Bewertung der Auswirkungen von Grundwasserentnahme und Rissen in Betondämmen auf das Eindringen von Meerwasser mithilfe numerischer Modellierung und interpretierbarer maschineller Intelligenz

Warum Meerwasser unserem verborgenen Wasser gefährlich werden kann

Für viele Küstengemeinden stammt das verlässlichste Trinkwasser nicht aus Flüssen oder Stauseen, sondern aus unterirdischen Schichten aus Sand und Kies, die Süßwasser speichern. Wird zu viel Wasser aus diesen Aquiferen entnommen oder versagen schützende Strukturen, kann Meerwasser unterirdisch landeinwärts kriechen und die Süßwasservorräte versalzen. Dieser Artikel untersucht, wie sich diese verborgene Salzfront verhält, wenn Grundwasser gefördert wird und wenn ein unterirdischer Betondamm Risse entwickelt, und zeigt, wie moderne Computersimulationen und Werkzeuge des maschinellen Lernens Managern helfen können, Küstenaquifere zu schützen.

Der stille Vormarsch des salzigen Wassers unter der Erde

An einer Küste drückt das ins Meer fließende Süßwasser natürlich einen Keil des schwereren Meerwassers zurück. Wenn die Entnahme aus Brunnen zunimmt oder die natürliche Wiederbefüllung abnimmt, gerät dieses Gleichgewicht aus dem Ruder und der Salzweil kann landeinwärts vordringen, bis er schließlich Brunnen und Bewässerungsentnahmen erreicht. Ingenieure bauen manchmal unterirdische Dämme oder Abschottungsmauern unter der Oberfläche, um dieses Vordringen zu verlangsamen und den Weg, den Meerwasser nehmen kann, zu verengen. In der Praxis können diese Betonbarrieren jedoch Risse bekommen oder mit absichtlichen Öffnungen gebaut werden, wodurch etwas Meerwasser hindurchsickern kann. Zu verstehen, wie die Länge des Salzweils auf Förderungen und solche Bruchstellen reagiert, ist lebenswichtig, aber in Feldversuchen schwer direkt zu prüfen.

Von detaillierter Physik zu schlauen Abkürzungen

Die Autoren begannen mit einem vorhandenen Satz von 438 sorgfältig entworfenen Computersimulationen eines abfallenden Küstenaquifers, erstellt mit einem Grundwassermodell, das sowohl Wasserströmung als auch Salztransport verfolgt. In diesen Simulationen variierten sie acht Schlüsselfaktoren, alle ausgedrückt als einfache Verhältnisse: die Dichtedifferenz zwischen Süß- und Salzwasser, die Höhe und Breite der Rissöffnung im unterirdischen Damm, die Dammhöhe und die Entfernung zur Küste, die Tiefe und Entfernung des Brunnens zum Damm sowie die Förderrate. Für jedes Szenario lieferte das Modell die relative Länge des Salzweils im Vergleich zur Aquifertiefe – ein kompaktes Maß dafür, wie weit das Meerwasser landeinwärts gelangte. Dieser umfangreiche synthetische Datensatz diente als Trainingsgrundlage für eine Reihe von Modellen des maschinellen Lernens.

Maschinen beibringen, den salzigen Keil vorherzusagen

Sechs verschiedene Lernansätze wurden getestet, von einfacher linearer Regression bis hin zu flexibleren Techniken wie Entscheidungsbäumen, Random Forests und einer fortgeschrittenen Methode namens Extreme Gradient Boosting. Vor dem Training prüfte das Team die Daten auf Redundanzen und statistische Auffälligkeiten, verwendete Standardtests, um zu sehen, welche Eingaben echten Einfluss hatten und ob einige zu stark miteinander korrelierten. Dann nutzten sie eine automatisierte Suchstrategie, um die internen Einstellungen jedes Modells feinabzustimmen, und bewerteten die Leistung mit rigoroser Kreuzvalidierung. Klarer Sieger war die Ensemble-Familie der Modelle, insbesondere der Gradient‑Boosting‑Ansatz, der die simulierten Keillängen mit vernachlässigbar kleinen Fehlern reproduzierte.

Die Blackbox der Vorhersagen öffnen

Allein genaue Vorhersagen reichen Managern nicht aus; sie müssen auch verstehen, welche Stellschrauben am wichtigsten sind. Um das leistungsstärkste Modell transparenter zu machen, verwendeten die Autoren Werkzeuge, die erklären, wie jede Eingabe eine bestimmte Vorhersage nach oben oder unten beeinflusst. Diese Erklärungen zeigten, dass die Entnahmerate aus dem Brunnen die dominierende Steuergröße für die Keillänge ist: stärkere Förderung zieht das Meerwasser weiter landeinwärts. An zweiter Stelle kam die Höhe der Rissöffnung im Damm, gefolgt von deren Breite und der Entfernung zwischen Brunnen und Damm. Andere Faktoren, wie die Gesamthöhe des Damms oder die genaue Lage zur Küste, spielten zwar ebenfalls eine Rolle, waren innerhalb der getesteten Bereiche weniger einflussreich. Das Team bestätigte außerdem, dass ihr Modell eine separate Reihe detaillierter Simulationen für einen realen Küstenaquifer auf Zypern nachbilden konnte, was Vertrauen gibt, dass es über die ursprünglichen Trainingsfälle hinaus anwendbar ist.

Komplexe Wissenschaft in brauchbare Werkzeuge verwandeln

Um diese Einsichten zugänglich zu machen, verpackten die Autoren das trainierte Modell in einfache Desktop‑ und Weboberflächen. Anstatt aufwändige physikbasierte Simulationen durchzuführen, kann ein Verantwortlicher nun ein paar dimensionslose Verhältnisse eingeben – die Förderrate, die Dammgeometrie und die Rissgröße repräsentierend – und sofort eine Schätzung erhalten, wie weit landeinwärts der Salzweil voraussichtlich reicht. Effektiv zeigt die Studie, dass ein sorgfältig trainiertes datengetriebenes Modell viele aufwendige numerische Berechnungen ersetzen kann, während es dennoch die zugrunde liegende Physik widerspiegelt.

Was das für Küstenwassernutzer bedeutet

Die Arbeit zeigt, dass der sich landeinwärts schleichende Vormarsch des Meerwassers schnell und verlässlich mit maschinellem Lernen vorhergesagt werden kann, das auf hochwertigen Simulationen trainiert wurde. Für Laien ist die Kernbotschaft einfach: Wie stark wir Küstengrundwasser fördern und wie gut wir unterirdische Barrieren entwerfen und instand halten, beeinflusst direkt, ob Brunnen frisch bleiben oder versalzen. Indem die Studie aufzeigt, welche Entwurfsentscheidungen und Betriebsbedingungen am wichtigsten sind, und dieses Wissen in benutzerfreundlicher Software bereitstellt, bietet sie ein praktisches Entscheidungsinstrument zum Schutz knapper Süßwasserressourcen in küstennahen Regionen unter wachsendem Druck.

Zitation: Armanuos, A.M., Zeleňáková, M. & Elshaarawy, M.K. Assessing the impact of groundwater abstraction and concrete dam fractures on saltwater intrusion using numerical modeling and interpretable machine learning. Sci Rep 16, 8940 (2026). https://doi.org/10.1038/s41598-025-27998-4

Schlüsselwörter: Meerwassereindringen, küstenaler Aquifer, Grundwasserförderung, unterirdischer Damm, maschinelles Lernen