Forschungsprojekt „Progres“ Prozessbasierte Modellierung und KI-gestützte Exploration geothermischer Reservoire

Vulkane wie auf Hawaii, weitläufige Wüsten, mächtige Flusssysteme, die Unmengen an Sediment ins Meer transportieren, und schließlich ein warmes, subtropisches Flachmeer: All diese Ablagerungsräume haben über geologische Zeiträume hinweg den Untergrund des Norddeutschen Beckens geformt. In seinen Sedimentgesteinen ist diese wechselvolle Geschichte der Erde Schicht für Schicht archiviert, die ältesten Schichten in großer Tiefe, die jüngsten normalerweise nahe der Oberfläche. In diesen Schichten verbergen sich bedeutende Ressourcen und Potenziale für die Nutzung nachhaltiger Wärme und Energie aus der Tiefe.

Seit Jahrzehnten zählt das Norddeutsche Becken zu den Hochpotenzialregionen für Georessourcen Deutschlands. Zunächst für die Kohlenwasserstoffindustrie, heute zunehmend für die Tiefe Geothermie. Dank zahlreicher Bohrungen und seismischer Messungen existieren in einzelnen Bereichen bereits detaillierte Untergrunddaten, die Rückschlüsse auf die Verteilung potenzieller Reservoirgesteine erlauben. Diese Reservoire bestehen überwiegend aus porösen, durchlässigen Sedimentgesteinen, in deren Porenräumen Wasser eingelagert ist und – je nach Tiefenlage – mit Temperaturen, die für die Gewinnung von Wärme oder sogar Strom ideal sind. Porenräume können entstehen, wenn Sedimente abgelagert werden, aber ebenso durch spätere Prozesse, wenn in größerer Tiefe Druck und Temperatur steigen, die sogenannte Diagenese. Doch wie lassen sich solche geothermischen Reservoire auffinden und charakterisieren, wenn wenige oder unzureichende Daten über den Untergrund vorliegen? Neue Bohrungen und seismische Untersuchungen sind aufwendig, teuer und mit erheblichen wirtschaftlichen Risiken verbunden, insbesondere für Kommunen und Stadtwerke, die vor allem im Hinblick auf die kommunale Wärmeplanung und das Erreichen der Klimaziele auf Tiefe Geothermie als klimaneutrale Energiequelle setzen.

Geologische Prozessmodellierung und Play-basierte Potenzialanalyse

Die Wärmewende zählt zu den größten ingenieurtechnischen Herausforderungen der kommenden Jahrzehnte. Tiefe Geothermie gilt dabei als eine der vielversprechendsten nachhaltigen Energiequellen. Heizen ist laut Statistischem Bundesamt für 70 % der CO₂-Emissionen von Privatwohnungen verantwortlich. Doch die Erschließung geeigneter geothermischer Reservoire wird bislang durch die hohen geologischen Ungewissheiten, lückenhafte Datenlagen und schwer kalkulierbare Explorationsrisiken gehemmt. Genau hier setzt das Forschungsprojekt „Progres“ an. Ziel dieses dreijährigen, vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten Verbundprojektes ist es, einen neuen, prozessbasierten Explorationsworkflow für die Erkundung geothermischer Lagerstätten zu entwickeln, der die klassischen datengetriebenen Methoden grundlegend erweitert. Entwickelt werden soll eine prozessorientierte Modellierung des geologischen Untergrunds, insbesondere in sogenannten Greenfield-Gebieten, also Regionen mit geringer oder fehlender Datengrundlage. Durch die Kombination geologischer, physikalischer und numerischer Modellierungsverfahren sollen die Entstehungsprozesse der Reservoirgesteine rekonstruiert, ihre räumliche Verbreitung vorhergesagt und das Fündigkeitsrisiko in der geothermischen Exploration signifikant reduziert werden. Partner innerhalb des Projektes sind die Fraunhofer-Einrichtung für Energieinfrastrukturen und Geotechnologien IEG, das GFZ Helmholtz-Zentrum für Geoforschung und das Unternehmen Gasag Solution Plus.

Paradigmenwechsel in der geothermischen Exploration

Herkömmliche geothermische Exploration beruht meist auf geostatistischen Interpolationsverfahren, die aus vorhandenen Bohr- und Seismikdaten räumliche Reservoirparameter ableiten. Bei diesen Verfahren wird die räumliche Ähnlichkeit von Gesteinen genutzt. Gesteine, die nah beieinander abgelagert wurden, sind sich statistisch gesehen ähnlicher als weiter voneinander abgelagerten Gesteine. In der Geostatistik werden zum Beispiel Gesteinseigenschaften räumlich miteinander abgeglichen und so eine räumliche Verteilung dieser Gesteinseigenschaften erzeugt. Diese Verfahren liefern jedoch nur dort belastbare Ergebnisse, wo eine hohe Datendichte besteht. Ab einer gewissen Distanz zu Datenpunkten sind diese Methoden nicht mehr belastbar anzuwenden. In Greenfield-Gebieten lassen sie sich daher kaum bis gar nicht anwenden.

Progres verfolgt einen neuen Ansatz: Statt bestehende Daten nur zu interpolieren, werden diese genutzt, um die geologischen Prozesse selbst zu modellieren, die zur Bildung und Veränderung eines Reservoirs geführt haben. Dabei werden Ablagerungsbedingungen, Sedimenttransport, Diagenese und geochemische Reaktionen über geologische Zeitskalen hinweg simuliert. Durch die Kombination aus stratigraphischer Vorwärtsmodellierung (SVM), das heißt die Simulation, wie Sedimente gebildet werden, und diagenetischer Vorwärtsmodellierung (DVM), die Modellierung der Prozesse, wenn Festgestein in immer größere Tiefen versenkt wird, entsteht ein dynamisches, physikalisch konsistentes 3-D-Bild der Untergrundentwicklung – und damit eine deutlich präzisere Grundlage zur Vorhersage von Gesteinseigenschaften wie Porosität, Gesteinsdurchlässigkeit und Reservoirgeometrie. Die SVM stützt sich im Wesentlichen auf drei grundlegende Eingangsparameter, die entscheidend für die Erstellung geologisch realistischer und prozessbasierter Untergrunddarstellungen sind:
(1) die initiale Bathymetrie, das heißt die Topografie des Meeresbodens zu Beginn der Ablagerung der Sedimente,
(2) zeitliche Veränderungen des relativen Meeresspiegels infolge von klimatischen Änderungen plus Hebung und Senkung des Meeresbodens,
(3) Sedimentproduktionsraten als Funktion der Wassertiefe und Zeit.

Darüber hinaus beeinflussen verschiedene Umweltfaktoren die Art und Weise, wie Sedimente abgelagert werden – etwa Windrichtung und -stärke, Strömungen, die Wellenenergie oder der Eintrag von Sedimenten durch Flüsse. Diese Prozesse formen über lange Zeiträume hinweg die räumliche Architektur des Untergrunds. Mit Hilfe der SVM können diese komplexen Wechselwirkungen nachgebildet und ihr Einfluss auf die Ausbildung von Schichtenfolgen und Reservoirstrukturen untersucht werden. Ob ein Modell nahe an die Realität herankommt, wird im Allgemeinen durch Kalibration festgestellt, also wie ähnlich sich modellierte und gemessene Werte sind. Als Test- und Anwendungsgebiet dient der Muschelkalk des Norddeutschen Beckens, insbesondere die Region Berlin-Brandenburg. Diese bis zu 243 Millionen Jahre alten Ablagerungen eines subtropischen Flachmeeres besitzen aufgrund ihrer Beschaffenheit ein hohes geothermisches Potenzial, wurden aber bislang kaum erschlossen. Ursache ist die starke Heterogenität in der Verteilung der spezifischen Gesteinseigenschaften und die geringe Datendichte.

Maschinelles Lernen als Datengenerator

Die Informationen, die zur Kalibration dieser Modelle benötigt werden, stammen aus vorhandenen Datensätzen, aus der wissenschaftlichen Literatur oder aus neu erhobenen Daten, zum Beispiel aus Bohrkernen oder Analogstudien an Gesteinsaufschlüssen an der Erdoberfläche. Im Projekt Progres werden einige dieser Kalibrationsparameter, etwa die Porosität, mithilfe KI-gestützter Verfahren bestimmt. Dadurch können große Datenmengen effizient ausgewertet und aufbereitet werden, um die Vorwärtsmodelle zu verbessern. Die Ableitung dieser Parameter ist oft zeitaufwendig. Beispielsweise müssen in Dünnschliffen von Gesteinen Gesteinskörner und Hohlräume gezählt werden, um daraus die Porosität abzuschätzen. Progres integriert Methoden des Maschinellen Lernens (ML), um geologische, geophysikalische und petrophysikalische Parameter automatisiert aus bestehenden Datensätzen zu quantifizieren und Daten für die Kalibration der Modelle zur Verfügung zu stellen. Dazu werden verschiedene Methoden angewendet, unter anderem neuronaler Netze, um Bohrlochmessungen oder Dünnschliffbilder zu analysieren und alle für die Modelle wichtigen Informationen zu extrahieren.

Vom geologischen Prozess zur wirtschaftlichen Bewertung

Die in Progres entwickelten Modelle ermöglichen es, nicht nur geologische, sondern auch ökonomische Risiken der Exploration zu quantifizieren. Dazu wird das Konzept der Play-basierten Potenzialanalyse (Play-Based Exploration, PBE) aus der Erdöl- und Erdgasindustrie adaptiert. Ein Play ist in der Fachsprache das richtige Zusammenspiel verschiedener Elemente in einem Reservoirsystem. Aus den Simulationsergebnissen entstehen Play-Karten, die das geothermische Potenzial verschiedener Regionen klassifizieren. Diese Karten bilden die Grundlage für die Berechnung einer „Geological Probability of Success“ (GPoS), also der Erfolgswahrscheinlichkeit, dass eine Explorationsbohrung tatsächlich ein nutzbares Reservoir trifft und in der Fachsprache „höffig“ ist. Durch den Vergleich von GPoS-Werten vor und nach Anwendung des Progres-Workflows lässt sich der methodische Mehrwert unmittelbar quantifizieren. Langfristig leistet Progres damit einen wichtigen Beitrag, um Greenfield-Gebiete wirtschaftlich und sicher zu erschließen. Das Projekt schafft die methodische Basis, um die Aussagekraft der Erkundung zu erhöhen, Bohrrisiken zu senken und die Markteinführung geothermischer Technologien zu beschleunigen.