Verbundprojekt SEMOTI

Motivation und Ziel

Aktuell werden in der Planungsphase eines Tiefenlagers für hochradioaktive Abfälle unterschiedliche Verschlusskonzepte über numerische Simulationen abgebildet und hinsichtlich der Einhaltung der Zielfunktionen manuell bewertet. Durch Monitoring des Tiefenlagersystems während der einzelnen Projektphasen nehmen Kenntnisstand und Datengrundlagen stetig zu, sodass die gewonnenen Messdaten als Teil eines selbstlernenden Verfahrens die Möglichkeit bieten, Fehlentwicklungen zu erkennen und ggf. Kon-sequenzen daraus abzuleiten (Krafczyk et al. 2021).

Darauf aufbauend haben die Projektpartner der TU Braunschweig im Rahmen des Forschungsvorhabens SEMOTI das Gesamtziel, eine auf dem maschinellen Lernen basierende Modellierungs-methodik für Tiefenlagersysteme unter Berücksichtigung geomechanischer und geotechnischer Aspekte zu entwickeln. Anhand eines virtuellen Demonstrators einer Einlagerungsstrecke eines Tiefenlagers wird sowohl ein Optimierungsprozess während der Planungsphase als auch ein Kalibrierungsprozess während der Auffahrungsphase ermöglicht. Die betrachtete Einlagerungsstrecke befindet sich im Steinsalz, welches aufgrund der mechanischen und hydraulischen Eigenschaften eines der potenziellen Wirtsgesteine in Deutschland für die sichere Langzeitlagerung von hochradioaktiven Abfällen ist
(StandAG 2017). Der virtuelle Demonstrator wird dabei durch ein selbstlernendes Ersatzmodell basierend auf Gaußprozessen (GPs) repräsentiert. GPs sind maschinelle Lernwerkzeuge für die Regression unstrukturierter Daten, die eine Quantifizierung des Interpolationsfehlers bzw. der Ungewissheit liefern (Williams & Rasmussen, 2006).