Über uns
Wasser ist einzigartig - kein anderes Element ist so allgegenwärtig, lebenswichtig, verletzlich und bedrohlich zugleich. Wir müssen unsere Versorgung mit sauberem Wasser sicherstellen, unsere Zivilisation vor Dürren und Flutkatastrophen beschützen, auf nachhaltigen Einsatz des verfügbaren Wassers in der Lebensmittelindustrie und Energieproduktion achten, und Wasser als Teil einer gesunden und leistungsfähigen Umwelt schützen. Es ist unser erklärtes Ziel, zur Bewältigung dieser Herausforderungen beizutragen.
Simulationstechniken erlauben einen Einblick in das sonst nicht sichtbare - in der Vergangenheit, der Gegenwart und der Zukunft. Die Wasserproblematik benötigt zukunftssichere und verlässliche Entscheidungshilfen, aber die Modelle und Daten, die in Simulationen zum Einsatz kommen, sind grundsätzlich unvollkommen.
Um die so entstehenden Unsicherheiten und Risiken zu bewältigen, entwickeln wir Konzepte, Modelle und Methoden für stochastische Simulationen. Unser Fokus liegt auf Ressourcen im natürlichen Untergrund (z.B. Grundwasser, Öl und Erdgas), und auf Systeme im Umfeld der Energieproduktion (z.B. CO2-Speicherung, Geothermie, Energiesystemplanung, Sicherheit von Batterien).
Unser Lehrstuhl arbeitet eng mit international renommierten Forschern zusammen. Die Kollaborationen umfassen unter anderem Projekte aus den Bereichen Umweltsystemmodellierung, Schadstofftransport im Untergrund, Statistik, Optimierung, Quantifizierung der Unsicherheit, Systemzuverlässigkeit, Systemsicherheit und Energiesysteme. Im Laufe ihrer Promotion besuchen die Doktorandinnen und Doktoranden unserer Gruppe üblicherweise unsere internationalen Partner um ihre Forschung weiterzuentwickeln.
Aktuelle Forschungsprojekte
-
Bayessche Geostatistik für nichtstationäre und nicht-gausssche Zufallsfelder
-
Datengetriebene, langfristige Vorhersagen des Wasserbedarfs unter dem Einfluss des Klimawandels
-
Deep Chaos ODE für fortgeschrittene hydrologische Modellierung: Integration von Deep Learning und Polynomial Chaos in datengetriebene Hydrologie
-
Entwicklung von Algorithmen und Software-Tools für die parallele Simulation von dynamischen Prozessen
-
Erkenntnisse über hydrologische Prozesse mittels Deep Learning und Bayesscher neuronalen Hydrologie
-
Identifikation durch den Klimawandel getriebenener kritischer Wetterbedingungen, die zu dramatischen Veränderungen in Seen führen
-
Lernen physikalischer Zusammenhänge anhand von Messdaten
-
Maschinelles Lernen für die Planung der Wasserversorgungsinfrastruktur angesichts des Klimawandels
-
Methoden zur koordinierten Optimierung von Wasserversorgungssystemen in zukünftigen Energiesystemen unter großer klimatischer Unsicherheit
-
Multiskalige Abschätzung des Grundwasserspiegels in datenarmen Regionen durch die Fusion von Daten, Geostatistik und physikalischem Wissen
-
Physikalisches maschinelles Lernen für räumlich-zeitliche Systeme: ANN-Verallgemeinerung mit adaptiven Gittern, Gebietszerlegung und Parallelisierung
-
Randomisieren von Modellen für rissdurchsetzte poröse Medien: Auswirkungen auf Druck, Diffusion und Transport
-
Surrogate Modeling in Verbindung mit Bayesschem Active Learning, bewertet anhand von Metriken der Informationstheorie für rechenintensive Sedimenttransportmodelle
-
Verbesserte Niederschlagserfassung durch Daten opportunistischer Sensoren
-
Verbesserung der prädiktiven Qualität endlagerrelevanter Simulationen durch optimale Datenakquise und Smart-Monitoring
Abgeschlossene Forschungsprojekte
-
Bayes'sche Bewertung konzeptioneller Unsicherheit in der Hydrosystemmodellierung
-
Bayes'sche Legitimierung hydrogeologischer Modellkonzepte
-
Bayes'scher, kausaler, universeller Differentialgleichungs-Lerner
-
COMPUtational Framework for Modern Calibration and Validation of Mathematical Models of Subsurface Flows (COMPUFLOW)
-
Catchments as Reactors: Schadstoffumsatz auf der Landschaftsskala
-
Datenassimilation für Energiespeicher zur Verbesserung der Betriebssteuerung
-
Die Architektur von Schadensherden: multivariate phenomenologische Beschreibung, Identifizierung und Simulation
-
Effiziente Konzepte für die optimale Versuchsplanung
-
Einfluss der Bodentemperatur auf die Erwärmung von Trinkwasser in Wasserverteilungsnetzen – Entwicklung eines Bodenmodells
-
Frühwarn - Überwachungssysteme für verbesserten Trinkwasserschutz
-
Gekoppelte Datenkompression und Modellreduktion für konditionelle stochastische Modellierung von Strömungs- und Transportprozessen im Untergrund
-
Hybride stochastisch-deterministische Methode zur Modellkalibrierung mit Anwendung auf CO2-Speicherung in geologischen Formationen
-
Integrativer Ansatz für Konditionierung, robustes Design und Regelung im Untergrund
-
Intelligente Messung des Grundwasserleiters: Schließung der Grundwasserbilanz für nachhaltiges Management angesichts unregulierter Grundwasserförderung
-
Markov Chain Monte Carlo Methoden für Bayes'sche Inversion von Grundwasser Strömungen in porösen Medien
-
Modellierungsstrategien für Gasmigration in porösen Medien
-
Optimale Erkundung und Ausweisung von Einzugsgebieten unter instationären Bedingungen zum Schutz von Trinkwasserbrunnen
-
Parameterinferenz für nichtlineare Modellierung der Strömung in geologischen Formationen mit Anwendung auf CO2-Speicherung: Entwicklung einer adaptiven Bayes‘schen Arbitrary Multi-Resolution Polynomial Chaos Expansion
-
Priorisierung der Hauptursachen von Vorhersageunsicherheit in gekoppelten Hydrosystemmodellen
-
Probabilistische Fehleridentifizierung in Wasserversorgungsnetzwerken
-
Probabilistische Risikoanalyse für CO2-Speicherung mit Hilfe massiver stochastischer Modellreduktion
-
Probabilistisches Risikomanagement als integrales Trinkwassersicherheitskonzept
-
Robuste Ausbauplanung von Wasserkraft und Energiespeicherung
-
Statistische Analyse der Abhängigkeitsstruktur und des Prozessgedächtnis bei nicht-Fickschen Transportprozessen
-
Thermische Selbstentladung von Lithium-Batterien
-
Wissenschaftlich inspirierte ANNs für dynamische, verteilte und stochastische Systeme (SmartANN)
-
Zufällige Rissmodelle – Auf dem Weg zu statistischem Realismus und Validierung
-
Überwindung des irrtümlichen Übervertrauens in der Parameterschätzung für Bodenfeuchtemodelle