Digitaler Zwilling revolutioniert Permafrost-Monitoring unter arktischen Straßen

Permafrost in der Arktis taut auf und wird zunehmend instabil – eine wachsende Bedrohung für Straßen und Infrastruktur in nördlichen Regionen. Doch die Vorhersage, wie sich der gefrorene Boden entwickelt, gestaltet sich schwierig: Die Bedingungen unter der Oberfläche variieren stark, Messdaten sind rar, und herkömmliche Modelle lassen sich nur schwer mit neuen Feldbeobachtungen aktualisieren.

Ein Forschungsteam um Gou et al. (2026) hat nun eine innovative Lösung entwickelt, die diese Herausforderungen meistert. Am Beispiel einer Straße in Utqiaġvik, Alaska, kombinierten die Wissenschaftler faseroptische Temperaturmessungen entlang eines 100-Meter-Abschnitts mit einem physikbasierten digitalen Zwilling. Dieser Ansatz verbindet Überwachung und Modellierung zu einem dynamischen System, das sich kontinuierlich an neue Daten anpasst.

KI trifft auf physikalische Grundlagen

Im Gegensatz zu herkömmlichen Black-Box-Modellen integriert das Team ein neuronales Netzwerk direkt in einen Wärmeübertragungs-Solver. Dadurch bleiben die physikalischen Gesetzmäßigkeiten erhalten, während unsichere Bodeneigenschaften wie Wärmeleitfähigkeit oder Wassergehalt automatisch aktualisiert werden. Das Modell rekonstruiert nicht nur Temperaturfelder, sondern leitet auch thermodynamische Eigenschaften ab und überprüft diese mit unabhängigen Daten aus DAS-Messungen, Bohrkernen und Laborexperimenten.

Dieser digitale Zwilling ermöglicht nicht nur präzisere Vorhersagen, sondern auch Echtzeit-Monitoring – ein entscheidender Fortschritt für den Umgang mit den Folgen des Klimawandels in der Arktis.

So funktioniert das Modell

Das neuronale Netz (NN) verarbeitet Temperaturdaten an jeder lateralen Position und gibt sechs unbekannte Parameter aus, die sich mit der Entfernung ändern. Diese Parameter fließen in die Wärmeübertragungsgleichung ein und werden mit einer Finite-Differenzen-Methode (FDM) gelöst. Die Differenz zwischen vorhergesagten und beobachteten Temperaturen wird als „Verlust“ definiert, dessen Gradienten zurückpropagiert werden, um die NN-Parameter zu optimieren.

„Dieser Ansatz geht über punktuelle Modellierungen hinaus und bietet eine verlässliche Grundlage für Echtzeit-Prognosen und Infrastrukturüberwachung in einer sich erwärmenden Arktis.“
— Xiang Huang, Associate Editor, JGR: Earth Surface

Praktische Bedeutung für die Zukunft

Die Studie von Gou et al. (2026) zeigt, wie digitale Zwillinge in Kombination mit KI und physikalischen Modellen neue Wege für das Permafrost-Monitoring eröffnen. Besonders relevant ist dies für Regionen, in denen Infrastruktur durch auftauenden Permafrost gefährdet ist. Durch die Integration von Echtzeitdaten können Behörden und Ingenieure schneller auf Veränderungen reagieren und präventive Maßnahmen ergreifen.

Die Methode könnte künftig auf weitere arktische Standorte übertragen werden und so einen Beitrag zur Anpassung an den Klimawandel leisten.

Zitierhinweis

Gou, L., Xiao, M., Zhu, T., Martin, E. R., Wang, Z., Rocha dos Santos, G., et al. (2026). Physics-informed digital twin for predicting permafrost thermodynamic characteristics under an embankment road in Utqiaġvik, Alaska. Journal of Geophysical Research: Earth Surface, 131, e2025JF008787. https://doi.org/10.1029/2025JF008787

• Text © 2026. Die Autoren. CC BY-NC-ND 3.0
• Bilder unterliegen dem Urheberrecht. Jede Nutzung ohne ausdrückliche Genehmigung des Rechteinhabers ist untersagt.