Advertisement

Geologische Modellierung 4.0

Von statischen Modellen zu dynamischen Werkzeugen
  • Florian WellmannEmail author
Chapter
  • 366 Downloads

Zusammenfassung

Der geologische Untergrund ist bedeutend für eine Vielzahl industrieller und technischer Anwendungen: sowohl als Lagerstätte mineralischer und nichtmineralischer Rohstoffe, als auch als Speicher, sowie als Planungsgrundlage für untertägige Infrastruktur – und in diesem Rahmen auch zunehmend im Kontext der Stadtplanung und des in den Untergrund erweiterten „Building Information Management“ (BIM), häufig auch als GeoBIM bezeichnet (Svensson 2015). Das zentrale Problem der Charakterisierung bedeutender Gesteins- und Fluideigenschaften im Untergrund ist, dass es bis heute keine günstige und umfassende Möglichkeit gibt, diese Eigenschaften im Untergrund direkt zu messen. Zwar geben (teure) Bohrungen punktuell sehr genaue Informationen, aber die Extrapolation in den Raum erfolgt nur indirekt über Zuhilfenahme geophysikalischer Messungen. Dazu werden insbesondere seismische, gravimetrische und elektromagnetische Messungen angewendet (z. B. Telford et al. 1990). Aus all diesen Informationen wird dann typischerweise ein geometrisches Strukturmodell erstellt, in dem Gesteine in Formationen zusammengefasst werden, die im Rahmen der Untersuchung ähnliche Eigenschaften aufweisen. Diese Betrachtung ist konzeptionell in Abb. 1 für eine typische Gesteinsabfolge dargestellt, hier als ein Beispiel mit einer Fotografie aus einem Aufschluss (Abb. 1a). Wenn wir uns jetzt vorstellen, dass sich diese Gesteinsfolge nicht an der Oberfläche, sondern im Untergrund befindet, dann haben wir häufig nur sehr vereinzelte direkte Beobachtungen in Bohrungen (Abb. 1b). Die entscheidende Frage ist dann, wie punktuelle Beobachtungen im Raum zwischen bekannten Punkten interpoliert und darüber hinaus extrapoliert werden können. Dazu werden häufig geophysikalische Messungen verwendet (z. B. Schwerefeldmessungen, seismische Verfahren). Auf diese Weise wird dann versucht, Grenzflächen zwischen Einheiten mit ähnlichen Eigenschaften zu bestimmen (Abb. 1c).

Literatur

  1. Ailleres L, Grose L, Laurent G, Armit R, Jessell M, Caumin G, de Kemp E, Wellmann F (2018) LOOP – an open source platform for 3D geo-structural simulations. 2018 Resources for Future Generations meeting, June 16–17, Vancouver, CanadaGoogle Scholar
  2. Birett H, Helbig K, Kertz W, Schmucker U (Hrsg) (1974) Zur Geschichte der Geophysik. Springer, Berlin/HeidelbergGoogle Scholar
  3. Castronova AM, Goodall JL, Elag MM (2013) Models as web services using the Open Geospatial Consortium (OGC) Web Processing Service (WPS) standard. Environ Model Softw 41:72–83CrossRefGoogle Scholar
  4. Caté A, Perozzi L, Gloaguen E, Blouin M (2017) Machine learning as a tool for geologists. Lead Edge 36(3):215–219CrossRefGoogle Scholar
  5. Cockett R, Kang S, Heagy LJ, Pidlisecky A, Oldenburg DW (2015) SimPEG: an open source framework for simulation and gradient based parameter estimation in geophysical applications. Comput Geosci 85:142–154CrossRefGoogle Scholar
  6. De la Varga M, Schaaf A, Wellmann F (2019) GemPy 1.0: open-source stochastic geological modeling and inversion. Geosci Model Dev Discuss 12(1):1–32CrossRefGoogle Scholar
  7. Frodeman, R. (1995). Geological reasoning: Geology as an interpretive and historical science. Geological Society of America Bulletin, 107(8), 960–968.Google Scholar
  8. Holden L, Mostad P, Nielsen B, Gjerde J, Townsend C, Ottesen S (2003) Stochastic structural modeling. Math Geol 35(8):899–914CrossRefGoogle Scholar
  9. Huang L, Dong X, Clee TE (2017) A scalable deep learning platform for identifying geologic features from seismic attributes. Lead Edge 36(3):249–256CrossRefGoogle Scholar
  10. Jessell MW, Ailleres L, de Kemp E, Lindsay M, Wellmann F, Hillier M et al (2014) Next generation three-dimensional geologic modeling and inversion. Soc Econ Geol Spec Publ 18(18):261–272Google Scholar
  11. Kessler H, Mathers S, Sobisch H-G (2009) The capture and dissemination of integrated 3D geospatial knowledge at the British geological survey using GSI3D software and methodology. Comput Geosci 35(6):1311–1321CrossRefGoogle Scholar
  12. Lindsay M, Ailleres L, Jessell MW, de Kemp E, Betts PG (2012) Locating and quantifying geological uncertainty in three-dimensional models: analysis of the Gippsland Basin, Southeastern Australia. Tectonophysics 546–547:10–27CrossRefGoogle Scholar
  13. Mann, C. J. (1993, November). Uncertainty in geology. In Computers in geology–25 years of progress (S 241–254). Oxford University Press, Inc.Google Scholar
  14. Maxwell AE, Warner TA, Fang F (2018) Implementation of machine-learning classification in remote sensing: an applied review. Int J Remote Sens 39(9):2784–2817CrossRefGoogle Scholar
  15. Muller CL, Chapman L, Johnston S, Kidd C, Illingworth S, Foody G et al (2015) Crowdsourcing for climate and atmospheric sciences: current status and future potential. Int J Climatol 35(11):3185–3203CrossRefGoogle Scholar
  16. Reichstein M, Camps-Valls G, Stevens B, Jung M, Denzler J, Carvalhais N, Prabhat (2019) Deep learning and process understanding for data-driven Earth system science. Nature 566(7743):195CrossRefGoogle Scholar
  17. Rücker C, Günther T, Wagner FM (2017) pyGIMLi: an open-source library for modelling and inversion in geophysics. Comput Geosci 109:106–123CrossRefGoogle Scholar
  18. Schneeberger R, de la Varga M, Egli D, Berger A, Kober F, Wellmann F, Herwegh M (2017) Methods and uncertainty estimations of 3-D structural modelling in crystalline rocks: a case study. Solid Earth 8(5):987–1002CrossRefGoogle Scholar
  19. Schweizer D, Blum P, Butscher C (2017) Uncertainty assessment in 3-D geological models of increasing complexity. Solid Earth 8(2):515–530CrossRefGoogle Scholar
  20. Shannon, C. E. (1948). A mathematical theory of communication. Bell system technical journal, 27(3), 379–423. (Die Jahresangabe im Text war falsch, wurde jetzt angepasst.)Google Scholar
  21. Singh V, Yemez I, Sotomayor J (2013) Integrated 3D reservoir interpretation and modeling: lessons learned and proposed solutions. Lead Edge 32(11):1340–1353CrossRefGoogle Scholar
  22. Stoll J, Moritz D (2013) Unmanned aircraft systems for rapid near surface geophysical measurements. 75th EAGE Conference and Exhibition WorkshopsGoogle Scholar
  23. Svensson M (2015) GeoBIM for optimal use of geo data, Conf. Proc., Sustainable exploitation of the subsurface: the geology, engineering and environment of our underground asset. May 20–21, 2015, LondonGoogle Scholar
  24. Telford, W. M., Geldart, L. P., Sheriff, R. E., & Sheriff, R. E. (1990). Applied geophysics (Vol. 1). Cambridge university press.Google Scholar
  25. Van der Meulen MJ, Doornenbal JC, Gunnink JL, Stafleu J, Schokker J, Vernes RW et al (2014) 3D geology in a 2D country: perspectives for geological surveying in the Netherlands. Neth J Geosci 92(04):217–241Google Scholar
  26. Von Charpentier J (1778) Mineralogische Geographie der Chursächsischen Lande. Crusius, LeipzigGoogle Scholar
  27. Wellmann F, Caumon G (2018) 3-D Structural geological models: concepts, methods, and uncertainties. Adv Geophys 59:1–121CrossRefGoogle Scholar
  28. Wellmann F, Regenauer-Lieb K (2012) Uncertainties have a meaning: information entropy as a quality measure for 3-D geological models. Tectonophysics 526:207–216CrossRefGoogle Scholar
  29. Wellmann F, Horowitz FG, Schill E, Regenauer-Lieb K (2010) Towards incorporating uncertainty of structural data in 3D geological inversion. Tectonophysics 490(3–4):141–151CrossRefGoogle Scholar
  30. Wellmann F, de la Varga M, Murdie RE, Gessner K, Jessell MW (2017) Uncertainty estimation for a geological model of the Sandstone greenstone belt, Western Australia – insights from integrated geological and geophysical inversion in a Bayesian inference framework. Geological Society, London, Special Publications, 453Google Scholar
  31. Wellmann F, Schaaf A, de la Varga M, von Hagke C (2019) From Google Earth to 3D geology problem 2: seeing below the surface of the digital Earth. In: Developments in structural geology and tectonics, Bd 5, S 189–204Google Scholar
  32. Winchester S (2001) The map that changed the world: William Smith and the birth of modern geology. HarperCollins, New YorkGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.RWTH Aachen, Lehr- und Forschungsgebiet Computational Geoscience and Reservoir EngineeringAachenDeutschland

Personalised recommendations