Deponiegas-Monitoring mit KI

Das echte Ausmaß des Problems

Rund 1.200 Deponien in Deutschland befinden sich in der Nachsorgephase und sind gesetzlich verpflichtet, Deponiegas zu überwachen und zu erfassen — nicht nur während des Betriebs, sondern oft noch 20 bis 30 Jahre nach Schließung. Die Deponieverordnung (DepV, Anhang 5, Nr. 3.2) macht das Monitoring für Klasse-I-, -II- und -III-Deponien zur Dauerpflicht. Die 30. BImSchV verschärft die Anforderungen an Messmethodik und Berichtspflichten zusätzlich.

Das Problem: Das klassische Monitoring ist ein Stichprobensystem. Ein Techniker geht alle zwei bis vier Wochen von Brunnen zu Brunnen, nimmt mit einem tragbaren Gerät Messwerte ab und trägt sie in eine Excel-Tabelle ein. Das reicht, um den Behörden gegenüber das Formular auszufüllen. Es reicht nicht, um Leckagen frühzeitig zu erkennen.

Was dabei verloren geht:

• Leckagen an Oberflächenabdichtungen entstehen graduell und sind zwischen Begehungsterminen unsichtbar — oft erst sichtbar, wenn Gas bereits in relevantem Maß entweicht
• Druckschwankungen und Korrelationen zwischen Brunnen werden nicht erkannt — ob Brunnen 17 auf Brunnen 23 reagiert, sieht man nur mit kontinuierlichem Datenstrom
• Optimierungspotenzial bei Abpumpdruck und -menge bleibt ungenutzt, weil die Datenbasis zu dünn ist, um Druckzonen zu verstehen
• Methanoxydierende Kapazität der Deponiedecke schwankt jahreszeitlich — ohne kontinuierliche Daten ist keine angepasste Betriebsführung möglich

Eine Studie aus dem Journal of Environmental Management (2025) hat an 44 US-amerikanischen Deponien gezeigt, dass Machine Learning die Methanproduktionsprognosen gegenüber dem Standardmodell LandGEM um bis zu 54 % verbessert — allein durch bessere Parameterschätzung aus Messdaten. Das klingt theoretisch, ist aber für die Praxis direkt relevant: Wer besser weiß, wie viel Gas entsteht, kann Abpumpdruck, Fackelbetrieb und BHKW-Fahrplan besser steuern.

Was die Deponieverordnung konkret verlangt

Das Monitoring ist keine Kür — es ist Pflicht. Die wichtigsten Rechtsgrundlagen für Deponiebetreiber in Deutschland:

Deponieverordnung (DepV 2009, zuletzt geändert 2024), Anhang 5, Nr. 3.2: Deponien der Klassen I, II und III müssen Deponiegas fortlaufend überwachen — Parameter sind mindestens Methan (CH4), Kohlendioxid (CO2) und Sauerstoff (O2). Die Messhäufigkeit, Messpunkte und Dokumentationspflichten legt die zuständige Behörde fest, in der Nachsorgephase aber in der Regel mindestens monatlich an allen Gasbrunnen.

30. BImSchV (Deponieverordnung zur Bundes-Immissionsschutzverordnung): Regelt die Anforderungen an Deponiegaserfassungs- und -verwertungsanlagen. Schreibt vor, dass Messverfahren dem Stand der Messtechnik entsprechen und von der zuständigen Behörde anerkannt sein müssen. Kontinuierliche Messung ist ausdrücklich möglich und in vielen Bundesländern bei größeren Anlagen bereits Standarderwartung.

TA Luft 2021: Verschärft die Anforderungen an diffuse Emissionen. Methanemissionen an der Deponieoberfläche müssen nachgewiesen gering sein — was ohne Oberflächenmessungen nur schwer belegbar ist.

Praktische Konsequenz: Behörden akzeptieren manuelle Begehungen als Nachweis, erwarten aber nachvollziehbare Dokumentation. Wenn Behördenberichte Lücken im Messnetz aufzeigen oder Einzelwerte auffällig sind, können sie verstärkte Überwachung oder technische Maßnahmen anordnen. Ein kontinuierliches Monitoringsystem ist kein zusätzlicher Aufwand — es ist die Absicherung gegen genau diese Anordnungen.

Meldefrist für Grenzwertüberschreitungen: Wer kontinuierlich misst, erkennt Überschreitungen sofort und kann sofortige Gegenmaßnahmen dokumentieren. Wer manuell misst, bemerkt Überschreitungen im schlechtesten Fall erst beim nächsten Begehungstermin — zu diesem Zeitpunkt ist die Behörde dann längst im Verzug mit der Meldung.

Sensorik-Realität: Was im Deponiegas steckt und warum Messung schwierig ist

Deponiegas ist kein homogenes Medium. Bei einer aktiven Deponie enthält es typischerweise 45–65 % Methan (CH4), 30–45 % Kohlendioxid (CO2), 0–1 % Schwefelwasserstoff (H2S) und wechselnde Anteile Stickstoff, Wasserdampf und Spurenverbindungen wie Siloxane und halogenierte Kohlenwasserstoffe. In der Nachsorgephase sinkt der Methananteil graduell auf unter 20 %, während Stickstoff- und Sauerstoffanteile steigen.

Das stellt Sensoren vor spezifische Herausforderungen, die in keinem Katalog stehen:

Schwefelwasserstoff (H2S) — das schwierige Gas: Elektrochemische H2S-Sensoren zeigen Kreuzempfindlichkeiten gegenüber Kohlenmonoxid (CO), Schwefeldioxid (SO2) und — in landfillgastypischen Konzentrationen — auch gegenüber hoher Luftfeuchte. Der Signaldrift liegt bei 2 % pro Monat unter Laborbedingungen; in der Praxis mit wechselnder Temperatur, Kondensatbildung und mechanischer Beanspruchung kann er deutlich höher sein. Wer H2S-Elektrochemiesensoren nicht monatlich kalibriert, riskiert Messabweichungen von 15–20 %, die im Grenzwertbereich der TA Luft zu falschen Compliance-Einschätzungen führen.

Methan (CH4) — IR-Optik vs. Pellistor: Katalytische Pellistor-Sensoren verlieren in methanreicher, sauerstoffarmer Umgebung schnell ihre Aktivität — vergiftungsempfindlich, Fehlanzeigen möglich. Infrarot-optische Sensoren (NDIR) sind stabiler, aber temperaturempfindlicher und teurer. In der Praxis haben sich NDIR-Sensoren für stationäre Brunnenmonitoring-Stationen durchgesetzt; Pellistoren bleiben für portable Geräte üblich.

Kondensatbildung als Systemkiller: Deponiegas ist bei Atmosphärendruck nahezu wasserdampfgesättigt. Kondensierendes Wasser blockiert Schlauchsysteme, zerstört elektrochemische Sensoren und verfälscht Druckmessungen. Jede stationäre Messstation braucht aktive Kondensat-Management — Heizelemente, Kondensatabscheider, regelmäßige Reinigungsintervalle. Das wird in keiner Hersteller-Broschüre prominent kommuniziert, kostet aber im Betrieb Zeit und Geld.

Kalibrierungslogistik: Ein Netz mit 30 Brunnen-Messpunkten bedeutet 30 Sensorsysteme, die kalibriert werden müssen — monatlich für H2S, quartalsweise für CH4/CO2, jährlich für die Gesamtanlage. Das ist ein eigenständiger Wartungsauftrag. Wer das bei der Investitionsplanung weglässt, erlebt nach 18 Monaten ein Monitoringsystem mit systematisch fehlerhaften Werten und keiner verlässlichen Datenbasis für die KI.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswert aus Pilotprojekten mit kontinuierlichem Monitoring und Druckoptimierung; stark abhängig von Deponiegröße, Gasertrag und Ausgangszustand der Anlage. Nicht auf jeden Standort übertragbar.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die manuelle Begehungszeit entfällt weitgehend — ein Techniker, der bislang zwei Tage pro Monat für Brunnenrunden aufwendet, braucht stattdessen eine halbe Stunde für die Dashboard-Auswertung. Das ist real, aber verglichen mit Tourenoptimierung (4/5) oder Schadstoffklassifikation (4/5) weniger dramatisch, weil Begehungsaufwand nur einen Teil der Betriebskosten einer Deponiegasanlage ausmacht. Kalibrierung, Wartung und Behördenmeldungen bleiben Handarbeit.

Kosteneinsparung — hoch (4/5) Der Hebel ist zweifach: erstens die Gasverluste, die durch Leckagen entstehen, zweitens die Bußgeldrisiken bei Grenzwertüberschreitungen und verspäteter Meldung. Wer mit einem Jahresertrag von 1–3 GWh aus BHKW-Betrieb rechnet und 10 % durch schlechteres Druckmanagement verliert, spricht über 60.000–180.000 € in heutigen Strompreisen. Dazu kommt die Investitionssicherung: eine Anlage, die rechtskonform betrieben ist, vermeidet behördliche Auflagen, die teurer sein können als das gesamte Monitoringsystem.

Schnelle Umsetzung — niedrig (2/5) 12 bis 18 Wochen sind für die Hardware-Installation, Sensorintegration, historische Datenaufnahme und das erste Modelltraining realistisch. Das ist vergleichbar mit der Behälterstandsüberwachung (ebenfalls 2/5), bei der auch Sensorinfrastruktur aufgebaut werden muss. Kein Plug-and-Play.

ROI-Sicherheit — mittel (3/5) Der Nutzen tritt ein — aber seine Höhe hängt stark vom Gasertrag der Deponie ab. Eine Anlage mit 50 Gasbrunnen und aktivem BHKW hat einen anderen ROI-Kalkulationsrahmen als eine Deponie in der Spätphase mit 15 Brunnen und sinkenden Erträgen. Wer zum Zeitpunkt der Investition nicht weiß, wie viele Jahre aktive Gasproduktion noch vor ihm liegen, trägt ein echtes Risiko.

Skalierbarkeit — niedrig (2/5) Das ist die bewusste Entscheidung: Deponiegasmodelle sind standortspezifisch. Was an Deponie A funktioniert, lässt sich nicht auf Deponie B übertragen — unterschiedliche Abfallzusammensetzungen, Deponietechnik, Abdichtungssysteme und Hydrogeologie ergeben völlig unterschiedliche Gasmuster. Wer mehrere Deponien betreibt, muss für jeden Standort ein eigenes Modell trainieren. Das ist teurer als bei branchen-agnostischen KI-Anwendungen, ist aber die Natur dieser Technologie.

Richtwerte — stark abhängig von Standort, Deponiegröße, Gasertrag und regulatorischem Kontext.

Was das System konkret macht

Der technische Ansatz besteht aus drei Schichten:

Schicht 1: IoT-Sensorinfrastruktur An jedem Gasbrunnen werden stationäre Messstationen installiert, die kontinuierlich CH4, CO2, O2 und H2S messen — in vielen Anlagen ergänzt durch Druck- und Temperatursensoren sowie Durchflussmesser. Die Stationen übertragen Daten per Mobilfunk (4G, NB-IoT) oder LoRaWAN in eine zentrale Zeitreihendatenbank. Eine Predictive Analytics-Plattform verknüpft diese Ströme mit Umgebungsdaten (Niederschlag, Luftdruck, Temperatur) und historischen Betriebsparametern.

Schicht 2: Anomalieerkennung und Musteranalyse ML-Modelle lernen das normale Muster jedes Gasbrunnen: typische Tages- und Wochenschwankungen, jahreszeitliche Trends, Korrelationen zwischen benachbarten Brunnen. Weicht ein Brunnen von seinem Erwartungsprofil ab — sinkt CH4 bei stabilem CO2, steigt H2S unerwartet, verliert ein Brunnen Druck ohne erkennbaren Grund — schlägt das System Alarm und zeigt an, wo die Ursache wahrscheinlich liegt.

Schicht 3: Betriebsoptimierung Auf Basis des vollständigen Druckprofils aller Brunnen berechnet das System Empfehlungen für Abpumpdruck und -menge: Welche Brunnen sollten mehr, welche weniger Unterdruck bekommen? Wo lohnt sich eine Neuperforation? Das ersetzt nicht die Entscheidung des Betriebsleiters, gibt ihr aber eine deutlich bessere Grundlage.

Energiewirtschaft und Fackel-Management

Für Deponien mit aktivem BHKW-Betrieb ist das Monitoring eng mit der Energiewirtschaft verknüpft. Die Herausforderung: BHKW laufen optimal bei stabiler Methankonzentration und -menge. Schwankungen — durch Leckagen, jahreszeitliche Gasproduktionsschwankungen, ungleichmäßige Druckverteilung — erzwingen entweder Fahrplanänderungen am BHKW oder führen zu schlechtem Wirkungsgrad.

Ein KI-gestütztes System kann hier auf zwei Arten helfen:

Kurzfristige Vorhersage: Das Modell prognostiziert auf Basis der aktuellen Brunnenprofile, wie sich Methanmenge und -qualität in den nächsten 4–12 Stunden entwickeln werden. Das ermöglicht eine proaktive BHKW-Steuerung statt reaktiver Anpassung.

Mittelfristige Kapazitätsplanung: Saisonale Muster (höhere Gasproduktion im Sommer durch Temperatureffekte, Veränderungen durch Niederschlagsereignisse) lassen sich mit Zeitreihendaten vorhersagen. Wer weiß, dass in drei Wochen mit +15 % Gasertrag zu rechnen ist, kann die Einspeisestrategie frühzeitig anpassen.

Fackel-Effizienz: Wenn Gas gefackelt werden muss (kein BHKW-Betrieb oder Überschuss), ist eine vollständige Verbrennung (>95 % Vernichtungsgrad) regulatorisch gefordert. KI-gestützte Steuerung kann Luftzufuhr und Brennkammertemperatur in Abhängigkeit von Gasmenge und -qualität automatisch anpassen — was bei stark schwankenden Gasmengen manuell kaum zu leisten ist.

Wirtschaftliche Perspektive: Deponie Wernsdorf (BSR Berlin) hat zwischen Oktober 2021 und September 2023 seine Gaserfassungsanlage grundlegend modernisiert — mit neuer Gasverdichterstation, Gasreinigung und BHKW — und erhielt dafür 145.200 € aus dem Nationalen Klimaschutzprogramm (NKI). Der Investitionsrahmen für eine Systemmodernisierung inklusive Monitoring liegt damit im mittleren sechsstelligen Bereich, mit anteiliger Förderbarkeit über NKI oder Umweltinvestitionsprogramme.

Konkrete Werkzeuge — was wann passt

Kein einzelnes Tool deckt die gesamte Kette ab. In der Praxis wird eine Kombination aus Schichten eingesetzt.

Für die Datenspeicherung und -analyse

InfluxDB — Die Open-Source-Zeitreihendatenbank ist für Deponiegas-Monitoring aus mehreren Gründen gut geeignet: Sie ist auf hochfrequente Sensordaten ausgelegt, kann on-premise betrieben werden (kein US-Hosting-Problem), und die Flux-Abfragesprache eignet sich für Zeitreihenaggregationen und einfache Anomalieregeln. Kostenlos selbst hostbar; für eine mittelgroße Deponie mit 30–50 Brunnen und stündlichen Messungen reicht eine virtuelle Maschine mit 4 GB RAM. Einschränkung: Kein deutschsprachiger Support, Einrichtung erfordert Linux-Kenntnisse.

Grafana — Standardlösung für die Visualisierung. Verbindet sich direkt mit InfluxDB, bietet fertige Dashboard-Templates für industrielles Monitoring und hat seit 2024 ML-basierte Anomalieerkennung integriert (Grafana ML). Die Open-Source-Version ist kostenlos selbst hostbar; für kleinere Installationen mit einem Nutzer ist das ausreichend. Wer eine gehostete Variante mit EU-Region bevorzugt, wählt Grafana Cloud mit EU-Frankfurt-Option.

Für ML-gestützte Anomalieerkennung

Amazon Lookout for Equipment — AWS-Dienst für Predictive-Analytics-Anomalieerkennung auf Basis von Sensorzeitreihen, ohne eigenes ML-Wissen. Das System lernt automatisch normale Betriebsmuster aus historischen Daten und erkennt Abweichungen — genau das, was für Brunnenanomalie-Detektion gebraucht wird. EU-Region Frankfurt (eu-central-1) verfügbar; Inferenz alle 5 Minuten konfigurierbar. Pay-as-you-go: ca. 0,15 USD/Stunde je Modell. Voraussetzung: AWS-Infrastruktur muss bereits genutzt oder geplant sein.

Azure Digital Twins — Für Betreiber, die eine vollständige digitale Repräsentation ihrer Deponieanlage aufbauen wollen, bietet Azure Digital Twins ein Modell, das physische Brunnenstandorte, Rohrverbindungen und Betriebsparameter abbildet. In Verbindung mit Azure IoT Hub für die Gerätekommunikation entsteht ein skalierbarer Daten-Layer. EU-Hosting verfügbar; sinnvoll für Deponiebetreiber mit mehreren Standorten, die eine einheitliche Plattform wollen.

Für den angrenzenden Bereich Biogasoptimierung

bioGASMAS — Technisch für Biogasanlagen gebaut, nicht für Deponies. Wer den Übergang zwischen Deponiegaserfassung und einer benachbarten Biogasanlage oder Biomethan-Aufbereitung modellieren will, kann dieses Tool als Referenz für die Betriebsoptimierungslogik nutzen. Für das reine Deponiegas-Monitoring ist es das falsche Werkzeug — der Unterschied zwischen anaerober Fermentation in einer Bioanlage und der biochemischen Zersetzung in einer Deponie ist zu groß.

Wann welcher Ansatz:

• Kleine Deponie (unter 15 Brunnen), kein BHKW → InfluxDB + Grafana on-premise, keine ML-Schicht, regelbasierte Alarme
• Mittlere bis große Deponie (15–50 Brunnen), aktiver BHKW-Betrieb → InfluxDB + Grafana + Lookout for Equipment
• Mehrere Standorte, cloud-first-Strategie → Azure Digital Twins + IoT Hub + Azure ML

Datenschutz und Datenhaltung

Deponiegas-Monitoring verarbeitet in der Regel keine personenbezogenen Daten — Sensormesswerte, Betriebsparameter und Standortkoordinaten sind technische Daten, kein Personenbezug. Das macht die DSGVO-Situation entspannter als bei vielen anderen KI-Anwendungen.

Die relevanten Compliance-Fragen liegen woanders:

Behördliche Meldepflichten: Die Daten aus dem Monitoring müssen behördenfest sein — nachvollziehbar, revisionssicher und im Zweifelsfall als Beweismittel geeignet. Wer Daten in einer Cloud speichert, die nachträglich verändert oder gelöscht werden könnten, hat ein Compliance-Problem. Empfehlung: Zeitreihendaten in einem append-only-System speichern (InfluxDB unterstützt das), und Behördenberichte aus unveränderlichen Snapshot-Exporten erstellen.

Kritische Infrastruktur (KRITIS): Deponien, die Teil der Entsorgungsinfrastruktur sind oder Energie ins Netz einspeisen, können unter KRITIS-Vorschriften fallen. Dann gelten erhöhte Anforderungen an IT-Sicherheit und Datenhaltung — on-premise oder zertifizierte deutsche Cloud sind dann Pflicht, keine Option.

Auftragsverarbeitung: Wenn externe Dienstleister Zugriff auf Betriebsdaten haben (z. B. für Wartung oder Auswertung), ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO erforderlich — auch wenn keine personenbezogenen Daten verarbeitet werden, sofern die Daten als Betriebsgeheimnisse einzuordnen sind.

AWS und Azure EU-Regionen: Beide Anbieter betreiben EU-Rechenzentren (Frankfurt, Irland) mit entsprechenden AVV-Vorlagen und EU Data Boundary-Optionen. On-premise mit InfluxDB eliminiert diese Frage vollständig.

Was es kostet — realistisch gerechnet

Einmalige Investitionskosten (Beispiel: 25 Brunnen, mittlere Deponie)

• Sensorhardware (CH4/CO2/O2/H2S + Druck, stationär): 800–2.000 € pro Brunnenstation × 25 = 20.000–50.000 €
• Funkinfrastruktur / Gateway (NB-IoT oder LoRaWAN): 2.000–8.000 €
• Installation, Verkabelung, Schutzgehäuse: 5.000–15.000 €
• Zeitreihendatenbank-Setup (InfluxDB on-premise): 2.000–5.000 € (externe IT-Dienstleistung)
• Dashboard-Konfiguration (Grafana): 2.000–4.000 €
• ML-Modelltraining (erste Modellerstellung, 3–6 Monate Datengrundlage): 5.000–15.000 €
• Gesamtinvestition typisch: 36.000–97.000 €

Zusätzlich zu berücksichtigen: Die Förderung über NKI (Nationale Klimaschutzinitiative) oder EFRE-Programme kann 30–50 % der Investition abdecken — Deponie Wernsdorf hatte 145.200 € für eine umfassendere Systemmodernisierung erhalten.

Laufende Kosten (monatlich)

• Mobilfunk-Datentarife (NB-IoT, 25 Stationen): 100–250 €
• AWS Lookout for Equipment (25 Modelle, Inferenz stündlich): ca. 60–100 USD/Monat
• Sensor-Kalibrierungsservice (H2S monatlich, CH4/CO2 quartalsweise): 3.000–6.000 €/Jahr

Was du dagegenrechnen kannst:

Eine Deponie mit 2 MW BHKW-Leistung und 7.000 Volllaststunden/Jahr erzeugt ca. 14.000 MWh. Bei aktuellem Industriestrompreis von 0,12–0,15 €/kWh entspricht das 1.680.000–2.100.000 € Jahresertrag. Wer durch bessere Druckoptimierung und Leckagereduktion 8–12 % mehr Gasertrag realisiert, steigert den Jahresertrag um 134.000–252.000 €. Die gesamte Systemkostenwirkt damit innerhalb eines Jahres amortisiert — im konservativen Szenario in zwei Jahren.

Dazu kommen vermiedene Bußgelder (TA Luft-Verstöße können fünfstellige Verwaltungssanktionen nach sich ziehen) und vermiedene behördliche Anordnungen zur nachträglichen Ertüchtigung, die erfahrungsgemäß teurer sind als eine geplante Investition.

Typische Einstiegsfehler

1. Sensorik kaufen, Kalibrierungsplan vergessen. Die meisten Projekte starten mit einem ambitionierten Sensorkonzept und einem vagen “wird dann jemand pflegen”. Zwölf Monate später sind die H2S-Sensoren um bis zu 25 % versetzt (Drift ohne Kalibrierung), die Methanwerte passen nicht mehr zu Kontrollmessungen des Handgeräts, und das ML-Modell trainiert auf systematisch falschen Daten. Das Ergebnis: Anomaliealarme, die nicht auf Leckagen hinweisen, sondern auf Sensordrift. Lösung: Vor Inbetriebnahme einen verbindlichen Wartungsplan erstellen — welcher Sensor wann von wem kalibriert wird, mit welchem Referenzgas, dokumentiert im System.

2. Mit dem Modell starten, bevor genug Daten vorhanden sind. ML-Modelle für Brunnenanomalieerkennung brauchen mindestens 3–6 Monate historische Daten, um saisonale Muster zu lernen. Wer das System nach acht Wochen Betrieb aktiviert, bekommt ein Modell, das regelmäßig Fehlalarm schlägt — weil normale Schwankungen als Anomalien interpretiert werden. Das führt zu Alarmermüdung (Alarm Fatigue): Das Team hört irgendwann auf, die Warnmeldungen ernst zu nehmen. Lösung: Datenerfassung und Modelltraining in zwei Phasen trennen. Erst sammeln, dann modellieren.

3. Kondensatmanagement unterschätzen. Deponiegas ist feucht. Sehr feucht. Kondensierendes Wasser in Schlauchverbindungen und Sensorköpfen ist der häufigste Ausfallgrund bei stationären Messtationen — häufiger als Sensordrift, häufiger als Konnektivitätsprobleme. Lösung: Nur Messtationen mit aktivem Kondensatmanagement (Kondensatabscheider, Beheizung kritischer Komponenten) einsetzen. Günstigere Lösung ohne diese Schutzfunktionen kostet mehr in Wartung und Ausfallzeit als die Preisersparnis wert war.

4. Das Modell einmal trainieren und nie wieder anpassen. Ein Deponiegasmodell, das im Jahr 1 nach der Schließung trainiert wird, beschreibt ein anderes System als dasselbe Modell im Jahr 10 — die biologische Aktivität nimmt ab, die Gaszusammensetzung verändert sich, Brunnen werden stillgelegt. Was heute eine Normalverteilung ist, ist in drei Jahren eine Anomalie. Lösung: Modelle mindestens jährlich neu trainieren, nach jedem signifikanten Eingriff in die Anlage (Neuperforation, Brunnenabschaltung, Leckagenbehebung) unmittelbar neu kalibrieren.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Implementierung ist in drei bis fünf Monaten abgeschlossen. Was danach kommt, ist oft schwieriger.

Die Datenmenge ändert Verhaltensmuster. Frank aus der Lede macht keine zweiwöchentlichen Begehungen mehr und schreibt keine Protokolle von Hand. Stattdessen schaut er morgens auf ein Dashboard und interpretiert Zeitreihen. Das ist ein anderes Werkzeug, das andere Fähigkeiten braucht — nicht unbedingt mehr Kompetenz, aber andere. Wer das nicht aktiv trainiert, hat Techniker, die täglich acht Alarmmeldungen ignorieren, weil sie nicht wissen, wie man sie einordnet.

Das erste Fehlalarmproblem trifft jeden. In den ersten Wochen nach Inbetriebnahme wird das System Alarme liefern, die sich als falsch herausstellen — weil das Modell noch nicht alle normalen Muster kennt, weil ein Sensor nach der Kalibrierung kurz anders misst, weil ein Wartungseingriff die Druckverteilung kurzfristig verschiebt. Das ist keine Fehlfunktion, sondern der normale Anlauf. Wer das dem Team nicht erklärt, verliert deren Vertrauen in das System genau dann, wenn es anfängt, wirklich nützlich zu werden.

Die Behörde muss verstehen, was das System liefert. Wenn der jährliche Behördenbericht plötzlich automatisch generierte Zeitreihengrafiken enthält statt handgeschriebener Messprotokolle, müssen Berichtspflicht und Nachweisformat abgestimmt sein. Das klingt bürokratisch — ist aber ein reales Projekt, das vor dem ersten Behördentermin nach der Systemeinführung abgeschlossen sein muss.

Was konkret hilft:

• Pilotphase mit 5–8 Brunnen und monatlichem Vergleich zur manuellen Messung — solange bis die Korrelation stimmt
• Schulung des Teams nicht als einmalige Veranstaltung, sondern als 90-Tage-Begleitprozess
• Fester Termin mit der zuständigen Behörde vor der Systemeinführung — kommunizieren, was geplant ist, Feedback zum Berichtsformat einholen
• Klärung: Wer ist der “Systemverantwortliche” — eine namentliche Person, die Alarme interpretiert, Kalibrierungen beauftragt und das Modell betreut

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Behörde akzeptiert nur manuelle Messungen.” Das ist in dieser Absolutheit nicht richtig. Die DepV schreibt keine Messmethodik vor, sondern verlangt, dass das Verfahren dem Stand der Messtechnik entspricht und behördlich anerkannt ist. Kontinuierliche Messung ist in § 12 DepV ausdrücklich als mögliche Erfüllungsform genannt. Was Behörden ablehnen, sind oft Systeme, die ohne Abstimmung eingeführt wurden. Lösung: Behörde frühzeitig einbinden, Messkonzept genehmigen lassen — in der Regel ein zweistufiger Prozess (Konzeptgespräch + Genehmigung Messsystem), der drei bis sechs Monate dauert, aber rechtssichere Grundlage schafft.

„Das sind zu viele Daten — damit kann unser Team nichts anfangen.” Das stimmt für rohe Zeitreihendaten. Aber niemand schaut auf 50.000 Messwerte pro Tag — das tut das System. Das Team bekommt eine Handvoll Alarme pro Woche und ein Dashboard mit Ampelsymbolen. Der Umgang damit ist erlernbar in einem Halbtages-Training. Die eigentliche Frage hinter diesem Einwand ist oft: “Wer ist für die Interpretation zuständig?” Das ist eine Organisationsfrage, keine Technologiefrage.

„Die Investition rechnet sich nicht — die Deponie hat noch zehn Jahre Gasbetrieb.” Zehn Jahre Gasbetrieb mit einem optimierten System sind wirtschaftlich attraktiver als zehn Jahre mit Leckagen und schlechtem Wirkungsgrad. Das System amortisiert sich bei einer Anlage mit BHKW-Betrieb und aktivem Gasertrag in der Regel in einem bis zwei Jahren. Was bei einem kurzen Restbetriebshorizont wirklich nicht rechnet: ein Full-Stack-Custom-System für 100.000 €. Für diesen Fall gibt es den Mittelweg: einfache IoT-Sensorik mit regelbasierter Alarmierung ohne ML-Schicht — Investition 15.000–25.000 €, amortisiert sich in Leckagereduktion allein.

Woran du merkst, dass das zu dir passt

• Deine Deponie hat mindestens 15 aktive Gasbrunnen und du betreibst eine Gaserfassungsanlage mit BHKW oder Fackel
• Die manuelle Begehung nimmt pro Monat mehr als einen Personentag — und du hast das Gefühl, dass du trotzdem zu spät auf Auffälligkeiten reagierst
• Du berichtest behördlich mindestens monatlich und der Dokumentationsaufwand ist erheblich
• Dein BHKW hat in den letzten Jahren Wirkungsgradverluste gezeigt, ohne dass eine klare Ursache gefunden wurde
• Du betreibst eine Deponie in der Nachsorgephase, bei der die Gaserfassung noch 5–20 weitere Jahre aufrechterhalten werden muss
• Ihr habt Daten aus den letzten 2–3 Jahren in digitaler Form — zumindest als Excel-Tabellen aus manuellen Messungen, die als Ausgangsbasis dienen können

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 10 aktive Gasbrunnen oder Deponien ohne BHKW-Betrieb. Die Investitionskosten für das Sensornetz sind gegenüber dem möglichen Mehrertrag nicht gerechtfertigt. Eine Deponie in der Spätphase mit sinkenden Gaserträgen und nur noch wenigen aktiven Brunnen ist besser mit einer einfachen, gut gewarteten manuellen Messung bedient.

2. Keine digitale Datenbasis und keine IT-Kompetenz im Betrieb. Wer noch nie eine SCADA-Anlage oder Zeitreihendatenbank betrieben hat und kein Budget für externe IT-Dienstleistung vorgesehen hat, wird scheitern — nicht an der Sensorik, sondern an der Systemintegration. Der erste Schritt ist dann nicht KI, sondern die Einführung eines digitalen Messprotokolls und die Digitalisierung der Betriebsführung.

3. Gasertrag unter der wirtschaftlichen BHKW-Schwelle und regulatorische Anforderungen bereits mit einfachen Mitteln erfüllbar. Wenn die Deponie so weit in der Spätphase ist, dass Methankonzentrationen dauerhaft unter 20 % liegen und BHKW-Betrieb nicht mehr wirtschaftlich ist, fehlt der Energie-ROI. In diesem Fall ist eine regelbasierte Alarmierung (kein ML) kombiniert mit kostengünstiger IoT-Sensorik die richtige Wahl — kein Vollsystem.

Das kannst du heute noch tun

Starte damit, das vorhandene Datenmaterial zu sichten. Wahrscheinlich liegen die manuellen Messprotokolle der letzten 2–3 Jahre irgendwo in Excel oder einem Betriebstagebuch. Importiere diese Daten in eine einfache Tabelle und visualisiere die Zeitreihen der fünf auffälligsten Brunnen.

Schon diese einfache Auswertung zeigt dir: Welche Brunnen haben Trends? Wo gibt es Ausreißer, die mit dem Handgerät erklärt wurden, aber in der Zeitreihe ein Muster zeigen? Welche Brunnen korrelieren miteinander, welche nicht?

Das dauert einen halben Tag. Was du danach weißt: ob dein Datenmaterial als Ausgangsbasis für ein ML-Modell geeignet ist — und ob die bisherigen Messwerte bereits Signale enthalten, die du bislang nicht gesehen hast.

Quellen & Methodik

• ML-gestützte LandGEM-Optimierung: Barik et al. (2025), „Optimizing LandGEM model parameters using a machine learning method to improve the accuracy of landfill methane gas generation estimates in the United States”, Journal of Environmental Management, DOI: 10.1016/j.jenvman.2025.000052. Kernbefund: KNN-Modell reduziert Methanproduktionsprognosefehler um 54 % gegenüber LandGEM-Standardparametern, basierend auf 44 US-Deponien.
• Deponie Wernsdorf / BSR Berlin: Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit, NKI-Förderprojektdatenbank, Stand 2023. Projekttitel: „Optimierung der Gasverwertung in der Deponie Wernsdorf”. Fördersumme: 145.200 €, Projektlaufzeit Oktober 2021 – September 2023. URL: klimaschutz.de/de/foerderung-der-nki/projekte/optimierung-der-gasverwertung-der-deponie-wernsdorf
• H2S-Sensordrift und Kreuzempfindlichkeit: ISG (Industrial Systems Group), „Why Hydrogen Sulfide (H₂S) Analyzers Fail: Top Causes & Solutions” (2023–2024); AAI Solutions, „Hydrogen sulfide monitoring in Biogas & Landfill Gas” (Anwendungsnotiz). Beide Quellen bestätigen: elektrochemische H2S-Sensoren driften ohne regelmäßige Kalibrierung in landfillgastypischen Bedingungen um 15–25 %.
• IoT-basiertes Druckmonitoring: Hamza et al. (2023), „Advanced IoT Pressure Monitoring System for Real-Time Landfill Gas Management”, Sensors 23(17), DOI: 10.3390/s23177574. Beschreibt autonome IoT-Messknotenarchitektur für Deponiegasdruckmessung.
• Rechtlicher Rahmen: Deponieverordnung (DepV) vom 27. April 2009, zuletzt geändert durch Art. 3 der Verordnung vom 3. Juli 2024 (BGBl. I Nr. 225); 30. Verordnung zur Durchführung des Bundes-Immissionsschutzgesetzes (30. BImSchV, BJNR031700001); TA Luft 2021. Spezifisch: DepV Anhang 5, Nr. 3.2 (Messanforderungen Nachsorgephase).
• Deponiegaserfassung in Deutschland: LAGA Ad-hoc-AG „Deponietechnik”, Bericht vom 01.03.2022 (Niedersächsisches Umweltministerium, Dok.-Nr. 195023). Hintergrundinformation zu Messpflichten und technischem Stand.
• Sensorik und Messtechnik: Höntzsch GmbH (Waiblingen), Produktdokumentation für Deponiegas-Strömungsmessung (Stand 2023); allgemeine Preisinformationen für stationäre Methan-/CO2-NDIR-Sensoren aus öffentlichen Herstellerpreislisten.
• Investitionsschätzung: Erfahrungswerte aus Systemangeboten für Deponiegas-Monitoring mit 15–50 Brunnen (Stand 2024); keine repräsentative Studie, sondern eigene Einschätzung auf Basis mehrerer konkreter Angebote. Förderprogramme: Nationale Klimaschutzinitiative (NKI) über Zukunft – Umwelt – Gesellschaft (ZUG) gGmbH.

Du willst wissen, ob dein Standort die Voraussetzungen für ein KI-gestütztes Monitoring erfüllt — oder wo ihr zunächst die Datenbasis schaffen müsst? Meld dich — das klären wir in einem kurzen Gespräch.