Intelligenz für den Untergrund: Rohstoffexploration, Seismik-Interpretation, Geothermie und Standortwahl für CO2-Speicher

Erzkörper, heiße Reservoire oder sichere CO2-Speicher zu finden heißt, aus spärlichen, verrauschten und heterogenen Daten zu schließen, was Kilometer unter der Erde liegt. ML verknüpft Seismikvolumen, Potentialfeld-Geophysik, Geochemie, Bohrlochmessungen und digitalisierte ältere Berichte, um Bohrziele vorzuschlagen, Verwerfungen und Horizonte in 3D-Seismik zu interpretieren und Reservoire zu charakterisieren. Der Nutzen sind weniger Fehlbohrungen und eine schnellere Vorauswahl, kein Ersatz für die Geowissenschaftlerin oder den Geowissenschaftler: Jedes Ziel und jede Interpretation werden geprüft, und gebohrt oder injiziert wird erst nach Freigabe durch Fachleute und Behörden.

Problem & Nutzen

• Heute: Geologinnen und Geologen interpretieren Horizonte und Verwerfungen manuell in Seismik-Arbeitsplätzen, erstellen Prospektivitätskarten per gewichteter Überlagerung im GIS und durchsuchen Papier- oder PDF-Berichte aus Jahrzehnten früherer Kampagnen. Die Entdeckungsraten in reifen Bergbaurevieren sind niedrig, Bohrungen sind teuer und die Interpretation ist langsam und subjektiv.
• KI-Nutzen: (1) schnellere, einheitlichere Seismik-Interpretation (Segmentierung von Verwerfungen, Horizonten, Salz und Rinnen); (2) datengetriebene Prospektivitätskartierung, die viele schwache Signale verbindet; (3) Wissensgewinnung aus älteren Berichten und Logs; (4) schnellere Vorauswahl vieler Kandidatenstandorte für Geothermie oder Speicherung mit quantifizierter Unsicherheit.
• EU-Treiber: Der Critical Raw Materials Act (Verordnung (EU) 2024/1252) setzt für 2030 Richtwerte von 10 % des jährlichen EU-Verbrauchs aus heimischer Gewinnung, 40 % Verarbeitung und 25 % Recycling, wobei höchstens 65 % eines strategischen Rohstoffs aus einem einzigen Drittland stammen dürfen, und beschleunigt strategische Projekte [1]. Der Net-Zero Industry Act (Verordnung (EU) 2024/1735) verlangt eine EU-Kapazität für die CO2- Injektion von 50 Mt pro Jahr bis 2030 und legt Öl- und Gasproduzenten Pflichten auf [2]. Geothermische Wärme und Strom werden in mehreren Mitgliedstaaten ausgebaut.
• Belege für den Einsatz: KoBold Metals (USA) betreibt KI-gestützte Explorationsprogramme; Zanskar (USA) setzt ML ein, um verborgene geothermische Systeme zu finden; Equinor und Partner betreiben Northern Lights, den ersten grenzüberschreitenden kommerziellen Dienst für CO2-Transport und -Speicherung, vor Norwegen [3]. Zahlenmäßige Verbesserungen der Entdeckungsrate werden hier nicht behauptet; veröffentlichte Anbieteraussagen sollten Sie anhand Ihrer eigenen Rückvergleiche (Back-Testing) prüfen.

Varianten

• Rohstoffexploration (kritische Rohstoffe): Prospektivitätsmodellierung für Lithium, Kupfer, Nickel, Kobalt, Seltene Erden, Wolfram; Ziele in Fennoskandien, Iberien, auf dem Balkan und in Grönland. Varianten für Greenfield und Brownfield (minennah).
• Seismik-Interpretation & Charakterisierung des Untergrunds: 3D-Segmentierung von Verwerfungen, Horizonten, Salz und Stratigraphie, seismische Inversion zu Impedanz und Porosität, Bohrlochanbindung (Well-Tie), Reservoircharakterisierung für Kohlenwasserstoffe, Geothermie, CCS und Wasserstoffspeicherung.
• Standortwahl für Geothermie: Wärmestrom, Gravimetrie/Magnetotellurik, Verwerfungskarten und Bohrdaten verbinden, um Hot-Rock- und hydrothermale Prospekte zu priorisieren, einschließlich der Umnutzung von Öl- und Gasbohrungen.
• Standortwahl & Überwachung für CO2-/Wasserstoffspeicher: Vorauswahl der Kapazität von salinen Aquiferen oder ausgeförderten Lagerstätten, Integrität der Deckschicht, 4D-Seismik im Zeitverlauf zur Überwachung der Fahne (MMV).
• Öffentliche geologische Dienste: nationale Dienste (BGR, GTK, BRGM, GEUS, TNO), die offene Prospektivitätsebenen aufbauen und Archive digitalisieren.
• Auswertung älterer Berichte: OCR plus LLM-Extraktion über eingescannte Bewertungsberichte und Bohrprotokolle.

So funktioniert es

1. data intake (SEG-Y, grids, assays, LAS logs, scanned reports)
2. QC, harmonisation, CRS alignment, depth/time conversion
3. feature engineering / foundation-model embeddings
4. task models: 3D U-Net/ViT segmentation | prospectivity classifier | inversion | LLM extraction
5. uncertainty (ensembles, Monte Carlo dropout, conformal intervals)
6. geoscientist review in interpretation / GIS software
7. target ranking
8. drilling, injection or survey decision (human, with regulatory permit)
9. new data (drill results, 4D seismic) feed back as labels

• Seismische Segmentierung: 3D-Faltungs- oder Transformer-Modelle, trainiert auf gelabelten Volumen; schwache Labels und synthetische Daten verringern den Aufwand der Interpretierenden. Auf großen ungelabelten Seismikarchiven vortrainierte Basismodelle werden für Verwerfungen, Horizonte und Fazies per Feintuning angepasst.
• Prospektivität: Gradient-Boosted Trees, Random Forests oder neuronale Netze auf gestapelten geophysikalischen, geochemischen und geologischen Ebenen. Das schwierige Problem ist das extreme Klassenungleichgewicht (wenige bekannte Lagerstätten) und die räumliche Autokorrelation, weshalb eine räumliche Kreuzvalidierung unverzichtbar ist.
• Physikgestützte und hybride Modelle: ML-Inversionen, die durch Wellengleichung oder Strömungs- simulation eingeschränkt werden (siehe SCI-005 Surrogate), damit die Ergebnisse geologisch plausibel bleiben.
• Altes Wissen: OCR-/VLM-Auswertung eingescannter Berichte, LLM-Extraktion von Gehalten, Teufen und Koordinaten in eine Geodatenbank, danach RAG für Geologinnen und Geologen (siehe DOC-014).
• Mensch-in-der-Schleife (Human-in-the-Loop): Interpretierende korrigieren vorhergesagte Verwerfungen und Horizonte; leitende Geologinnen und Geologen geben Bohrziele frei; Speicherbetreiber und Behörden genehmigen die Injektion.

Datenaufbereitung

Untergrunddaten liegen in Projektdatenbanken von Arbeitsplätzen (Petrel, Leapfrog), auf SEG-Y-Bändern und Dateiservern, in Bohrlochmessarchiven (LAS/DLIS), Analysetabellen, GIS-Projekten und vor allem in Papier und eingescannten älteren Berichten und Karten, die oft bei externen Auftragnehmern oder Behörden liegen. Typische Lücken: uneinheitliche Koordinatenbezugssysteme und Tiefen-/Zeitbereiche, fehlende Bohrlochköpfe, nicht gelabelte Scans, Duplikate zwischen Projekten, proprietäre Formate, Lizenzbeschränkungen für Daten Dritter und wenige gelabelte Beispiele.

Schritte der Aufbereitung: Messkampagnen, Bohrungen und Berichte mit Verantwortlichen erfassen (PREP-001, PREP-004); ältere Berichte scannen und per OCR erfassen (PREP-006, DOC-014); Projektordner neu strukturieren und Metadaten ergänzen (PREP-009, PREP-010); Analysetabellen bereinigen (PREP-011); in einen Katalog im Stil von OSDU einspielen (siehe DATA-011); Labels aus vorhandenen Interpretationen gewinnen (PREP-020); ein Glossar für Lithologie- und Faziesbegriffe festlegen (PREP-012). Werkzeuge: OSDU, segyio, lasio, GDAL, Tesseract oder moderne OCR-/VLM-Parser.

Rechnen Sie mit 50-70 Prozent des Aufwands für Digitalisierung, Harmonisierung und Qualitätskontrolle. GUIDE-003 enthält einen Bereitschafts-Check.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Enterprise): B - OSDU-basierte Cloud-Plattformen in EU-Regionen bieten ein gemeinsames Datenmodell und elastische Rechenleistung für Seismikvolumen, ohne ein Rechenzentrum zu bauen.
• Entwickler (Developer): B - Cloud-APIs und verwaltete GPU-Batches plus offene Geowissenschafts-Bibliotheken beschleunigen den Prototypenbau; zu C nur bei sehr großen Datenmengen wechseln.
• Öffentlicher Sektor (Public): C - geologische Dienste und Universitäten bevorzugen offene Werkzeuge und souveräne EU- oder deutsche Infrastruktur für Daten im öffentlichen Interesse und wegen der Vergaberegeln.

Weg A — Kaufen (Standardsoftware)

• Seismik- und Reservoir-Plattformen mit KI-Modulen: SLB Petrel/DELFI, Halliburton Landmark DecisionSpace 365, Petrosys, Bluware (Interpretation und Deep-Learning-Verwerfungspicking), Cegal Prizm (Norwegen, EU), Geoteric (UK, KI für Verwerfungen/Horizonte).
• Rohstoffexploration: Seequent Leapfrog (Bentley) und Oasis montaj für 3D-Modellierung und Geophysik; Datarock (KI für Kernbilder); Fleet Space (ExoSphere, satellitengestützte passive Seismik); Minalyze (Schweden, EU) Kernscanning.
• Geothermie / CCS: Zanskar (USA, Geothermie-Entwickler), Eavor/Fervo (Entwickler von Anlagentechnik, keine Software).
• A wählen, wenn: Sie bereits einen Stack von Arbeitsplatzlizenzen besitzen und KI-Funktionen darin wünschen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Plattformen: OSDU-basierte Datenplattformen (Standard des OSDU Forum; Microsoft Energy Data Manager, Implementierungen von AWS und Google Cloud, SLB Delfi, Cegal) bieten EU-Regionen und ein gemeinsames Datenmodell [4].
• Modelle: verwaltetes ML in EU-Regionen (Azure ML, Vertex AI, SageMaker) zum Training von Segmentierungs- und Prospektivitätsmodellen; führende LLMs (Claude, Gemini, GPT, Mistral als EU-Anbieter) mit strukturierten Ausgaben für die Berichtsextraktion; Mistral OCR oder Azure Document Intelligence für Scans.
• Orchestrierung: Python mit segyio/Devito, GeoPandas, Dask; MLflow; Geospatial-Funktionen von Databricks oder Snowflake; ArcGIS oder QGIS zur Prüfung.
• B wählen, wenn: Sie eine eigene Logik für Prospektivität oder Extraktion brauchen und eine in der EU gehostete Cloud nutzen können.

Weg C — Selbst betreiben (Open Source)

• Seismik: Open-Source-Werkzeuge für die Interpretation mit Deep Learning (z. B. offene Benchmark-Repositories, OpendTect mit ML-Plugins (dGB, NL), Madagascar, Devito und Fatiando a Terra; Community-Builds des Open Subsurface Data Universe OSDU.
• Geophysikalische Inversion: SimPEG, pyGIMLi, GemPy (implizite geologische Modellierung), PyVista.
• Prospektivität: scikit-learn, XGBoost/LightGBM, PyTorch; EIS Toolkit aus dem EU-geförderten EIS- Horizon-Projekt für die Prospektivität von Rohstoffen [5].
• Berichtsauswertung: Docling oder PaddleOCR mit einem LLM mit offenen Gewichten (Qwen, Mistral, Llama) auf vLLM.
• Hardware: HW3 (eine GPU mit 48–141 GB) für Training und Inferenz mit 3D-Volumen im Maßstab einer Messkampagne; kleinere Kampagnen passen auf HW2; große Neuberechnungen brauchen HPC (HW4).

Weg D — Eigenes Training

Lohnt sich, wenn Sie proprietäre Seismik- oder Bohrlocharchive besitzen: Ein seismisches Basismodell auf Ihren Volumen feintunen oder ein lagerstättentyp-spezifisches Prospektivitätsmodell trainieren. Erfordert gelabelte Interpretationen (Verwerfungen, Horizonte), Hunderte Bohrlöcher oder bekannte Vorkommen und ein Team für Data Engineering; Modelle übertragen sich schlecht zwischen Becken oder Lagerstättentypen.

Stand der Technik (2026)

• Seismische Basismodelle, die auf großen ungelabelten Volumen vortrainiert wurden, übertreffen aufgabenspezifische U-Nets bei Benchmarks zu Verwerfungen und Horizonten, wenn Labels knapp sind; öffentliche Benchmarks sind weiterhin klein und meist synthetisch oder stammen aus wenigen Becken (z. B. F3 Niederlande, Parihaka Neuseeland, SEAM).
• Generative KI: LLM-Copiloten für die Suche in Geowissenschaftsdaten, den Zugriff in natürlicher Sprache auf OSDU- Speicher und die Zusammenfassung von Berichten sind in der frühen Produktion; Diffusionsmodelle werden zur seismischen Entrauschung und Superauflösung eingesetzt.
• KI-geführte Explorationsunternehmen (KoBold Metals, Zanskar) verbinden eigene Datenerhebung mit ML-Zielgenerierung; der Erfolg bemisst sich an Entdeckungen, deren Bestätigung Jahre dauert.
• Grenzen und Fehlerbilder: extreme Datenknappheit bei Lagerstätten; räumliche Datenleckage, die die Validierungswerte aufbläht; Domänenverschiebung zwischen Becken und Jahrgängen der Datenerhebung; ML-Verwerfungen, die geologisch unplausibel sind; halluzinierte Werte bei der LLM-Extraktion aus schlechten Scans; verstärkte Verzerrung zugunsten bereits erkundeter Gebiete (Stichprobenverzerrung). Vorhersagen müssen Unsicherheit ausweisen und durch Blindbohrungen oder zurückgehaltene Regionen getestet werden.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack: scientific-fm, simulation, ocr-docparse und vector-db werden in SCI-005 (Simulations-Surrogate), DOC-014 (Dokumentenauswertung für RAG) und SCI-011 (KI-Wissenschaftler-Agenten) wiederverwendet.
• Kombinationen: Satelliten- und geologische Kartenebenen aus VIS-021; InSAR-Bodenbewegung zur Überwachung von Bergwerken und Speicherstandorten (VIS-061); Geodaten-Analytik DATA-011; Klima- und physischer Risikokontext SCI-010, PRED-036.
• GPU/HPC: Dieselben HW3-/HW4-Knoten bedienen Seismik-Training, Surrogat-Simulation und LLM- Inferenz.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Freischaltung der Module; die Lizenzkosten dominieren.
• Weg B: 3–9 Monate für eine erste Pipeline zu Prospektivität oder Interpretation plus Arbeiten an der Daten- plattform; die Datenbereinigung ist der größte Kostentreiber.
• Weg C/D: 6–18 Monate mit Geowissenschaftlern und ML-Ingenieuren; Kosten für HPC oder GPU und Datenerhebung (neue Messkampagnen, Bohrungen) übersteigen die Modellkosten bei Weitem.
• Kennzahlen: Interpretationsstunden je Seismikvolumen; Übereinstimmung von Verwerfungen/Horizonten mit Fachleuten (IoU, Dice); Trefferquote gebohrter Ziele gegenüber der Basislinie; Kosten pro gebohrtem Meter je Entdeckung; Anteil digitalisierter älterer Berichte; Zeit für die Vorauswahl eines Speicherstandorts je Kandidat; Kalibrierung der Unsicherheit.

Menschen & Veränderung

Beziehen Sie von Anfang an die Leitung der Geowissenschaften und die Interpretierenden ein, die jede Karte und jeden Horizont prüfen werden; sie legen die Abnahmekriterien fest und liefern Labels. Die Geschäftsführung entscheidet über den Datenaustausch mit Partnern und Lizenzgebern. Die IT stellt Speicher, GPU und die Anbindung der Arbeitsplätze bereit; die Dateneigner (Messarchiv, Auftragnehmer) müssen Daten freigeben und Lizenzen klären. Recht und Compliance decken Berg- und Speichergenehmigungen ab, und bei CO2-Speicherung und der Standortwahl für Geothermie sind Behörden und betroffene Gemeinden als Interessengruppen zu beteiligen.

Datenschutz: meist keine personenbezogenen Daten, daher ist eine DSFA in der Regel nicht nötig; beziehen Sie die oder den Datenschutzbeauftragte(n) (DSB) nur ein, wenn Daten von Grundeigentümern oder Beschäftigten in das System gelangen.

Betriebsrat: im Regelfall nein, weil das System Geologie analysiert, nicht Beschäftigte; relevant wird er, wenn Nutzungsprotokolle eine Leistungsüberwachung erlauben (§ 87 Abs. 1 Nr. 6 BetrVG), und der Betriebsrat sollte über die geplanten KI-gestützten Arbeitsverfahren informiert werden (§ 90 Abs. 1 Nr. 3). Öffentliche Stellen informieren den Personalrat.

KI-Kompetenz: Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; vermitteln Sie Unsicherheitskarten, Grenzen der Extrapolation und wie man ein Modell hinterfragt. Starten Sie einen Pilot mit einem Becken oder Prospekt und vergleichen Sie mit einer blinden Interpretation. Sorge: „Das Modell ersetzt die Interpretierenden" - die Interpretierenden bleiben für Bohr- und Speicherentscheidungen verantwortlich.

Leitfäden: GUIDE-009, GUIDE-008, GUIDE-003.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; Analytik in den Geowissenschaften ist kein Anwendungsfall nach Anhang III. Sie wird nur dann hochriskant, wenn eine KI-Komponente eine Sicherheitskomponente einer kritischen Infrastruktur ist (z. B. die automatische Steuerung der Injektion an einem Speicherstandort oder eines Gasnetzes); keine nach Art. 5 verbotene Praxis trifft zu. Die Pflicht zur KI-Kompetenz (Art. 4) gilt für die Beschäftigten.
• DSGVO: meist keine personenbezogenen Daten; Unterlagen von Grundeigentümern, Genehmigungsanträge oder Daten aus Bürger- beteiligung können personenbezogene Daten enthalten.
• Branchenregeln: CO2-Speicherrichtlinie 2009/31/EG (Standortcharakterisierung, Genehmigungen, Überwachung) [6]; NZIA; Genehmigungsregeln des CRMA und Kriterien für strategische Projekte; nationales Bergrecht, UVP-Richtlinie und Natura-2000-Auflagen; EU-Datengesetz für den Austausch industrieller Daten; vertragliche Beschränkungen lizenzierter Seismikdaten für das KI-Training.
• Technische und kommerzielle Risiken: übermäßiges Vertrauen in Black-Box-Vorhersagen, induzierte Seismizität bei geothermischer Stimulation, CO2-Leckage; gesellschaftliche und ökologische Betriebserlaubnis (Licence to Operate). Gegenmaßnahmen: dokumentierte Validierung, unabhängige Begutachtung (Peer Review), menschliche Freigabe jeder Bohr- oder Injektionsentscheidung, Ampel-Überwachung und Einbindung der Öffentlichkeit.

Erste Schritte

1. Datenbestände (Seismik, Bohrungen, Analysen, Berichte), Formate und Lizenzgrenzen erfassen; ein OSDU- oder Geodatenbank-Fundament aufsetzen.
2. Eine klar umrissene Aufgabe wählen, zum Beispiel Verwerfungssegmentierung in einer Messkampagne oder Prospektivität für einen Lagerstättentyp in einem Revier.
3. Ältere Berichte mit OCR plus LLM-Extraktion digitalisieren und eine Stichprobe gegen die Referenzwahrheit (Ground Truth) validieren.
4. Eine Basislinie mit räumlicher Kreuzvalidierung und blind zurückgehaltenen Gebieten aufbauen, bevor größere Modelle genutzt werden.
5. Priorisierte Ziele mit Unsicherheit den Geowissenschaftlern vorlegen; angenommene und abgelehnte Vorschläge protokollieren und Bohrergebnisse zurückspielen.

Quellen

1. Regulation (EU) 2024/1252 (Critical Raw Materials Act) — https://eur-lex.europa.eu/eli/reg/2024/1252/oj
2. Regulation (EU) 2024/1735 (Net-Zero Industry Act) — https://eur-lex.europa.eu/eli/reg/2024/1735/oj
3. Northern Lights CCS project — https://norlights.com
4. OSDU Forum (Open Group) — https://osduforum.org
5. EIS Toolkit (Horizon Europe EIS project) — https://github.com/GispoCoding/eis_toolkit
6. Directive 2009/31/EC on geological storage of CO2 — https://eur-lex.europa.eu/eli/dir/2009/31/oj
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. KoBold Metals — https://www.koboldmetals.com
9. SimPEG open-source geophysics — https://simpeg.xyz