KI-basiertes „Black-Box FID-Pulse Moment Signal Reengineering“
- thomasgorgas
- 18. Aug.
- 4 Min. Lesezeit
Aktualisiert: 20. Aug.
Wie man mit smarter „AI + HI“-Kombi im Geo-Projekt Zeit, Nerven und Geld spart
Einstieg: Der Aha-Moment im Schechen-Pilotprojekt
Als wir die ersten Signal-Analysen des Schechen-Pilotprojekts abgeschlossen hatten, kommentierte mein Kollege Alex Westermayr, Ko-Chef von GEO4, trocken:
„Also – ehrlich gesagt: ich verstehe diese Signale nicht.“
Das saß! Obwohl unsere Magnetischen Resonanz-Oberflächenmessungen sehr plausible Ergebnisse geliefert hatten, kam bei mir unweigerlich die Frage auf:
👉 „Wie viel verstehe ich eigentlich selbst wirklich von diesen FID-Signalen?“ (Wikipedia: FID)
Erste Schritte ins Unbekannte
Bis dahin hatte ich fast ausschließlich mit Bohrlochmessungen gearbeitet – die sind deutlich einfacher als die Oberflächenmessungen, da die Software schon während der Messung automatisch erste Auswertungen liefert (quasi „on-the-fly“), die ich anschließend weiterverarbeiten oder in meiner eigenen Software problemlos anpassen kann.
Die Oberflächenmessungen hingegen – eine ganz andere Liga! Also begann ich, die Schechen-Signale in mein eigenes Software-Tool zu laden. Doch ohne tiefen Zugang zu den Aufnahmeparametern wurde klar: Das hier ist echtes „Black-Box Signal Reengineering“.
Genau hier entstand mein Ansatz:
KI als virtueller Sparringspartner, HI als kritisches Korrektiv.
Lernkurve: Wochen im Blindflug
Die ersten Wochen lag ich komplett falsch – und verlor Zeit. Erst mit einer veränderten Perspektive kam Bewegung in die Sache. Mein Vorteil: frühere Erfahrung mit akustischen Signalen (auch wenn 20+ Jahre her). Statt sofort Rat einzuholen (z.B. am KIT mit unserem Mitstreiter Dr. B. Fersch, oder den Über-Pro-Kollegen in den USA), entschied ich mich bewusst:
👉 Diese „Black Box“ knacke ich zunächst mit KI-Unterstützung selbst.
Das Ganze war auch ein Test: Wie gehen meine Schüler:innen mit KI-Tools um, die ich regelmäßig bei uns in Ismaning als Tutor unterstütze? Viele sagen mir fast täglich: „Ach, dann frag’ ich halt ChatGPT!“ – aber so einfach ist es eben nicht.
Rückgriff auf alte Ressourcen
Meine Programmierkenntnisse waren und sind nach wie zwar „rudimentär“, doch meine Vorarbeit für diese selbstgewählte "Übung" zahlte sich jetzt aus: 2024 hatte ich ein Drittel des IGOR-Pro-Manuals (2000 Seiten!) durchgearbeitet. Das half enorm, um spätere KI-Vorschläge zu korrigieren oder sinnvoll zu ergänzen.
Und wenn alles nicht half, gab es immer noch meinen Doktorvater Roy Wilkens (Hawaii) – auch wenn er meist erst antwortete, nachdem ich das Problem schon gelöst hatte (auch dies war ein gutes Zeichen für meinen Fortschritt hin zu 100% "Autarkismus")…
Ergebnisse: Black Box geknackt – mit Grenzen
Am Ende konnte ich die „FID-Pulse-Moment Signal Black Box“ zumindest aufbrechen, und damit:
✔ die Signale & Aufzeichnung besser verstehen
✔ relevante Parameter zumindest z. T. selbst rekonstruieren
✖ meine Analyse-Grenzen durch fehlende Metadaten aufzeigen
Die Originalsignale (Abb.1 ) waren stark rauschanfällig – und die Geologie vor Ort (durch Kernbohrungen bestätigt) ließ auch kein starkes Signal erwarten. Technische Schwächen im Messgerät wurden allerdings auch erst durch diesen Test sichtbar. Ein weiteres „Plus+Plus | Win+Win“ für zukünftige Messeinsätze!
Fazit #1: Trotz „Pro-Bono“ - Einsatz ein Mehrwert im positiven Messbereich!
Anekdote: Der bissige Kommentar von Prof. Manika Prasad
Eine kleine Randnotiz: Meine erste Mentorin, Frau Professor Manika Prasad (zunächst University of Hawaii at Manoa, danach Stanford, später Colorado School of Mines), wurde einmal richtig sauer, als ich im Zusammenhang mit einem Horizon-2020-Antrag zum Thema Erdbebenvorhersage das Wort Machine Learning erwähnte. Damals betreute ich den Antrag für einen jungen, sehr talentierten polnischen Wissenschaftler:
„Ihr denkt wohl, man steckt ein paar Zahlen oben rein – und unten kommt das richtige Ergebnis raus?!“
Damals hart, heute – im Kontext der vorligenden „Black-Box“-Analyse – absolut nachvollziehbar! Zudem ist mir durch diese Übung noch deutlicher geworden, welch hochkarätige und ausgefeilte Ingenieurs- und wissenschaftliche Arbeit meine US-Partnerfirma in ihre langjährig erprobten Produkte investiert – Produkte, die zudem kontinuierlich weiterentwickelt und innovativ verbessert werden.
Signal-Animation & tieferes Verständnis
Zum Abschluß der ganzen Übung versuchte ich noch, die FID-Signale zu animieren (als mp4's). Das machte die Signalcharakteristik und deren Eigenheiten noch deutlicher: extreme Pulse-Momente, unklare Ursachen (Messung vs. Natur), starker Noise.
Eine "Screenshot"-Version von zwei Video-Sequenzen ist in Abb. 2 dargestellt. Auch hier soll die extrem starke Signal-Noise Charakteristik verdeutlicht werden.
Mit iterativen KI-Filterungen kristallisierte sich langsam ein plausibles Bild heraus: H₂O-Resonanz im Zeitbereich minimal zu erkennen. Nicht endgültig, aber diagnostisch wertvoll – und ein Boost für meine numerischen Analyse-Skills.
Meta-Ebene: AI+HI im engen Zusammenspiel
Meine Erkenntnisse:
AI beschleunigt massiv – Wochen statt Jahre.
HI bleibt unersetzlich: für Eingaben, Korrekturen, Richtungswechsel, Checks.
Backups & Versionierung sind Pflicht.
Besonders wichtig: Junge Schüler:innen müssen lernen, KI nicht blind zu vertrauen, sondern Ergebnisse kritisch und systematisch zu hinterfragen – wie so vieles im Leben. Diese Übung hat eindrucksvoll gezeigt, wie umsichtig und verantwortungsvoll man mit KI umgehen sollte.
Fazit #2
Diese Übung war grandios, weil es:
✔ Black-Box Geo-MR-Daten verständlicher gemacht hat
✔ AI+HI als Co-Entwicklungsstrategie erprobt werden konnte
✔ Im nächsten Schritt: bessere Signalqualität & mehr Metadaten weitere Signal-Simulationen und damit „QC“ (Quality-Control) erlaubt.
Das Schechen-Pilotprojekt hat sich – trotz unentgeltlichem Einsatz – als „goldwert“ erwiesen.
Quod Erat Demonstrandum:🎯 AI + HI = Mission Possible🔍 ➕ 🧠 = ✅
Kommentare