Forschung

Unsere vorgeschlagene Forschungsinitiative zielt darauf ab, maschinelles Lernen an die Spitze des geotechnischen Ingenieurwesens zu bringen, mit der Vision, entscheidende Herausforderungen anzugehen und das Feld zum Wohle der Gesellschaft zu revolutionieren. Die übergeordneten Ziele unseres Projekts stehen im Einklang mit der Notwendigkeit, Unsicherheiten zu bewältigen, den Klimawandel durch Strategien mit null Kohlenstoffemissionen zu bekämpfen, die Heterogenität der Bodenparameter anzugehen, Finite-Elemente-Berechnungen zu beschleunigen, z.B. für Zuverlässigkeitsanalysen, und die Designeffizienz zu erhöhen, um den Materialverbrauch zu reduzieren, insbesondere im Kontext von Beton. Durch diesen multidimensionalen Ansatz strebt unsere Forschung nicht nur an, maschinelles Lernen im geotechnischen Ingenieurwesen anzuwenden, sondern das Feld grundlegend zu transformieren und eine neue Ära der Effizienz, Nachhaltigkeit und Widerstandsfähigkeit einzuläuten. Durch Zusammenarbeit und Innovation streben wir danach, maschinelles Lernen zu einem integralen und unverzichtbaren Werkzeug zu machen, um die komplexen Herausforderungen zu bewältigen, mit denen geotechnische Fachleute im 21. Jahrhundert konfrontiert sind.

Georisiken wie Steinlawinen, Erdrutsche und Murgänge werden gemeinhin als langsam bis schnell ablaufende, von der Schwerkraft angetriebene Prozesse bezeichnet, die typischerweise in Gebirgsregionen wie den Alpen in Europa, dem Himalaya in Asien, den Rocky Mountains in Nordamerika und den Snowy Mountains in Australien auftreten und potenzielle Gefahren für die Gesellschaft mit sich bringen. Mit dem Fortschritt der Informatik sind numerische Simulationen von Georisiken in der modernen Geomechanik und im geotechnischen Ingenieurwesen von entscheidender Bedeutung. Die Aufsplitterung der derzeitigen Forschung in lokale nationale Projekte führt häufig zu einem unzureichenden Verständnis der Entstehungsmechanismen. Diese Lücke führt zu einer Grauzone bei den modernen numerischen Methoden für High-Fidelity-Simulationen, was den Zugang sowohl für wissenschaftliche Forscher als auch für Ingenieurpraktiker einschränkt. MONUGEO bringt die sich ergänzenden Fachkenntnisse unserer Konsortiumsmitglieder zusammen, um ein besseres Verständnis der Prozesse der Auslösung, des Auslaufens und der Ablagerung (und/oder der Interaktion mit schützenden Hindernissen) zu entwickeln und im Gegenzug die bahnbrechenden numerischen Werkzeuge für die High-Fidelity-Vorhersagen zu erstellen. Unser internationales und interdisziplinäres Konsortium wird außerdem einen integrierten Forschungsansatz bevorzugen, der Laborexperimente, physikalische Modellversuche im Maßstab der Zentrifuge und Anwendung auf regionaler Ebene mit geologischen Untersuchungen. Diese integrierte Methodik wird dazu dienen, die von uns entwickelten Rechenparadigmen und numerischen Werkzeuge zu validieren und sie auf realistische Szenarien anzuwenden.

Granulatförmige Materialien sind in unserem täglichen Leben allgegenwärtig. Das gleiche körnige Material kann sich wie ein Feststoff und eine Flüssigkeit verhalten, was eine gewaltige Herausforderung für die Stoffmodelle und numerischen Methoden darstellt. Konstitutive Modelle für das feststoff- und flüssigkeitsähnliche Verhalten wurden traditionell für die jeweiligen Strömungsregime in verschiedenen ingenieurwissenschaftlichen Disziplinen entwickelt, die kaum Schnittmengen aufweisen. Ein einziges konstitutives Modell, das in der Lage ist, das transiente Verhalten bei Phasenübergängen sowohl im feststoffähnlichen als auch im flüssigkeitsähnlichen Bereich zu beschreiben, ist eine anspruchsvolle Aufgabe mit enormem Anwendungspotenzial. MOTRAN stellt sich dieser Herausforderung mit einem einfachen, aber genialen Ansatz, indem es die Spannungsrate in einen Reibungs- und einen Kollisionsanteil zerlegt. Durch die Übernahme unseres hypoplastischen Modells für den Reibungsteil und einer nicht-Newtonschen Flüssigkeit für den Kollisionsteil führt dieser Ansatz zu einem unkonventionellen konstitutiven Modell mit einer Dehnungsrate 2. Ordnung ähnlich der Bewegungsbeschleunigung, das als hervorragender Klassifikator für stetige und stabile Strömungen dient. Dieses konstitutive Modell wird dann um eine Längenskala im mikropolaren Kontinuum für die Multiskalenanalyse erweitert. Basierend auf der Mischungstheorie werden die Feldgleichungen erstmals in Ratenform aufgestellt und durch ein mehrschichtiges SPH-Modell diskretisiert. Für eine polydisperse Granulatströmung mit einzelnen großen Partikeln wird das SPH-Modell mit einem eigens entwickelten Surface Mesh Represented DEM gekoppelt, um Partikel beliebiger Form zu simulieren. Es werden fortschrittliche Lösungstechniken entwickelt, die auf Multi-GPU-Beschleunigung basieren, um groß angelegte Probleme mit hoher Wiedergabetreue zu simulieren. Das konstitutive Modell wird durch Laborexperimente an natürlichen körnigen Materialien und deren transparentem Ersatz kalibriert. Das numerische Modell wird durch skalierte Modelltests unter erhöhter Beschleunigung in der Zentrifuge sowie durch reale Fälle unserer Datenbank validiert. MOTRAN ist ein spannendes Unterfangen mit dem Potenzial, ein neues Paradigma herbeizuführen, das die Art und Weise, wie transiente granulare Strömungen modelliert werden sollen, revolutionieren wird.