Probabilistic Geomodeling

In CGRE, we develop novel methods to address the complex geometries encountered in structural geology. Our methods are specifically tuned to deal with scarce data in a formal probabilistic manner.

We investigate different mathematical models to construct complex geometries, e.g. based on gaussian processes, NURBS and subdivision surfaces and combine them with innovative probabilistic methods, such as Probabilistic ML, gradient based samplers, as well as the visualisation and interface of these methods, e.g. VR/ AR.

mehr...zu: Probabilistic Geomodeling

Geophysikalische Prozesssimulationen

Um die Ziele der Vereinten Nationen für nachhaltige Entwicklung zu erreichen, benötigen wir Vorhersagen über die Prozesse im Untergrund derErde. Leider haben wir keinen direkten Zugang zum Untergrund. Daher benötigen wir numerische Simulationen, die auf physikalischen Modellen basieren, um diese Vorhersagen dennoch zu erhalten. Um komplexe Modellgeometrien und die richtigen In-situ-Bedingungen sowie flächendeckende Informationen zu berücksichtigen, können wir uns weder auf analytische noch auf Laboranalysen verlassen. Daher benötigen wir numerische Simulationen, um die komplexen gekoppelten physikalischen Prozesse des Untergrundes der Erde zu charakterisieren. Zu den Prozessengehören beispielsweise der Grundwasser- und Wärmetransport, der Transport chemischer Spezies und mechanische Prozesse

mehr...zu: Geophysikalische Prozesssimulationen

Machine Learning in Geosciences

Wir entwickeln und nutzen verschiedene maschinelle Lernmethoden, um räumliche geowissenschaftliche Probleme anzugehen.

Zu den jüngsten Entwicklungen gehört eine kombinierte Hidden Markov Random Field (HMRF) - Gaussian Mixture Model (GMM) Methode zur Durchführung integrierter räumlicher Analysen von geophysikalischen EMI-Messungen und Fernerkundungsdaten.

Im Forschungsprojekt "MINERALE" entwickeln wir voll segmentierte Dünnschliffbilder, um dem Mangel an offenen Trainingssets für maschinelle Lernmethoden durch eine Zusammenstellung zu begegnen.

mehr...zu: Machine Learning in Geosciences