HEIBRiDS ist ein gemeinsames Graduiertenprogramm mit dem Schwerpunkt Datenwissenschaften des Einstein Center Digital Future (ECDF) und der Helmholtz-Gemeinschaft. HEIBRiDS wurde 2018 gegründet und ist ein interdisziplinäres Programm, das junge Wissenschaftler in datenwissenschaftlichen Anwendungen in einem breiten Spektrum naturwissenschaftlicher Bereiche ausbildet, die von Erde & Umwelt, Astronomie, Weltraum- & Planetenforschung bis hin zu Geowissenschaften, Materialien & Energie und Molekularer Medizin reichen. Das Ziel ist es, eine neue Generation von Forschern mit Erfahrung im Bereich Datenwissenschaft auszubilden, die die Anforderungen und Herausforderungen der Disziplinen verstehen, in denen datenwissenschaftliche Konzepte und Methoden unverzichtbar geworden sind.

Verbesserte rechnergestützte Ansätze zur Erdbebenrisikobewertung von Infrastrukturnetzen

 In vielen Regionen der Welt stellen Erdbeben eine anhaltende Bedrohung für die besiedelte Umwelt dar, insbesondere im Hinblick auf zivile Infrastruktursysteme, die heute für unsere Gesellschaft von grundlegender Bedeutung sind. Nach starken Erdbeben, wie sie in jüngerer Vergangenheit beispielsweise in Christchurch (Neuseeland) 2010 und 2011 auftraten, wurde beobachtet, dass Schäden an Straßen-, Schienen- und Versorgungs-/Kommunikationsnetzen den größten Beitrag an wirtschaftlichen Verlusten leisten können. Dabei spielen auch langzeitliche, sozioökonomischen Auswirkungen, die den Wiederaufbau der beschädigten Systeme verzögern, eine wichtige Rolle.

Der Analyse des seismischen Risikos und der Verwundbarkeit von räumlich ausgedehnten Infrastrukturnetzen wird von Ingenieuren, Versicherern und der wissenschaftlichen Gemeinschaft gleichermaßen zunehmend mehr Bedeutung beigemessen. Solche Analysen stellen Wissenschaftler und Ingenieure aufgrund der komplexen Interaktionen zwischen miteinander verbundenen Elementen innerhalb der Infrastruktur vor eine Herausforderung. Die Berechnungen entsprechender statistischer Modelle sind rechentechnisch derartig aufwändig, dass sie die Echtzeitbewertung des Netzwerkzustands nach einem Erdbeben nicht erlauben. Umgekehrt können vereinfachte Modelle die Zusammenhänge und Abhängigkeiten innerhalb eines Systems nicht vollständig erfassen.

In diesem Projekt führen wir neuartige Techniken aus dem Bereich des Maschinellen Lernens in diesen Prozess ein, um statistisch belastbare Bewertungen der Leistung eines Netzwerks in Bezug auf Konnektivität und Fluss bereitzustellen. Infolgedessen könnte eine schnelle Bewertung der Auswirkungen eines Ereignisses für die unmittelbare Folgenutzung ermöglicht werden, die auch als Teil einer probabilistischen Bewertung des wirtschaftlichen Schadens genutzt werden können.