Motivation
In vielen Bereichen, die physikalisches Wissen erfordern, bieten Methoden der Künstlichen Intelligenz (KI) die Möglichkeit, komplexe nichtlineare Zusammenhänge aus großen Datensätzen zu extrahieren. Allerdings neigen solche KI-Modelle dazu, bei einer kleinen Datengrundlage unzuverlässig zu werden. Darüber hinaus sind die abgeleiteten Ergebnisse aus KI-Modellen meist nur schwer zu nachzuvollziehen. Dies ist auch ein Problem im Bereich der Geothermie zur Gewinnung von Energie aus dem Untergrund. Während der Konstruktion oder Operation einer Anlage können häufig kleinskalige seismische Ereignisse auftreten, die ein großes Risiko für geothermische Projekte darstellen und bis zum Abbruch des Betriebs führen können.
Ziele und Vorgehen
In der KI-Nachwuchsgruppe „PBML-HM“ sollen genau deshalb Lösungen für spärliche Datenlagen für den beschriebenen Anwendungsfall entwickelt werden. Dazu werden hybride Modelle eingesetzt, die physikalisches Wissen und KI-Methoden kombinieren. Dadurch können besser erklärbare und robustere Modelle entwickelt werden. Des Weiteren werden im Vorhaben Fehlerschätzer untersucht, die die Unsicherheiten der erstellten Modelle charakterisieren, welches mit den genannten Verlässlichkeitsaspekten die Grundlagen der KI erweitern. Die Einbeziehung der Physik hat dabei nicht nur Auswirkungen auf die Erklärbarkeit und Verlässlichkeit, sondern sorgt auch für eine deutliche Reduzierung der benötigten Datenmengen und dementsprechend des Energiebedarfes beim Nutzen der KI.
Innovationen und Perspektiven
Geothermische Energie ist ein entscheidender Faktor in der Energiewende, da sie eine grüne und grundlastfähige Energiequelle, unabhängig von Wetterbedingungen, darstellt. Mit den bisherigen Monitoringmethoden ist die sichere und effiziente Nutzung von geothermischen Anlagen häufig eine Herausforderung. Durch den neuartigen KI-Ansatz trägt das Vorhaben essentiell zur Weiterentwicklung von KI-Systemen bei und ermöglicht den Transfer auch in andere Echtzeitsysteme.