Boulder-Detection mit Machine Learning

Die Pfeiler der Windräder von Offshore-Windparks werden tief in den Schichten unterhalb des Meeresbodens verankert. Große Gesteinsbrocken stellen dabei Hindernisse dar, die man vorab erkennen muss, um die exakte Positionierung der Windräder zu planen. Die seismischen Datensätze, die zur allgemeinen Standsicherheitsbestimmung gemessenen werden, reichen hier nicht aus. Mit neuen Machine-Learning-Methoden können wir Muster im Untergrund schneller erkennen und einordnen.

Bisherige Auswerteverfahren der seismischen Datensätze enthüllen zwar die Gesteinsschichtungen des Untergrundes, weisen allerdings einen zu geringen Frequenzgehalt auf, um Felsen im Bereich von 1m Durchmesser als reflektierende Objekte zu erkennen. Deshalb untersuchen wir auch die Regionen, in denen eine Streuung der Wellen mit nur schwachen Amplituden stattgefunden hat.

Ausschnitt aus dem aus seismischen Daten errechnetem Untergrundabbild.
© Fraunhofer ITWM
Ausschnitt aus dem aus seismischen Daten errechnetem Untergrundabbild; Farbspots zeigen Orte hoher Wahrscheinlichkeit für das Vorliegen von Felsbrocken an.
Illuminationsdarstellung eines Untergrundbereiches, für den ein Felsbrocken identifiziert wurde.
© Fraunhofer ITWM
Illuminationsdarstellung eines Untergrundbereiches, für den ein Felsbrocken identifiziert wurde; das Fadenkreuz liegt im Symmetriezentrum des identifizierten Musters und zeigt die Position des Felsbrockens an.

Mustererkennung in Untergrundabbildungen

In einem vom Bundesministerium für Wirtschaft und Energie geförderten Projekt haben wir mit Kollegen vom Fraunhofer-Institut für Windenergiesysteme IWES einen Prozess entwickelt, der diese Streuung (Diffraktion) in ein typisches Muster in seismischen Untergrundabbildungen überführt. Die Aufgabe, diese Muster oder Diffraktionsobjekte zu erkennen, ist vergleichbar mit der Zuweisung von Pixeln in Photographien zu Objektklassen, wie sie mithilfe tiefer Neuronaler Netze (Deep Learning) möglich ist.

Unser Anwendungsfall beinhaltet ein wesentlich höher-dimensionales Problem, da bereits bei 2D-Untergrundabbildungen zwei weitere Dimensionen hinzukommen: die Beleuchtungsrichtung und die Abhängigkeit vom für die Bilderstellung verwendeten Geschwindigkeitsmodell. Des Weiteren ist der Erduntergrund nicht der direkten Anschauung zugänglich, so dass die Netzwerke anhand realistisch verfremdeter synthetischer Daten trainiert werden müssen.

 

Anwendernutzen: Reduzierte Datenmenge

Die Anwendungsergebnisse zeigen, dass das Transfer-Learning von synthetischen zu realen Daten gelingt und dass unsere aus einer Vielzahl von Convolutions-Schichten bestehenden Netzwerke die notwendige Komplexität aufweisen, um auch in verrauschten Untergrundabbildungen Wahrscheinlichkeiten für das Vorhandensein von Störobjekten mit einer räumlichen Auflösung von 1m zu errechnen. Der Nutzen für den User ergibt sich damit aus der erheblichen Reduktion der Menge an Daten aus dem gesamten hoch-dimensionalen Datensatz, die er selbst interpretieren muss.