Korte beschrijving

"To consult the statistician after an experiment is finished is often merely to ask him to conduct a post mortem examination. He can perhaps say what the experiment died of." Ronald Fisher. Het nauwkeurig modelleren van de ondergrond, een complexe en heterogene omgeving die een cruciale rol speelt in de watercyclus van de Aarde, is uitdagend vanwege de schaarse en onvolledige gegevens. Door extra waarnemingen en metingen in de ondergrond te verrichten, kunnen we de onzekerheid die verbonden is aan voorspellingen verminderen. Maar praktische en economische drijfveren beperken vaak het aantal metingen en de locaties van de metingen. In deze thesis stellen we simulatie-gedreven methoden voor om onzekerheid in voorspellingen van de ondergrond te verminderen door de meest informatieve datasets te identificeren. Onze aanpak, gebaseerd op Bayesiaanse optimale experimentele ontwerp machine learning, bepaalt de aard en locatie van deze datasets. We laten de effectiviteit van onze methoden zien door drie case studies in grondwatermodellering: het afbakenen van een beschermingsgebied rond putten, een monitoringsysteem voor thermische energieopslag in watervoerende lagen en de interactie tussen grondwater en oppervlaktewater. Onze resultaten laten zien dat deze methodologieën de nauwkeurigheid en precisie van voorspellingen met betrekking tot de ondergrond kunnen verbeteren. En we bespreken hun prestaties en de mogelijkheden voor toekomstig onderzoek.