Das Projekt RainDrop entwickelt ein hydrodynamisches Planungstool, mit dem blau-grüne Infrastrukturen über reale klimatische Langzeitreihen dimensioniert werden. Um eine kostenoptimierte Auslegung eines Mulden-Rigolen-Elements je zulässiger Überlaufhäufigkeit mit dem Planungstool bestimmen zu können wurde wird ein deterministischer Bisektions-Optimierer vorgestellt (R-Paket kwb.raindrop). Für die Standorte Wien und Bad Aussee (15-jährige Klimareihen 2011-2025) findet der Optimierer mit rund einem Fünftel der Simulationsläufe durchweg günstigere Designs (im Median -6,5 %, bis -16 %) als die beste Rasterzelle in einem Lösungsraum mit äquidistaner Parametervariation, da Muldenfläche, Muldentiefe und Rigolen-Speicherhöhe stufenlos gesucht werden. Ein Suchpfad-Monte-Carlo bestätigt die Robustheit der gefundenen Optima.

Für das Wassermanagement urbaner Gewässersysteme werden schnelle und zugleich ausreichend belastbare Modellansätze benötigt, um beispielsweise Stoffeinträge, Abwasseranteile oder Auswirkungen zukünftiger Randbedingungen bewerten zu können. Am Beispiel Berlins wurde hierfür das Berlin Water Model als vereinfachtes dynamisches Mischungsmodell entwickelt, das für 35 Gewässerabschnitte Durchflüsse, Stoffkonzentrationen sowie Anteile von gereinigtem Abwasser, Regenabfluss und Mischwasserüberläufen in stündlicher oder täglicher Auflösung berechnet. Die Validierung mit Ergebnissen hydrodynamischer Modelle und Messdaten zeigt eine gute Übereinstimmung, auch bei Sonderfällen wie Fließumkehr. Mit dem Modell können Hotspots und Überschreitungshäufigkeiten identifiziert und die Ergebnisse als Karte dargestellt werden. Das Modell eignet sich somit für Substanzmapping und Szenarien-rechnungen zur Unterstützung des Berliner Wassermanagements.

Urban water-quality management often depends on sparse and irregular monitoring data. This is particularly challenging in the context of microbiological hazards, where grab samples may fail to capture short-lived contamination peaks. The AQUAMON project develops an integrated monitoring and decision-support framework combining advanced sensors, automated monitoring, data-driven models and digital tools. Its objective is to transform heterogeneous monitoring data into actionable information for timely, risk-informed water management.

Within AQUAMON, KWB contributes two Bayesian approaches for supporting decisions under limited and uncertain data.

First, a quantitative microbial and chemical risk assessment (QMRA/QCRA) will combine literature-derived knowledge with site-specific observations using Bayesian networks and inferential methods. In the Turin use case, human-health and environmental risks will be assessed along the water-reuse chain, from raw wastewater through treatment and irrigation to exposure via crop consumption and direct contact, including contaminant fate in soil and potential transfer to groundwater. As monitoring data accumulates, the assessment will be updated sequentially, showing how risk estimates and uncertainties evolve and where additional data provide the greatest value. Applications are also planned in Lviv and London.

Second, an enhanced version of KWB’s early-warning model SWIM:AI will support adaptive bathing-water monitoring in Paris. Using rainfall, river-flow and E. coli data, the model predicts bathing-water quality and quantifies predictive uncertainty. Bayesian novelty detection will identify situations where existing information is insufficient and trigger on-demand E. coli measurements using the Fluidion ALERT in-situ sensor. New observations will then be incorporated into subsequent predictions.

Together, these approaches aim to move from fixed monitoring towards uncertainty-aware, adaptive monitoring that collects additional data where they provide the greatest value for risk-informed decisions. As AQUAMON runs until the end of 2028, the poster presents the methodological framework and planned applications rather than project results.

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.