Eine Übersicht aller Sessions/Sitzungen dieser Veranstaltung. Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.
22: Künstliche Intelligenz und Machine Learning in der Grundwasserforschung
Zeit:
Samstag, 23.03.2024:
10:30 - 12:00
Chair der Sitzung: Tanja Liesch, Karlsruher Institut für Technologie KIT Chair der Sitzung: Stefan Broda, Bundesanstalt für Geowissenschaften und Rohstoffe
Ort:Konferenzraum 1
Sitzungsthemen:
22. Künstliche Intelligenz und Machine Learning in der Grundwasserforschung
Präsentationen
10:30 - 10:45 ID: 142 / Thema 22: 1 Vortrag Themen: 22. Künstliche Intelligenz und Machine Learning in der Grundwasserforschung
Globale Entity-Aware Deep Learning Modelle für die Grundwasserstandsvorhersage
Benedikt Heudorfer1, Tanja Liesch1, Stefan Broda2
1Karlsruher Institut für Technologie (KIT), Institut für angewandte Geowissenschaften, Kaiserstr. 12, 76131 Karlsruhe; 2Bundesanstalt für Geowissenschaften und Rohstoffe (BGR), Wilhelmstr. 25–30, 13593 Berlin
10:45 - 11:00 ID: 318 / Thema 22: 2 Vortrag Themen: 22. Künstliche Intelligenz und Machine Learning in der Grundwasserforschung
Entwicklung eines globalen Modells für kurzfristige Grundwasserstandsvorhersagen unter Anwendung des Temporal Fusion Transformers
Alexander Schulz2, Stefan Kunz1, Maximilian Nölscher1, Maria Wetzel1, Stefan Broda1, Felix Biessmann2
1Bundesanstalt für Geowissenschaften und Rohstoffe, Deutschland; 2Berliner Hochschule für Technik (BHT)
11:00 - 11:15 ID: 238 / Thema 22: 3 Vortrag Themen: 22. Künstliche Intelligenz und Machine Learning in der Grundwasserforschung Stichworte: 20
ML-basierte Ersatzmodelle in der Kalibrierung und Unsicherheitsberechnung aufwändiger Modelle der gesättigt-ungesättigten Untergrundströmung
Olaf Cirpka1, Jonas Allgeier2
1Universität Tübingen, Deutschland; 2BoSS Consult GmbH, Stuttgart, Deutschland
11:15 - 11:30 ID: 162 / Thema 22: 4 Vortrag Themen: 22. Künstliche Intelligenz und Machine Learning in der Grundwasserforschung
Prognose von Grabenstrukturen mittels Random Forest