Der Klimawandel stellt die Wasserwirtschaft vor immense Herausforderungen, insbesondere durch Extremwetterereignisse, die weltweit Einfluss auf die Wasserressourcen nehmen. Um diese Herausforderungen zu bewältigen, werden Potenziale in der Nutzung von künstlicher Intelligenz und Machine Learning gesehen. Erfolge konnten bereits in verschiedenen wasserwirtschaftlichen Anwendungen nachgewiesen werden, weshalb Methoden des Machine Learning auch für Abflussvorhersagen in Kanalnetzen vielversprechend scheinen. Das vorliegende Buch untersucht das Potenzial von Machine Learning zur Vorhersage von Abflüssen in urbanen Kanalnetzen. Mithilfe der Machine Learning-Plattform TensorFlow wurde ein Modell entwickelt, das auf Basis von simulierten Abflüssen trainiert wurde und aus Niederschlagsdaten Abflussvorhersagen generiert. Die Untersuchungen ergaben, dass das entwickelte tiefe neuronale Netz, basierend auf dem LSTM-Algorithmus, eine durchschnittliche Maximalwertabweichung des Abflusses von 4,6 % erreichen konnte. Das Modell wies eine schnelle Berechnungszeit von 0,06 s pro Vorhersage auf, was es dreimal schneller als ein äquivalentes SWMM-Modell machte. Die Übertragung der Methodik auf ein anderes Kanalnetzsystem mit Regenklärbecken war ebenfalls erfolgreich, mit einer durchschnittlichen Maximalwertabweichung von 8,2 %. Die Ergebnisse demonstrieren die Machbarkeit und Effizienz von Machine Learning-gestützten Abflussvorhersagen und deren Beschleunigungspotenzial.
