Berlins Trinkwasser stammt aus Grundwasser, gefördert von über 600 Brunnen der Berliner Wasserbetriebe. Mit der Zeit lässt die Leistungsfähigkeit dieser Brunnen jedoch nach – die Brunnen altern. Die Ursache für den Leistungsverlust sind überwiegend chemische und biologische Prozesse im Brunnenfilter und in der Filterschüttung, die zur Bildung von Ablagerungen führen und den Wassereintritt aus den wasserführenden Schichten in den Brunnen behindern. Durch rechtzeitige Brunnenregenerierungen lassen sich diese Ablagerungen teilweise entfernen und die Brunnen länger effektiv nutzen.
Die Leistungsfähigkeit eines Brunnens wird durch die spezifische Ergiebigkeit (Förderrate [m3/s] je Meter Absenkung) bemessen. Diese wird üblicherweise durch Pumpversuche direkt nach Brunnenneubau sowie vor bzw. nach einer Regenerierungsmaßnahme bestimmt. Zwischen den Regenerierungen vergehen oft mehrere Jahre und es besteht eine gewisse Unsicherheit über die Entwicklung des Brunnenzustands in der Zwischenzeit. Damit fehlt eine wichtige Grundlage, um den Brunnenzustand zu bewerten und z.B. den optimalen Zeitpunkt für eine Regenerierung oder die Planung von Ersatzbrunnen zu bestimmen. Genau diese Wissenslücke möchte WELL-KI schließen. Das KWB entwickelt mit den Berliner Wasserbetrieben Verfahren zur Bestimmung der spezifischen Brunnenergiebigkeit im laufenden Betrieb. Im Projekt werden zwei Lösungsansätze entwickelt:
- Analytische Modelle: In einer Brunnengalerie wird die an einem Brunnen gemessene Absenkung oft nicht allein durch dessen eigene Förderung verursacht, sondern durch die benachbarten Brunnen überlagert (Interferenz). Um den unbeeinflussten Alterungsverlauf zu isolieren, wird der von den Nachbarbrunnen verursachte Absenkungsanteil durch analytische Modelle bestimmt und von der gemessenen Gesamtabsenkung abgezogen (Superposition). Es werden verschiedene analytische Ansätze auf Grundlage der erfassten Betriebsdaten getestet.
- Maschinelles Lernen: Erprobt werden mehrere Verfahren, darunter neuronale Netze, Random Forest und Gradient Boosting. Kann ein KI-Modell diese Einflüsse aus realen und synthetischen Betriebsdaten lernen und die Ergiebigkeit kontinuierlich bestimmen?
Ziel ist die Entwicklung eines robusten Prototyps zur Bestimmung der Qs -Wert -Entwicklung im Lebenszyklus eines Brunnens vom Neubau bis zum Ist-Zustand, welches als weitgehend autonomes Analyseverfahren in die Monitoringsysteme der BWB integriert werden kann.
Parallel wertet eine Literaturstudie (siehe Seitenleiste) den aktuellen Forschungsstand aus: Wie wirken sich Brunnenbetriebsdauer, Förderraten und Schaltintervalle auf die Brunnenergiebigkeit aus?
In zwei Workshops zum Thema Brunnenalterung werden wir Fachleute aus Praxis und Forschung zusammenbringen und Erfahrungen sowie Kenntnisse austauschen.