COMPUtational Framework for Modern Calibration and Validation of Mathematical Models of Subsurface Flows (COMPUFLOW)

Die Vorhersage des Verhaltens von unterirdischen Prozessen (z.B. Grundwasserströmung und Schadstofftransport im Grundwasser) ist mit erstaunlichen Unsicherheiten behaftet. Letztere entstehen vor allem deshalb, weil der Untergrund sehr heterogen ist und es praktisch unmöglich ist, ihn in allen Einzelheiten zu charakterisieren. Die Unsicherheit kann nur durch stochastische/probabilistische inverse Modellierungstechniken anstelle von konventionellen Modellkalibrierungsschemata quantifiziert werden. In der Literatur ist eine Vielzahl von (stochastischen) inversen Methoden verfügbar. Es fehlt jedoch noch eine schlüssige und überzeugende Bewertung ihrer relativen Vor- und Nachteile. Diese Tatsache stellt ein schwieriges Hindernis für alle aktuellen und zukünftigen Forschungsbemühungen dar, die auf eine weitere Verbesserung der inversen Modellierung abzielen. Ein Hauptgrund dafür ist das Fehlen klar definierter Benchmark-Szenarien, mit denen verschiedene Methoden unter standardisierten, kontrollierten und reproduzierbaren Bedingungen verglichen werden können.

Dieses Projekt zielt darauf ab, dieses Problem zu überwinden, indem es eine Reihe von Benchmark-Szenarien mit hochauflösenden Referenzlösungen definiert. Eine Vergleichsstudie mit anderen Forschungsgruppen von anderen Universitäten auf der Grundlage dieser Benchmarks und Referenzlösungen ist ebenfalls geplant. Benchmark-Szenarien, Referenzlösungen und Vergleichslösungen werden der Forschungsgemeinschaft langfristig zur weiteren Verwendung zur Verfügung gestellt. Die entwickelten Benchmark-Fälle werden vollständig gesättigte transiente Grundwasserströmungen, niedrige und hohe räumliche Variabilität sowie multi-Gaußsche und nicht-multi-Gaußsche hydraulische Leitfähigkeitsfelder berücksichtigen. Besondere Aufmerksamkeit wird dabei der Berechnung hochauflösender Referenzlösungen für die Benchmark-Fälle gewidmet werden. Die Referenzlösungen werden mit hochspezialisierten Algorithmen erstellt, die während dieses Projekts entwickelt wurden. Die Algorithmen werden auf der preconditioned Crank-Nicholson-Variante der Markov chian Monte Carlo (MCMC) Methode basieren, die mit adaptiven Vorschlagsverteilungen und mehrstufigen Parallelketten, ausgestattet ist.