Tieftes Lernen zur Umkehrung von Wassergehalt und Relaxationszeit in wasserführenden Klüftzonen basierend auf oberflächenbasierten NMR-Daten

Warum verborgenes Wasser in Gesteinsklüften wichtig ist

Tief unter unseren Füßen fließt Wasser oft durch winzige Risse im Gestein. Diese verborgenen Adern können sowohl eine wichtige Ressource als auch eine ernsthafte Gefahr sein: Sie versorgen Trinkwasser, können aber auch Bergwerke überfluten, Tunnel schwächen und Erdrutsche auslösen. Die hier zusammengefasste Studie stellt einen neuen Weg vor, solche wassergefüllten Klüftenzonen von der Oberfläche aus zu erkennen, indem eine spezialisierte magnetische Methode mit modernem Deep Learning kombiniert wird. Ziel ist es, nicht nur zu lokalisieren, wo Grundwasser ist, sondern auch, wie es gespeichert wird und wie leicht es sich bewegen kann — entscheidende Informationen für sichere Ingenieurmaßnahmen und nachhaltige Wassernutzung.

Wasser mithilfe subtiler Magnetsignale hören

Die Arbeit baut auf einer Technik namens oberflächennahe Kernspinresonanz (surface nuclear magnetic resonance, NMR) auf, die unter geophysikalischen Methoden ungewöhnlich ist, weil sie direkt auf den Wasserstoff im flüssigen Wasser anspricht. Am Boden senden Drahtschleifen sorgfältig abgestimmte Pulse in die Erde und lauschen dann nach schwachen, echoähnlichen Signalen des unterirdischen Wassers. Diese Signale klingen über die Zeit mit Raten ab, die davon abhängen, wie Wasser im Gestein gebunden ist. Breite, schwammartige Poren zeigen einen bestimmten Zerfall, während schmale Klüfte einen anderen aufweisen. Prinzipiell kann dieses zeitliche Verhalten nicht nur verraten, wie viel Wasser vorhanden ist, sondern auch, ob es in porösen Schichten sitzt oder in Netzwerken von Rissen, die den Fluss lenken und plötzliche Lecks oder Überflutungen verursachen können.

Die Grenzen traditioneller Untergrundbilder

Konventionelle Methoden, um diese Signale in Abbildungen des Untergrunds zu überführen, beruhen darauf, mathematische Modelle iterativ an die gemessenen Daten anzupassen. Dieses etablierte „QT-Inversions“-Verfahren funktioniert gut für breite, wasserreiche Aquifere, hat jedoch Schwierigkeiten mit dünnen oder tief liegenden Klüftenzonen. Ihre Signale sind schwächer, oft von überlagernden, wasserreicheren Schichten verdeckt und können durch die Regularisierungstricks, mit denen die Rechnung stabil gehalten wird, geglättet werden. Der Prozess ist außerdem rechenintensiv: Um ein verlässliches Bild zu erhalten, müssen Experten Straftermine und Randbedingungen wiederholt anpassen, was langsam ist und sich nicht ideal für Entscheidungen in Echtzeit bei Bergbau- oder Tunnelprojekten eignet.

Ein neuronales Netz beibringen, Klüfte zu erkennen

Um diese Grenzen zu überwinden, formulierten die Autoren das Problem als Mustererkennung. Sie erzeugten tausende realistische synthetische Modelle der unterirdischen Geologie und kombinierten geschichtete poröse Aquifere mit zufällig generierten Klufnetzwerken unterschiedlicher Längen, Winkel und Dichten. Für jedes Modell simulierten sie die erwarteten Kernspinresonanzsignale, fügten realistischen Rauschen hinzu und kennzeichneten die wahre unterirdische Verteilung von vier Schlüsselgrößen: Wassergehalt und Relaxationszeit sowohl für poröse Schichten als auch für Klüftenzonen. Anschließend trainierten sie ein Faltungsneuronales Netz (convolutional neural network) — eine auf Bilder ausgelegte Deep-Learning-Architektur — darauf, die direkte Abbildung von vollständigen Signalaufzeichnungen auf diese vier Untergrundkarten zu erlernen. Effektiv wird das Netz zu einer schnellen, gelernten „Inverse“, die einen Großteil der traditionellen Feinabstimmung umgeht.

Scharfere Bilder, schnellere Antworten

Tests an nicht gesehenen synthetischen Beispielen zeigten, dass das trainierte Netz poröse Aquifere von wassergefüllten Klüften in einer zweidimensionalen Querschnittsdarstellung klar unterscheiden konnte. Es reproduzierte die Formen und Positionen der Klüftenzonen, selbst wenn diese geneigt oder gehäuft waren, und erfasste deren charakteristisch längere Relaxationszeiten. An den Rändern kleiner, tiefer Strukturen, wo die Signale am schwächsten sind, traten einige Unschärfen und Unterschätzungen auf, doch insgesamt blieben die Fehler moderat. Im direkten Vergleich mit einer standardmäßigen regularisierten Inversion lieferte die Deep-Learning-Methode schärfere Grenzen, weniger Artefakte in der Tiefe und deutlich geringere mittlere Fehler — und das bei einer Verkürzung der tatsächlichen Inversionslaufzeit von etwa einer halben Stunde auf nur wenige Sekunden, sobald das Training abgeschlossen war. Robustheitstests mit zunehmenden Rauschpegeln zeigten, dass zwar feine Details verloren gehen, die wichtigsten Klüftenzonen und Aquifere aber selbst bei recht schlechten Signalbedingungen erkennbar bleiben.

Von numerischen Tests zum realen Gestein

Die Autoren wendeten ihr trainiertes Netz auf Feldmessungen aus einem Kohleabbaugebiet in Nordchina an, wo verwittertes Festgestein unter jüngeren Sedimenten ein klüftengesteuertes Aquifer beherbergt, das die Bergwerksicherheit bedrohen kann. Die Standardinversion zeigte das erwartete flache poröse Aquifer, aber keine klare tiefere Klüftenzone. Im Gegensatz dazu hob die Deep-Learning-Inversion eine deutlich bandartige, wasserführende Zone im gebrochenen Festgestein in Tiefen von etwa 18 bis 30 Metern entlang eines Teils der Messstrecke hervor. Unabhängige Bohrlochbeobachtungen bestätigten, dass dieses Intervall stark geklüftet und wasserführend war. Ein Pumpversuch in einem Bohrloch lieferte eine Abschätzung der Durchlässigkeit des Gesteins, die sehr gut — innerhalb von etwa zehn Prozent — mit den aus der neuen Inversion abgeleiteten Werten übereinstimmte und der Methode so reale Unterstützung gab.

Was das für Wasser und Sicherheit im Untergrund bedeutet

Kurz gesagt zeigt diese Studie, dass die Kombination einer wasserspezifischen Messmethode mit Deep Learning verborgene wassergefüllte Klüfte von der Oberfläche aus erheblich sichtbarer machen kann. Der Ansatz trennt langsam bewegtes Porenwasser von potenziell gefährlichem Kluftwasser und liefert Schätzungen, wie viel Wasser vorhanden ist und wie leicht es sich bewegt. Zwar hängt die Methode weiterhin von gutem Trainingsmaterial ab und kann sehr kleine oder tiefe Strukturen verschwimmen lassen, doch bietet sie eine schnelle, nicht-invasive Möglichkeit, riskante Klüftenzonen zu kartieren und so eine sicherere Bergwerksplanung, Tunnelkonstruktion und Grundwasserbewirtschaftung in komplexen Gesteinslandschaften zu unterstützen.

Zitation: Li, K., Li, H., Qiu, H. et al. Deep learning inversion of water content and relaxation time in water-bearing fracture zones based on surface NMR data. Sci Rep 16, 9292 (2026). https://doi.org/10.1038/s41598-026-40506-6

Schlüsselwörter: Grundwasser, Gesteinsklüfte, Kernspinresonanz, Deep Learning, Georisiken