Künstliche Intelligenz (KI) ist ein sich schnell entwickelndes Feld mit großem Potenzial zur Analyse und Untersuchung großer Datensätze. Allerdings sind die meisten KI-Methoden rein datengetrieben, was in Anwendungsbereichen problematisch ist, in denen nur wenige Daten verfügbar sind, aber umfangreiches Wissen über physikalische Prinzipien existiert. In solchen Fällen stehen KI-Methoden vor zwei zentralen Herausforderungen: Sie erfordern große Datenmengen für das Training, und die resultierenden Modelle sind oft schwer interpretierbar.

Eine Möglichkeit, diese Einschränkungen zu überwinden, besteht in der Integration grundlegender physikalischer Prinzipien (d.h. modellbasierter Ansätze) in KI-Methoden, wodurch sogenannte hybride KI-Ansätze entstehen. Die Forschungsgruppe hat sich zum Ziel gesetzt, hybride KI-Systeme weiterzuentwickeln und zu optimieren, um deren Effizienz zu steigern und die Anwendbarkeit in wissenschaftlich orientierten Anwendungsbereichen zu erweitern. Dabei nutzt die Gruppe hauptsächlich die nicht-intrusive reduzierte Basismethode, die im Gegensatz zu herkömmlichen KI-Techniken erklärbare Modelle erzeugt und deutlich weniger Daten benötigt – wie anhand mehrerer großskaliger geothermischer Anwendungen bereits veranschaulicht wurde.

Das Projekt setzt KI-Methoden zur Bewertung von Sensitivitäten, Unsicherheiten und optimalem experimentellen Design ein. Ein zentrales Beispiel für die wirtschaftliche und gesellschaftliche Relevanz dieser Forschung ist ihre Anwendung auf induzierte Seismizität in der Geothermie. Die Geothermie spielt eine entscheidende Rolle in der Energiewende, aber viele Projekte müssen aufgrund induzierter Seismizität gestoppt werden. Hybride KI-Techniken werden eingesetzt, um physikalisches Wissen in die Überwachung induzierter Seismizität zu integrieren. Dies ermöglicht eine bessere Vorhersage seismischer Ereignisse durch ein verbessertes Systemverständnis – insbesondere im Hinblick auf den unkritischen Zustand. Zudem werden Methoden des optimalen experimentellen Designs genutzt, um die Platzierung und Effizienz der Monitoringstationen zu verbessern.

Die entwickelten Methoden werden anhand von Datensätzen aus zwei geothermischen Projekten demonstriert: Pohang und Soult-sous-Forêts.