Description du projet
Cartographier les réservoirs sous les fonds océaniques
Les eaux souterraines rafraîchies en mer (ESRM), qui se trouvent sous les fonds océaniques et dont la salinité est inférieure à celle de l’eau de mer, constituent une ressource potentielle pour les eaux côtières. Toutefois, le manque de données sur leur distribution empêche leur utilisation efficace pour atténuer le stress hydrique dans les régions côtières. Dans ce contexte, le projet OPTIMAL, financé par l’UE, vise à prévoir la présence et la répartition des ESRM à l’échelle mondiale. Sa méthodologie combine la simulation numérique et l’apprentissage automatique, en utilisant des facteurs géologiques et géomorphologiques. Dirigé par l’Université de Malte, avec pour partenaires l’Université d’Utrecht et Deltares, le projet fait progresser la compréhension scientifique et s’aligne sur les objectifs de développement durable. Il facilite le transfert de connaissances tout en renforçant l’expertise en géologie marine et en apprentissage automatique appliqué. Grâce à la validation de données réelles, OPTIMAL représente une étape importante vers la gestion durable des ressources en eau.
Objectif
Offshore freshened groundwater (OFG) refers to fluids stored in sediment pores and rock fractures below the seafloor, with a salinity lower than seawater. This phenomenon has been identified globally in continental margins and proposed as a resource that can potentially alleviate water stress in coastal regions. However, the scarcity of data to constrain the distribution and volumes of the reservoirs remains a challenge. OPTIMAL project aims to: (i) develop an interdisciplinary methodology to predict the occurrence and distribution of OFG resources built on Artificial Intelligence and (ii) apply the model globally to infer OFG occurrence and quantify the resource feasibility as a function of distribution characteristics such as offshore extent, depth below the seafloor and fresh to brackish water ratio. The proposed methodology uses a surrogate model to create a dataset of input parameters, representing key geological and geomorphological components influencing OFG systems, such as aquitard thickness and seafloor bathymetry. The output data will be generated via numerical simulation of variable-density groundwater transport on the suite of surrogate models using high-performance computing. These data will be used to train and test machine learning algorithms. The successful models will be validated using real-world data from the existing global OFG database. The predictive model proposed in this fellowship contributes to achieving Sustainable Development Goals related to technologies for improving access to water resources. The primary beneficiary of this funding will be the University of Malta. Partner organizations will be Utrecht University and Deltares in The Netherlands. The action presents a unique opportunity for the fellow to transfer his expertise in stochastic reservoir modelling and characterization of OFG systems to the host, while learning about marine geology, seafloor landforms and applied machine learning.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
Régime de financement
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinateur
MSD 2080 MSIDA
Malte