Bounding the Null Space: Interval-Based Uncertainty Quantification for Non-Identifiable Groundwater Models

Dieses Paper schlägt ein auf Optimierung basierendes Framework zur Schrankenverengung (Optimization-based Bound Tightening, OBBT) vor, das Intervallarithmetik und McCormick-Relaxationen verwendet, um garantierte, probenfreie Unsicherheitsgrenzen für nicht identifizierbare Grundwassermodelle bereitzustellen, während es gleichzeitig Herausforderungen wie nicht-physikalische Rotationsströmungen durch spezifische Vorzeichen- und Irrotationalitätsbeschränkungen adressiert.

Das Wesentliche

Das große Problem: Die „fehlenden Puzzleteile“

Stellen Sie sich vor, Sie versuchen herauszufinden, wie sich Wasser unter der Erde bewegt. Sie haben ein paar Hinweise: Sie wissen, wo Wasser abgepumpt wird, wo Regen fällt, und Sie haben Messungen der Wasserstände in ein paar Brunnen.

Aber der Boden ist riesig, und Sie haben nur wenige Messwerte. Dies führt zu einem Problem, das Nicht-Identifizierbarkeit genannt wird. Es ist, als würde man versuchen, die exakte Form eines verborgenen Objekts zu erraten, indem man nur drei seiner Ecken berührt. Es gibt Millionen von verschiedenen Formen (Kombinationen aus Gesteinsarten, Fließgeschwindigkeiten und Wasserständen), die perfekt zu diesen drei Ecken passen könnten.

Der alte Weg (Stichprobenverfahren):
Die meisten Wissenschaftler versuchen, dies durch Raten zu lösen. Sie führen tausende Computersimulationen durch, von denen jede eine leicht andere Vermutung über die Bedingungen unter der Erde enthält. Sie schauen sich die Ergebnisse an und sagen: „Okay, der Wasserstand liegt wahrscheinlich zwischen 5 und 10 Metern.“

• Der Fehler: Wenn Sie nur 1.000 Mal raten, übersehen Sie vielleicht die tatsächlichen extremen Fälle. Sie denken, der Wasserstand sei sicher (5–10 m), aber die Realität könnte tatsächlich 2–15 m betragen. Sie haben die Gefahr unterschätzt, weil Sie nicht oft genug geraten haben.

Der neue Weg: „Den Kasten einengen“ (OBBT)

Die Autoren schlagen einen völlig anderen Ansatz vor, der Optimization-based Bound Tightening (OBBT) genannt wird. Anstatt zufällige Szenarien zu raten, behandeln sie das Problem wie ein mathematisches Rätsel mit strengen Regeln.

Die Analogie: Die Schrumpffolie-Box
Stellen Sie sich vor, die möglichen Antworten schweben in einem riesigen, transparenten Pappkarton.

1. Der initiale Kasten: Zu Beginn ist der Kasten riesig, weil wir nicht viel wissen. Der Wasserstand könnte irgendwo zwischen 0 und 100 Metern liegen.
2. Regeln hinzufügen: Wir beginnen dann, „Regeln“ (Constraints) basierend auf der Physik (Wasser fließt bergab) und unseren tatsächlichen Daten (wir haben hier 7 Meter gemessen) hinzuzufügen.
3. Den Kasten einschrumpfen: Jedes Mal, wenn wir eine Regel hinzufügen, können wir die Teile des Kastens wegschneiden, die unmöglich sind. Wir schrumpfen den Kasten immer weiter zusammen, bis er so eng wie möglich um die einzigen Antworten passt, die physikalisch möglich sind.
4. Das Ergebnis: Wir erhalten keine Liste von Vermutungen; wir erhalten einen garantierten Sicherheitsbereich. Wir wissen mit Sicherheit, dass der Wasserstand außerhalb dieses finalen, engen Kastens nicht liegen kann.

Die Hürde: Der „kaputte Kompass“

Um diese Mathematik auf einem Computer lauffähig zu machen, mussten die Autoren die komplexen Gesetze des Grundwasserflusses vereinfachen. Sie verwendeten einen mathematischen Trick namens McCormick-Relaxationen.

Die Analogie:
Stellen Sie sich den Grundwasserfluss wie ein Auto vor, das auf einer Straße fährt. Das Auto (das Wasser) muss immer in die Richtung fahren, in die die Straße abfällt (bergab).

• Das Problem: Als die Autoren die Mathematik vereinfachten, um sie schneller zu machen, wurde ihr „Kompass“ kaputt. Die Mathematik erlaubte es dem Auto, bergauf zu fahren, wenn es eine sehr spezifische, seltsame Kombination aus Geschwindigkeit und Neigung war.
• Die Konsequenz: Da die Mathematik diese „unmöglichen“ Bergauffahrten zuließ, konnte der Computer den Kasten nicht effektiv einschrumpfen. Der Kasten blieb riesig, weil der Computer dachte: „Nun ja, vielleicht fließt das Wasser hier bergauf, also kann ich nichts ausschließen.“

Die Lösung: Die Regeln erzwingen

Die Autoren erkannten, dass sie dem Computer manuell sagen mussten: „Nein, Wasser kann nicht bergauf fließen.“ Sie fügten zwei spezifische Korrekturen hinzu:

1. Flussrichtungen: Sie zwangen den Computer dazu, frühzeitig zu entscheiden: „Fließt das Wasser nach Norden oder nach Süden?“ Sobald diese Richtung feststeht, verschwindet der „Bergauf“-Unsinn.
2. Keine Wirbel: Sie fügten eine Regel hinzu, dass Wasser nicht im Kreis wirbeln kann (wie ein Strudel), ohne einen Grund zu haben. Dies hilft der Mathematik, die wahre Form der Strömung zu verstehen.

Mit diesen Korrekturen schrumpft der „Kasten“ schließlich eng zusammen und liefert eine zuverlässige Antwort.

Was sie getestet haben

Das Team testete diese Methode in drei verschiedenen Szenarien:

1. Ein 1D-Streifen: Eine einfache Linie von Zellen. Es funktionierte perfekt und war viel besser als die alten „Rate-Methoden“.
2. Ein 2D-Gitter: Eine flache Karte. Dies zeigte, dass die Methode ohne die Korrekturen „Keine Wirbel“ oder „Flussrichtung“ scheitert. Mit den Korrekturen funktionierte sie gut.
3. Ein Zeitreisendes Gitter: Eine 2D-Karte, die sich über die Zeit verändert (wie ein Video). Sie zeigten, dass die Methode mit Wasserständen umgehen kann, die sich Tag für Tag ändern, wodurch die Unsicherheit im Laufe der Zeit abnimmt.

Der Kompromiss

Die gute Nachricht: Diese Methode bietet Ihnen garantierte Sicherheit. Sie müssen sich keine Sorgen machen, ein seltenes, gefährliches Szenario zu verpassen, weil Sie nicht oft genug geraten haben. Sie findet die absoluten Außenbereiche dessen, was möglich ist.

Die schlechte Nachricht: Sie ist rechenintensiv. Es dauert lange, diese mathematischen Rätsel zu lösen, im Vergleich zu dem, was man erreichen würde, wenn man einfach nur tausende Vermutungen durchführt. Es ist, als würde man einen Laserschneider verwenden, um ein Stück Papier zuzuschneiden, anstatt einfach nur eine Schere zu benutzen. Es ist langsamer, aber das Ergebnis ist mathematisch perfekt.

Zusammenfassung

Die Arbeit präsentiert eine neue Art, die Unsicherheit in Grundwassermodellen zu handhaben. Anstatt tausende Male zu raten und zu hoffen, dass man das Worst-Case-Szenario erwischt, verwendet man strikte mathematische Regeln, um alle unmöglichen Antworten wegzuschneiden, sodass ein garantierter „Sicherheitsbereich“ für die Wasserstände übrig bleibt. Sie fanden heraus, dass sie, um dies zu ermöglichen, zusätzliche Regeln hinzufügen mussten, um die Mathematik daran zu hindern, unmögliche Wasserflüsse zu imaginieren, aber sobald sie dies taten, bot die Methode ein viel zuverlässigeres Sicherheitsnetz als herkömmliche Ratemethoden.

Technische Zusammenfassung

Technisches Resümee: Begrenzung des Nullraums mittels Optimierungsbasierter Intervall-Verengung (OBBT)

1. Problemstellung

Grundwassermodelle sind häufig nicht identifizierbar aufgrund spärlicher Beobachtungen im Untergrund. Diese Äquifinalität bedeutet, dass viele verschiedene Kombinationen von Parametern (z. B. Transmissivität, spezifische Ergiebigkeit), Zuständen (hydraulische Potenziale) und Randbedingungen identische Beobachtungen hervorrufen können.

Traditionelle Methoden der Unsicherheitsquantifizierung (Uncertainty Quantification, UQ) adressieren dies durch die Untersuchung einer endlichen Menge von Modellrealisierungen (z. B. Monte-Carlo-Verfahren, Ensemble-Datenassimilation oder regularisierte Inversion). Die Autoren argumentieren, dass dieses Paradigma einem strukturellen Dilemma unterliegt: Mit zunehmender Systemkomplexität wächst die Anzahl der Unbekannten, während die Rechenkosten für Simulationen die Anzahl der untersuchenbaren Realisierungen begrenzen. Infolgedessen führt eine unvollständige Exploration zu einer systematischen Unterschätzung des wahren Bereichs der zulässigen Lösungen. Dies ist besonders kritisch für das Grundwassermanagement, da Risiken oft aus seltenen Extremereignissen (z. B. Dürren oder Fluten) resultieren, die von endlichen Stichproben möglicherweise nicht erfasst werden.

Das Paper postuliert, dass das Ziel für eine konservative UQ nicht darin bestehen sollte, den zulässigen Bereich zu beproben, sondern den Umfang des zulässigen Bereichs selbst durch garantierte äußere Schranken für unsichere Variablen darzustellen.

2. Methodik: Optimierungsbasierte Intervall-Verengung (OBBT)

Das vorgeschlagene Framework ersetzt das Sampling durch Optimierungsbasierte Intervall-Verengung (Optimization-Based Bound Tightening, OBBT). Anstatt Realisierungen zu enumerieren, behandelt die Methode Unsicherheit als Intervalle und verengt diese, indem sie Variablen über ein Constraintsystem extremisiert, welches physikalische Gesetze und Beobachtungen kodiert.

2.1 Mathematische Formulierung

Der Ansatz formuliert das Grundwasserströmungsproblem als ein System von Nebenbedingungen (Constraints):

• Variablen: Hydraulische Potenziale ($h$), Flüsse ($q$), Neubildung ($R$), Transmissivität ($T$) und spezifische Ergiebigkeit ($S$).
• Nebenbedingungen:
  • Massenbilanz: Diskretisiert mittels eines Finite-Volumen-Verfahrens (stationär und transient).
  • Darcy-Gesetz: $q = -T \nabla h$.
  • Beobachtungen: Fixierte Werte oder Grenzen an spezifischen Orten.
  • A-priori-Grenzen: Initiale Intervalle für alle Variablen.

2.2 Handhabung von Nichtlinearität: McCormick-Relaxationen

Die zugrunde liegenden Gleichungen enthalten bilineare Terme (z. B. das Produkt aus der unsicheren Transmissivität $T$ und dem Potenzialgradienten $\nabla h$). Das Lösen der daraus resultierenden nicht-konvexen Optimierungsprobleme im globalen Sinne ist für große Gitter rechentechnisch prohibitiv.

Um die rechnerische Handhabbarkeit zu gewährleisten und gleichzeitig konservative Schranken sicherzustellen, verwenden die Autoren McCormick-Relaxationen. Diese ersetzen den bilinearen Term $w = xy$ durch vier lineare Ungleichungen, die ein konvexes Hull (Hüllkurve) um die wahre nichtlineare zulässige Region bilden.

• Vorteil: Ermöglicht die Nutzung effizienter Linear-Programming-Solver (LP).
• Nachteil: Die Relaxation lässt nicht-physikalische Lösungen zu, insbesondere durch das Aufbrechen der Vorzeichenkopplung zwischen Flüssen und Potenzialgradienten. Dies erlaubt "Rotationsströmungen" (Zyklen, in denen Wasser gegen den Gradienten zirkuliert), was die Physik des Darcy-Flusses verletzt und eine effektive Verengung der Schranken verhindert.

2.3 Der Algorithmus

Der OBBT-Algorithmus (Algorithmus 1) arbeitet iterativ:

1. Initialisierung: Definition der Variablen auf einem Raum-Zeit-Gittergraph und Festlegung initialer Grenzen.
2. Konstruktion der Relaxation: Aufbau der McCormick-Nebenbedingungen basierend auf den aktuellen Variablenintervallen.
3. Extremisierung: Für jede Variable werden zwei LPs (Minimierung und Maximierung) unter Berücksichtigung des gesamten Constraintsystems gelöst.
4. Verengung (Tightening): Aktualisierung der Variablen-Grenzen mit den neuen Extrema.
5. Nachbearbeitung: Anwendung von Intervallarithmetik, um die Vorzeichenkonsistenz zwischen Flüssen und Gradienten zu erzwingen.
6. Iteration: Wiederholung bis zur Konvergenz (Grenzen hören auf sich zu verengen) oder Erreichen einer maximalen Iterationszahl.

Der Prozess ist hinsichtlich der Extremisierung der einzelnen Variablen innerhalb jeder Iteration "embarrassingly parallel".

3. Kernbeiträge und Abhilfemaßnahmen

Das Paper stellt fest, dass eine naive Anwendung von OBBT mit McCormick-Relaxationen keine informativen Schranken liefert, da die Relaxation nicht-physikalische Rotationsströmungen zulässt. Die Autoren schlagen und evaluieren zwei spezifische Abhilfemaßnahmen vor, um die physikalische Konsistenz wiederherzustellen:

1. Irrotationalitäts-Nebenbedingungen: Explizite Erzwingung, dass die Summe der Flüsse um jeden fundamentale Zyklus im Gittergraph Null ergibt.

   • Effektivität: Hochwirksam in homogenen Medien; stellt informative Schranken wieder her.
   • Einschränkung: Nicht allgemein anwendbar in heterogenen oder anisotropen Medien, in denen eine Netto-Nullflussrate nicht strikt aus der Irrotationalität folgt.

2. Fluss-Vorzeichen-Vorgabe (Flow Sign Prescription): Vorab-Festlegung des Vorzeichens (Richtung) des Flusses über jede Grenzfläche basierend auf einer Referenzsimulation oder Vorwissen.

   • Effektivität: Entfernt die nicht-physikalischen Quadranten der McCormick-Hüllkurve und verengt die Schranken signifikant.
   • Generalisierbarkeit: Robuster als Irrotationalitäts-Nebenbedingungen in heterogenen Settings, führt jedoch eine A-priori-Annahme über die Flussrichtung ein.

4. Ergebnisse

Das Framework wurde an drei numerischen Beispielen getestet:

4.1 1D Stationäres Modell

• Setup: 10 Zellen mit Quell-/Senkenbrunnen und zwei Beobachtungspunkten.
• Vergleich: Die OBBT-Schranken wurden gegen einen exakten Monte-Carlo-Sampler (der aus dem wahren Null-Manifold zieht) und MCMC verglichen.
• Ergebnisse:
  • OBBT umschloss das Null-Manifold erfolgreich und lieferte garantierte äußere Schranken.
  • MCMC und Finite-Sample-Methoden unterschätzten den Umfang des zulässigen Bereichs massiv (sie deckten selbst mit 100.000 Stichproben nur ca. 45 % des marginalen Bereichs ab).
  • OBBT konvergierte in 2 Iterationen, was zeigt, dass Sampling unnötig ist, um die Grenzen dieses nicht-identifizierbaren Systems zu erfassen.

4.2 2D Stationäres Modell

• Setup: 5x5 Gitter mit einer Quelle, einer Senke und einer zentralen Beobachtung.
• Ergebnisse:
  • Basis-OBBT (ohne Zusatz-Nebenbedingungen): Konnte die Schranken für Potenziale oder Transmissivität nicht verengen, da die Vorzeichenambiguität Rotationsströmungen zuließ.
  • OBBT mit Irrotationalität: Stellte die Flussrichtungen erfolgreich her und verengte die Schranken, was eng an eine reine LP-Referenzlösung heranreichte.
  • OBBT mit Fluss-Vorzeichen: Verengte die Schranken ebenfalls, blieb jedoch in diesem homogenen Setup etwas breiter als der Fall mit Irrotationalität. Es zeigte den Trade-off zwischen der Stärke der Annahme und der Enge der Schranken auf.

4.3 2D Transientes Modell

• Setup: Hexagonales Gitter, 5 Zeitschritte, Neubildungszone, Entnahmedelle und Festpotenzial-Randbedingung.
• Ergebnisse:
  • OBBT handhabte zeitvariable Systeme erfolgreich, erfasste die Entwicklung eines Absenkungstrichters und die Rückwärtsfortpflanzung von Nebenbedingungen in der Zeit.
  • Die Schranken für das hydraulische Potenzial verengten sich signifikant, während sich die Schranken für die Transmissivität nur geringfügig verengten (wie in unterbestimmten Parameterräumen zu erwarten).
  • Rechenaufwand: Der Durchlauf dauerte ca. 71,7 Stunden auf 16 Kernen. Die Autoren merken an, dass dies erheblich ist, argumentieren jedoch, dass dies der "Preis für die konservative Abdeckung" im Vergleich zum Risiko der Unterschätzung durch Sampling-Methoden ist.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass OBBT eine konservative, deterministische und physikalisch fundierte Alternative zu Ensemble-basierten UQ-Verfahren bietet. Die primäre Bedeutung liegt in der Fähigkeit, garantierte äußere Schranken für alle unsicheren Variablen ohne Sampling bereitzustellen und somit das Problem der "unvollständigen Exploration führt zu Unterschätzung" zu vermeiden, das Monte-Carlo-Methoden inhärent ist.

Die Autoren betonen, dass OBBT zwar rechenintensiver als aktuelle Sampling-Methoden ist, dieser Trade-off jedoch für Entscheidungsunterstützungsszenarien gerechtfertigt ist, in denen Regulierungsbehörden nachweisen müssen, dass eine vorgeschlagene Entnahmerate unter allen zulässigen Parameterkombinationen sicher ist. Die Methode verbindet sich natürlich mit der Nullraumtheorie, indem sie das "Null-Manifold" (die Menge der äquivalenten Lösungen) durch Intervallschranken anstatt durch Punktschätzungen charakterisiert.

Das Paper schließt mit dem Hinweis, dass die aktuelle Implementierung zwar auf spezifische Annahmen (wie die Fluss-Vorzeichen-Vorgabe) angewiesen ist, um die Nicht-Konvexität des Darcy-Flusses zu handhaben, das Framework jedoch einen vielversprechenden Weg für die zukünftige Forschung darstellt, insbesondere für die Entwicklung effizienterer Mixed-Integer-Formulierungen und die Integration in Datenassimilations-Workflows.