// Verschluss untertägiger Hohlräume, Langzeit-Sicherheitsuntersuchungen

KI-Stoff

KI-unterstützte Stoffmodellierung am Beispiel von Bentonit

Das Forschungsprojekt "KI-Stoff" befasst sich mit der Entwicklung einer Methodik zur automatisierten Auswahl und Anpassung von Stoffmodellen für Bentonit unter Verwendung maschineller Lernverfahren (ML). Bentonitmaterialien sind integraler Bestandteil der geotechnischen Barrieren in den meisten Endlagerkonzepten weltweit und weisen komplexe Verhaltensmuster wie Nichtlinearität, Heterogenität und gekoppelte Wechselwirkungen auf. Daher gestaltet sich der Entwicklungsprozess von Stoffgesetzen als äußerst anspruchsvoll und zeitaufwendig. Die Eigenschaften von Bentonit unterliegen zudem je nach Vorkommen natürlichen Schwankungen, sodass bislang kein universell gültiges Stoffgesetz entwickelt werden konnte. Der Einsatz von ML eröffnet hierbei neue Möglichkeiten, die zu einer beschleunigten Modellauswahl, Parameteridentifikation sowie Weiterentwicklung von Stoffmodellen beitragen können. 

Eine wesentliche Herausforderung besteht darin, für neue Messdaten unterschiedlicher Bentonittypen das passende Stoffmodell auszuwählen und zu kalibrieren. In diesem Projekt soll daher eine ML-Methodik entwickelt werden, die diesen Prozess an unterschiedlichen Stellen automatisiert und so Modellierende und Berechnungsingenieure bestmöglich unterstützt. Gleichzeitig können auf dieser Basis Modellvergleiche systematisiert werden. 

Ziel des Forschungsprojektes ist es letztlich, die Lücke zwischen Experimenten und Simulationen für Bentonit zu verringern.