PathTrAce-GwT: Gekoppelte Anwendung von Pfadlinien und Neuralen Netzwerken im Mehrschrittverfahren zur schnellen Bewertung von Parameterunsicherheiten in Grundwassertransportmodellen

• Antragsteller: Dr.-Ing. Martin Ortwin Binder
• Fachliche Zuordnung: Hydrogeologie, Hydrologie, Limnologie, Siedlungswasserwirtschaft, Wasserchemie, Integrierte Wasserressourcen-Bewirtschaftung
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 562568682

Das Projekt PathTrAce-GwT untersucht den Zusammenhang zwischen Messfehlern bei Beobachtungsdaten und den damit verbundenen Parameterunsicherheiten in Strömungs- und Transportmodellen. Die Ermittlung quantitativer Merkmale von Grundwasserleitern ist ein zentraler Bestandteil hydrogeologischer Projekte. An Messstellen gewonnene Beobachtungsdaten sind dabei sehr wertvolle Informationsquellen. Ausgefeilte computergestützte Methoden ermöglichen es, Parameter daraus zu extrahieren. Leider können unsichere Daten auch Lücken in das Systemwissen einschleusen. Daher ist es von entscheidender Bedeutung, auch parametrische Unsicherheiten zu bewerten. Weil aber bestehende Methoden der Unsicherheitsanalyse entweder rechenintensiv oder aber nicht immer uneingeschränkt anwendbar sind, werden effizientere und intelligentere Methoden benötigt. PathTrAce-GwT zielt darauf ab, diese methodische Lücke zu schließen, indem ein neuartiger Kombinationsansatz zur effizienten Durchführung parametrischer Unsicherheitsanalysen entwickelt und getestet wird. Der Ansatz basiert auf der simultanen, koordinierten Anwendung zweier Ersatzmodelle. Einerseits werden komplexe 2-D-/3-D-Daten auf Pfadlinien reduziert; entlang dieser entstehen u.a. 1-D-Durchbruchskurven (BTC) und Konzentrationsprofile (CP). Zum anderen wird das prozessbasierte, zeitaufwändige Verfahren zur Extraktion von Parameterunsicherheiten durch neurale Netzwerke mit mehreren Teilschritten ersetzt (Komponente 1: (Inverse) Physics-Induced Neural Networks ((i)PINN), 2: Bayesian Neural Networks (BNN), und schließlich, 3: Convolutional Neural Networks (CNN)). Modellergebnisdaten aus den Läufen der initialen Modellkalibrierung können und sollen hierbei für das Datenmodelltraining erneut verwendet werden. Im Ergebnis der Kopplung wird ein neuartiger Ansatz zur Unsicherheitsabschätzung geschaffen, welcher Modelleigenschaften erlernen kann und diese intelligent in die Analyse mit einbezieht. Sechs interagierende Arbeitspakete (AP) werden zur Zielerreichung verfolgt. Im AP A wird ein Algorithmus zur Pfadlinienextraktion, um Matrizen aus 1-D-BTCs und -CPs zu erhalten. Im Doppel-AP B werden die genannten neuralen Netzwerke auf deren Eignung für (AP B1) die Rekonstruktion von Parametern auf Basis einer Merkmals- und Formanalyse der Datensätze (via u.a. PINN) sowie (AP B2) für die Extraktion ihrer jeweiligen Unsicherheiten (via BNN) getestet. Das AP C konzentriert sich auf die Bereitstellung von Benchmark-Datensätzen. Die Kopplung der Ersatzmodelle erfolgt im Doppel-AP D. AP D-1 entwickelt eine CNN-Struktur, welche für die Umwandlung der Pfadlinien-Ersatzmodelle in die für PINN und BNN notwendigen Datenformate geeignet ist. AP D-2 beinhaltet schließlich eine Validierung mit experimentellen Daten. Letztendlich wird PathTrAce-GwT nicht nur einen Arbeitsablauf entwickeln, sondern auch die Robustheit der Ersatzmodellierung, insbesondere der Neuralen Netzwerke durch einen Vergleich mit klassischen Prozessmodellen bewerten.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Australien, Schweiz
• Mitverantwortlich: Dr. Catalin Stefan
• Kooperationspartner: Professor Henning Prommer, Ph.D.; Dr. Oliver Schilling; Professor Mario Schirmer, Ph.D.