Ein multidisziplinäres Forschungsteam hat ein physikgestütztes Mixture Density Network (PgMDN) entwickelt, das die Vorhersage von seitlichen Entnahmeabflüssen in großen Kanalsystemen deutlich verbessert – ein entscheidender Faktor für das Management von Fernwassertransfers. Die am 7. Mai 2026 in Environmental Science and Ecotechnology veröffentlichte Studie (DOI: 10.1016/j.ese.2026.100703) befasst sich mit der Herausforderung unvorhersehbarer Wasserableitungen, die oft eine zuverlässige Wasserversorgung beeinträchtigen.
Seitliche Entnahmeabflüsse – Wasser, das über Seitenkanäle aus Hauptkanälen abgeleitet wird – weichen aufgrund von Echtzeit-Hydraulikzuständen und ungeplanten Schützbetätigungen häufig von den geplanten Zielwerten ab. Diese Abweichungen erzeugen mehrgipflige, stark unsichere Strömungsverteilungen, die mit traditionellen physikbasierten Methoden nur schwer effizient modelliert werden können, während rein datengetriebene Ansätze komplexe Muster nicht erfassen, insbesondere bei Datenknappheit. Das neue PgMDN integriert physikalische Gesetze der Hydraulik in einen probabilistischen Deep-Learning-Rahmen, um sowohl die Punktvorhersagegenauigkeit als auch die Unsicherheitsquantifizierung zu verbessern.
Im Gegensatz zu standardmäßigen Mixture Density Networks, die ausschließlich auf Datenanpassung beruhen, integriert das PgMDN zwei physikalische Randbedingungen direkt in seine Verlustfunktion. Erstens fördert es die lokale Massenbilanzkonsistenz, indem es die vorhergesagten mittleren Abflüsse mit den aus einem vereinfachten hydraulischen Modell abgeleiteten Zufluss-Abfluss-Werten abgleicht. Zweitens wird eine Konsistenzregel auferlegt: Wenn sich die vorhergesagten mittleren Strömungsgeschwindigkeiten schnell ändern – was auf Betriebswechsel oder plötzliche Schützbewegungen hindeutet –, erhöht sich die Unsicherheit des Modells entsprechend, um übermütige Vorhersagen während instabiler Bedingungen zu vermeiden.
Getestet mit realen Daten von zwei Abschnitten des chinesischen Süd-Nord-Wassertransferprojekts reduzierte das PgMDN den mittleren absoluten Fehler (MAE) um mehr als 25 % und den Wurzel der mittleren quadratischen Abweichung (RMSE) um über 25 % im Vergleich zu standardmäßigen MDNs. Die Zuverlässigkeit verbesserte sich von 0,45 auf 0,82 bei einem Konfidenzniveau von 90 %. Das Modell behielt auch bei bewusst reduzierten Trainingsdaten eine stabile Leistung bei und zeigte eine starke Generalisierungsfähigkeit unter datenarmen Bedingungen. Mittels SHapley Additive exPlanations (SHAP)-Analyse identifizierte das Team Wasserspiegelschwankungen und Randzuflüsse als die dominierenden Treiber der Vorhersageunsicherheit, was die Interpretierbarkeit der Modellvorhersagen erhöht.
Laut den Autoren: „Wir wollten ein Modell, das nicht nur eine einzelne Zahl liefert, sondern den Betreibern auch sagt, wie sehr sie dieser Zahl vertrauen können. Durch die Integration von zwei einfachen physikalischen Regeln in den Lernprozess – Förderung der lokalen Massenbilanzkonsistenz und Verknüpfung plötzlicher Strömungsänderungen mit größerer Unsicherheit – erhielten wir viel zuverlässigere Vorhersagen, selbst bei begrenzten Daten. Es ist, als ob man der KI grundlegende Hydraulik beibringt, damit sie keine physikalisch unmöglichen Schätzungen macht.“
Dieser Ansatz ermöglicht eine flexiblere Wasserzuteilung in Echtzeit. Betreiber können probabilistische Vorhersagen nutzen, um Sicherheitsmargen anzupassen, Schützbetätigungen zu optimieren und effektiver auf unerwartete Ereignisse wie ungeplante Entnahmen zu reagieren. Das Rahmenwerk ist skalierbar und kann in bestehende hydrodynamische Modelle integriert werden, um plausible Wasserstandsspannen unter verschiedenen Szenarien abzuschätzen. Durch die Verbindung physikalischen Verständnisses mit datengetriebenem Lernen bietet das PgMDN einen praktischen Weg zu einem widerstandsfähigen Management großer Wassersysteme, insbesondere in Regionen mit zunehmender hydrologischer Variabilität. Es öffnet auch die Tür für ähnliche Hybridmodelle in anderen umwelttechnischen Infrastrukturanwendungen, vom Hochwasserschutz bis zu Wasserverteilnetzen.
Die Forschung wurde von Teams der Wuhan-Universität in China, der Bau- und Verwaltungsbehörde der Mitteltrasse des Süd-Nord-Wassertransferprojekts, der University of Exeter im Vereinigten Königreich und des KWR Water Research Institute in den Niederlanden durchgeführt. Die Finanzierung erfolgte durch das National Key Research and Development Program of China [Fördernummer 2024YFC3211800] und das China Scholarship Council (CSC) [Fördernummer 202406270118].
