsetzung veranschaulicht, dass statistische Äquivalenztests geeignet sind, um die optimale Abtastdauer zu finden. Jedoch muss das Vorgehen noch weiterentwickelt werden, um auch in Bezug auf höhere statistische Momente Signifikanz zu schaffen. Schließlich wird ein systematischer Arbeitsablauf für die Handhabung von ADV-Daten vorgeschlagen.