Arbeitspakete

1. Monitoringstrategie und seismische Detektion

Um die genaue Bestimmung der Kies- und Sandschichten sowie der Feinsedimentmasse in einem Baggersee zu ermöglichen, wird mit einem SES 2000 compact (Innomar) Sub-Bottom Profiler, welcher in der Lage ist mit Schallwellen bis zu 40 m in das Sediment einzudringen und die Schichtung wiederzugeben, eine neue Bestimmungsmethodik entwickelt. Es werden mehrere Frequenzen genutzt, wobei eine hohe (180 kHz – Multibeam Echolot) die flächendeckend die Oberkante der Gewässersohle (Feinsedimentschicht) und weitere niedrige (4-15 kHz – Parametrischer Sub-Bottom Profiler) die Schichtung und den Übergang zu Kies- oder Sandlagen erfasst (Abbildung unten). Aus der niedrigen Frequenz lassen sich Schichten mit unterschiedlicher Korngrößenverteilung und unterschiedlicher Lagerungsdichte anhand ihrer Dichteunterschiede mit einer Auflösung < 5 cm akustisch erkennen und mit den Sedimenteigenschaften der Bohrkerne korrelieren.

Die Nutzung von Echoloten hat den Vorteil, dass in relativ kurzer Zeit große Flächen erfasst und Informationen über das Sediment erhoben werden können. So soll eine genaue drei-dimensionale Bestimmung der überdeckenden Feinsedimentmengen ermöglicht werden. Die Sedimentmächtigkeiten wie auch bspw. die Korngrößenverteilung werden in 3D-Modellen dargestellt und stehen so dem Baggerseebetreiber direkt zur Optimierung des laufenden Baggerbetriebs zur Verfügung.

Damit die 3D-Modelle hochgenau die Verteilung der Ressourcen wiedergeben können, müssen die Peillinien in einem sehr kleinen Abstand (~ 5 m) gefahren werden. Um die damit steigenden Kosten für eine Echoloterkundung möglichst gering zu halten, wird die Vermessungsmethodik mit einem Drohnenboot (Calypso, dotOcean) und neuen Bearbeitungsroutinen der hydroakustischen multi-frequenten Datensätze optimiert. Das Drohnenboot trägt die Energieversorgung, einen PC, ein GPS sowie eines oder mehrere Echolote und ist in der Lage hochgenau Peillinien abzufahren.

2. Physikalisch und chemisch-mineralogische Sedimentcharakterisierung

Entscheidend für den Erfolg der Methodenentwicklung zur Echoloterkundung sind Validierungsbohrungen, welche durch die gesamte Feinsedimentschicht bis in den Kies- oder Sandkörper hineinreichen.  Jede Bohrung wird aus bis zu zehn zweimeterlangen Segmenten, die wiederum in 5 cm Abschnitte eingeteilt werden, bestehen. Diese werden tiefenaufgelöst beprobt.

Für jede Probe wird eine Reihe von physikalischen Parametern bestimmt, darunter die Lagerungsdichte und Korngrößenverteilung. Diese Parameter werden mit den seismischen Reflektionseigenschaften aus der Echolotsondierung verglichen und mittels Machine Learning ausgewertet. Hieraus werden Schallmuster identifiziert, welche dann als Basis für die automatisierte Bestimmung der Sedimentschichten in weiteren Baggerseen dienen können.

Die Entwicklung präziser Klassifizierungs- und Detektionsmethoden setzt eine umfassende physikalische und chemisch-mineralogische Charakterisierung der Feinsedimente zur Berechnung der Schallgeschwindigkeit im Sedimentkörper voraus. Im Projekt Kiesdetektion werden neben den bereits aufgeführten physikalischen Parametern die chemisch-mineralogische Zusammensetzung analysiert werden.

Die Charakterisierung orientiert sich zum einen an den zur Validierung der Detektionsmethoden notwendigen Parametern und, die Umweltverträglichkeit betreffend, zum anderen an den Vorgaben des Berichts der LAWA 2016 (Ableitung von Geringfügigkeitsschwellenwerten für das Grundwasser; Bund-/Länderarbeitsgemeinschaft Wasser), und umfasst im Einzelnen die Parameter Geruch, Farbe, allgemeines Erscheinungsbild, Wassergehalt, Dichte, Korngrößenverteilung, Mineralogie, Chemismus (insbesondere Schwermetallgehalt) und Gehalt an organischen Bestandteilen. Zur qualitativen bzw. quantitativen Bestimmung der Parameter kommen u.a. folgende Analysenmethoden zum Einsatz: Digitalmikroskopie, Lasergranulometrie, Röntgendiffraktometrie (XRD), Röntgenfluoreszenzanalyse (RFA), Mikrowellenplasma-Atomemissionsspektrometer (MP-AES), nasschemische Analysen, Kohlenstoff-Schwefel-Analyse (CSA). Basierend auf den physikalischen Eigenschaften werden die Schallgeschwindigkeiten der verschiedenen Sedimente berechnet. Diese dienen zum einen zur direkten Korrektur der seismischen Daten, werden aber auch für die Berechnungen der Neuronalen Netze benötigt.

3. Machine Learning zur Optimierung seismischer Bildgebungsverfahren

Auf Grund der hohen Dichte der Peillinien mittels Drohnenbooteinsatz, werden große Datensätze erzeugt. Um diese optimal zu nutzen bedarf, es einer Weiterentwicklung von Verarbeitungsroutinen seismischer bildgebender Daten. Deren Ziel ist es, die Komplexität der seismischen Profile auf die wesentlichen Strukturen des Sedimentkörpers zu reduzieren um so eine fehlerfreie Interpretation zu gewährleisten, wobei gleichzeitig die Geometrie zur quantitativ volumetrischen Erfassung der Vorkommen so exakt wie möglich bestimmt wird. Es bietet sich die Nutzung von innovativen Machine Learning Algorithmen an. Die Optimierung der Verarbeitungsroutinen gliedert sich in zwei Bereiche:

• Für die stratigraphische Segmentierung kommen zunächst zwei unterschiedliche Ansätze in Betracht. Deep Convolutional Neural Networks (CNN) können anhand der Bohrungsdaten trainiert werden um die Bilder zu segmentieren und so stratigraphische Einheiten voneinander zu unterscheiden. Alternativ können Generative Adversarial Networks (GAN) eingesetzt werden. Mit Hilfe von GAN lassen sich Bilder eines Objektraums in unterschiedlichen Domänen repräsentieren und ineinander umwandeln. In diesem Fall soll durch das GAN eine direkte Korrespondenz zwischen der stratigraphischen Erfassung des Bohrkerns und der seismischen Spur an diesem Ort gefunden werden. Nach der Trainingsphase kann das GAN zur Interpretation des gesamten seismischen Profils verwendet werden. Gleichzeitig können mit Hilfe der GAN die extrem dicht aufgenommenen seismischen Datensätze (~5 m Linienabstand) weiter in ihrer Auflösung verbessert werden, um Grenzschichten zwischen Sedimenttypen ähnlicher Dichte noch besser abzubilden und eine hochaufgelöste 3D-gerenderte Sedimentkarte zu erzeugen. In beiden Fällen werden die Netze mit den physikalisch, chemisch-mineralogischen Parametern aus den Bohrungen trainiert. Da die benötigte Anzahl an Bohrungen (ca. 500) als Trainingsdaten der CNN im Rahmen des Projekts nicht realisierbar ist, wird versucht über Daten Augmentierung eine realistische Anzahl an Trainingsdaten zu erreichen. Um den Trainingsdatensatz zu vergrößern kann zusätzlich eine Reihe kurzer (< 2m) Sedimentkerne entnommen werden.

• Der zweite Punkt betrifft die Anwendung von geostatistischen 3D-Interpolationsverfahren zur bestmöglichen Detektion und Abgrenzung von Ressourcenvolumina. Hierzu gehört die Entwicklung bzw. Anpassung entsprechender geometrischen Verfahren zur Interpolation nominalskalierter stratigraphischer Modelle