Bestimmung bodenhydraulischer Kennwerte mittels hydrodynamisch - numerischer Modelle und künstlicher neuronaler Netze
Trotz erheblicher Forschungsanstrengungen führen Berechnungen von Wasser- und Stofftransportprozessen im Feldmaßstab meist noch zu unbefriedigenden Ergebnissen. Dies liegt wohl im wesentlichen am Problem der Bestimmung aussagekräftiger boden- hydraulischer Kennfunktionen zur Darstellung von Retention und Leitfähigkeit. In Verbindung mit einem geeigneten neuronalen Netzwerk (ANN) will das Forschungsprojekt die Parameterbestimmung zur Charakterisierung dieser bodenhydraulischen Eigenschaften nicht nur über eine bessere Ausschöpfung der Messinformationen verbessern, sondern auch vereinfachen und standardisieren. Dabei soll das einfach zu betreibende ANN zum einen die höchst aufwendige, komplizierte und mit numerischen Fehlern und Instabilitäten behaftete inverse Methode ablösen. Zum anderen sollen die Untersuchungen zeigen, ob es sich empfiehlt, die herkömmlichen empirischen Bodenmodelle komplett durch ein ANN zu ersetzen.
Versuchsaufbau RIAN
Dafür simuliert zunächst ein physikalisch begründetes Strömungsmodell eine erschöpfende Palette von Strömungsszenarien für verschiedene Böden, Fließzustände und Randbedingungen. Diese dienen einem entsprechend konzipierten ANN als Lerngrundlage. In einem speziellen Versuchsaufbau erfolgt dazu die Durchführung verschiedener Experimente für die in der Natur vorkommenden Fließzustände (Versickerung, Verdunstung, Perkolation). Die Auswertung dieser Versuche mit der klassischen inversen Methode und dem angelernten ANN erlaubt dann die Bewertung der neuen Strategie. Ein Vergleich mit der inversen Methode (Annealing-Simplex) zeigt eine ähnlich hohe Vorhersagegüte beider Ansätze für synthetische and reale Versuchsdaten. Allerdings sind die Ergebnisse der inversen Methode abhängig von den Startwerten, die für das ANN nicht notwendig sind.. Betrachtet man den erforderlichen Aufwand, ist das Anlernen des Netzwerkes aufwendiger als die inverse Methode, die eine solche Prozedur nicht benötigt, während in der Anwendung das absolut stabile und einfache Netz mit geringsten Resourcen auskommt. Deshalb ist für einzelne Anwendungen der Ansatz mit den ANN der inversen Methode unterlegen. Aber, da das ANN nur einmal trainiert werden muss, ist es der inversen Methode bei einer größeren Zahl von Laborexperimenten mit standardisiertem Versuchsaufbau überlegen.
Zeitraum: März 2001 - Dez. 2005
Finanziert durch: DFG