Das Projekt entwickelt eine innovative Methode zur hochauflösenden 3D-Modellierung der Geometrie und Strukturen oberflächennaher, eiszeitlich gebildeter Grundwasserleiter im Raum Berlin-Brandenburg. Bohrlochdaten und hydrogeologische Profile werden mithilfe künstlicher neuronaler Netze automatisiert digitalisiert und erreichen eine Modellgenauigkeit von bis zu 98%. Die daraus resultierenden Untergrundmodelle werden in 3D-Grundwasserströmungsmodelle überführt, um Technologien der Wasserbewirtschaftung, wie künstliche Grundwasseranreicherung (Managed Aquifer Recharge, MAR) und Nature-based Solutions (z. B. Süßwasserinjektion zur Vermeidung von Salzaufstieg) zu analysieren. Ziel ist die Identifikation optimaler Infiltrations- und Injektionsstandorte sowie Mengen und Zeitpunkte.

Dieser integrative Ansatz kombiniert Deep Learning, Strömungs- und geologische Modellierung mit Optimierung und Feldmessungen und bietet eine belastbare Entscheidungsunterstützung zur Abmilderung von Folgen des Klimawandels, Erhaltung der Grundwasserqualität und nachhaltigen Wasserbewirtschaftung und der Minimierung des Salzaufstiegs.