KI soll Sicherheitsprognosen für Endlager verbessern

Das Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit (BMUKN) unterstützt ein neues Forschungsprojekt zur Verbesserung der Sicherheitsbewertung für tiefengeologische Endlager. Laut dem Ministerium erhält das auf 36 Monate angelegte Vorhaben MALEK („Maschinelles Lernen für komplexe hydrologisch-geochemische Prozesse bei der Endlagerung im Kristallin“) rund 1,7 Millionen Euro. Koordiniert wird das Projekt vom Institut für Ressourcenökologie des Helmholtz-Zentrum Dresden-Rossendorf (HZDR). Beteiligt sind außerdem das Center for Advanced Systems Understanding (Casus) am HZDR sowie die TU Bergakademie Freiberg und die TU Darmstadt.

Das Projekt Malek soll Methoden entwickeln, die belastbare Langzeitprognosen für die Endlagersicherheit ermöglichen. Ziel ist es, Transport- und Reaktionsprozesse von Radionukliden in kristallinem Wirtsgestein über Zeiträume von bis zu einer Million Jahren zu modellieren. Solche Vorhersagen sind laut HZDR eine zentrale Grundlage für die Bewertung potenzieller Standorte.

Modelle für Zeiträume bis zu 1 Million Jahre

Für die Standortauswahl eines tiefengeologischen Endlagers spielt die langfristige Rückhaltung der Radionuklide eine entscheidende Rolle. Dabei müssen Modelle räumliche Skalen vom Millimeter- bis in den Kilometerbereich abbilden. Klassische numerische Simulationen stoßen nach Angaben des HZDR bei diesen komplexen Aufgaben häufig an ihre rechnerischen Grenzen.

Malek setzt deshalb auf eine Kombination aus physikbasierten Modellen und Verfahren des maschinellen Lernens. Zentrale Werkzeuge sind sogenannte Surrogatmodelle. Diese werden mit Daten aus rechenintensiven Simulationen trainiert und können anschließend deren Ergebnisse mit deutlich geringerem Rechenaufwand annähern. Laut Projektleiter Vinzenz Brendler vom HZDR sollen solche Modelle unter anderem die Sorption von Radionukliden an Gestein sowie den reaktiven Transport im Untergrund beschreiben. Beide Prozesse bestimmen maßgeblich, wie schnell sich radioaktive Stoffe ausbreiten können.

Nach Angaben von Casus sollen die entwickelten Ansätze nachvollziehbar, überprüfbar und reproduzierbar sein. Attila Cangi, Leiter der Casus-Abteilung für maschinelles Lernen in der Materialmodellierung, erklärt laut HZDR, die dort aufgebaute Expertise werde auf die Anforderungen der Endlagerforschung übertragen. Parallel planen die Projektpartner umfassende Benchmarking- und Unsicherheitsanalysen, um Genauigkeit, Robustheit und Transparenz der Modelle systematisch zu bewerten.

Bestes Gestein für Endlager finden

Im Fokus des Projekts steht kristallines Wirtsgestein, das in Deutschland als potenzielle geologische Formation für ein Endlager gilt. Obwohl das Gestein selbst meist sehr dicht ist, beeinflussen Klüfte und Störungszonen den Wasserfluss und damit auch den Transport gelöster Radionuklide. Diese komplexen Strukturen machen die Modellierung laut HZDR besonders anspruchsvoll.

Die beteiligten Einrichtungen bringen unterschiedliche Fachkompetenzen ein. Das HZDR arbeitet an geochemischen Prozessen und reaktiver Transportmodellierung. Casus entwickelt Methoden des maschinellen Lernens und der mathematischen Surrogatmodellierung.

Die TU Bergakademie Freiberg steuert Expertise zu Geomaterialien und geotechnischen Simulationen bei, während die TU Darmstadt Unsicherheitsanalysen für geowissenschaftliche Modelle entwickelt.