Ein neuer am DFKI entwickelter KI-Ansatz kann nun Extremereignisse wie Starkregen, Überflutungen, überlastete Kanalisationen realistisch simulieren.
Die Wasserwirtschaft hat in den vergangenen Jahren weiter Fortschritte bei Digitalisierung und Automatisierung gemacht. Sensoren erfassen Pegelstände, Modelle prognostizieren Abflüsse – meistens funktioniert alles einwandfrei, solange Normalbetrieb herrscht. Doch historische Daten spiegeln Extremereignisse wie Starkregen nur selten wider. In einem Forschungsprojekt untersucht das Deutsche Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) dazu, wie generative KI-Modelle diese Lücke schließen können. Sie lernen reale Verteilungen und generieren synthetische Zeitreihen, die auch seltene Extreme plausibel abbilden. Laut DFKI zeigen Forschungsergebnisse, dass solche Daten die Präzision von Vorhersagemodellen deutlich steigern. Manche erreichen mit ausschließlich KI-generierten Daten gar die Qualität realer Messreihen. In einer Kooperation mit Dr. Amin E. Bakhshipour aus dem Fachbereich Bauingenieurwesen der RPTU gelang es, theoretische KI-Modelle des DFKI mit fundierten hydrologischen Praxisdaten zu verknüpfen. Durch diesen direkten Austausch zwischen Informatik-Expertise und tiefem Wissen in der Siedlungswasserwirtschaft konnte das KI-Modell optimal auf die spezifischen Herausforderungen von Kanalnetz-Dynamiken trainiert werden.
Professor Andreas Dengel, Geschäftsführender Direktor und Leiter des Bereichs „Smarte Daten & Wissensdienste“, treibt am DFKI solche Ansätze voran, gemeinsam mit den anderen ansässigen Forschungsbereichen. So testen Forschende KI-Systeme direkt am Abwassersystem der Stadt und knüpfen Kooperationen mit bundesweiten Institutionen.
Im Kern handelt es sich bei dem DFKI-System um ein datengetriebenes Vorhersagesystem für die Kanalhydraulik, das auf Zeitreihen von Niederschlag und gemessenen Wasserständen basiert. Die KI prognostiziert die Entwicklung von Wasserständen im Kanalnetz mit einem Vorhersagehorizont von bis zu 60 Minuten. Dabei werden sowohl der aktuelle Verlauf als auch zukünftige Zustände als mehrstufige Zeitreihe modelliert.
Die zugrunde liegende räumliche Auflösung orientiert sich aktuell am aggregierten Systemverhalten (in dem Testfall des DFKI am Einzugsgebiet Kaiserslautern), und nicht an hochaufgelösten Rastermodellen.
Zeitlich basiert das Modell auf Messdaten im Minutenbereich während Niederschlagsereignissen; als Eingabe dienen jeweils 150 Minuten Historie zur Vorhersage der folgenden Stunde.
Hinsichtlich der Datenanforderungen stehen zwei Größen im Zentrum: zuverlässige Niederschlagszeitreihen sowie qualitativ hochwertige Wasserstandsmessungen im Kanalnetz. Letztere haben sich, so das DFKI, im Projekt als besonders robuste und aussagekräftige Zielgröße erwiesen. Entsprechend sei eine konsistente und synchronisierte Datenbasis eine zentrale Voraussetzung für den Einsatz in Kommunen.
Im Vergleich zu klassischen Verfahren liegt der wesentliche Unterschied darin, dass keine physikalischen Gleichungen explizit gelöst werden. Während hydrodynamische Modelle auf numerischen Lösungen basieren und entsprechend rechenintensiv sind, lernt der KI-Ansatz die Systemdynamik direkt aus Daten. Besonders relevant ist dabei der Einsatz generativer Modelle zur Erzeugung synthetischer Trainingsdaten, insbesondere für seltene Extremereignisse, die in realen Messdaten oft unterrepräsentiert sind.
Perspektivisch lassen sich, so das DFKI, physikbasierte Modelle jedoch auch als ergänzende Datenquelle integrieren. Daraus ergeben sich mehrere Vorteile: eine verbesserte Abbildung seltener Starkregenereignisse, realitätsnahe statistische Eigenschaften der generierten Daten sowie eine nachweislich höhere Prognosegüte durch die Kombination realer und synthetischer Daten. Validiert wurde dies unter anderem über Verteilungsvergleiche sowie Fehlermaße (z.B. MSE) in unterschiedlichen Trainingsszenarien.
Die Lösung lässt sich konzeptionell als Erweiterung bestehender Workflows verstehen, insbesondere als Datenaugmentierungs- und Prognoseschicht innerhalb etablierter Zeitreihen- oder Simulationspipelines. Anwendungsfelder sieht das DFKI vor allem in der Analyse von Kanalnetzreaktionen bei Starkregen, im Kontext von Mischwasserüberläufen sowie in der Infrastrukturplanung und im Katastrophenschutz.
Der aktuelle Entwicklungsstand ist forschungsnah: Es handelt sich um einen validierten Prototyp, der auf realen Messdaten aus Kaiserslautern (2020–2021) getestet wurde. Praxisanwendungen im operativen Einsatz befinden sich noch nicht im Fokus, die Ergebnisse zeigen jedoch das Potenzial für eine Integration in bestehende Systeme.
www.dfki.de