Fraunhofer-Institut für Werkstoffmechanik IWMNukleare Transport- und Lagerbehälter und andere Komponenten aus Gusseisen müssen höchsten Sicherheitsanforderungen genügen –die heutigen Nachweisverfahren sind etabliert, jedoch aufwändig, teuer und oft übermäßig konservativ. DaGeMoCast entwickelt ein KI-gestütztes Modell, das auf Basis von Kleinprobenversuchen, Gefügedaten und Simulationen das Bruchverhalten ortsaufgelöst und belastungsabhängig vorhersagt. Damit werden erstmals lokale Gefügeunterschiede und reale Beanspruchungszustände direkt im Sicherheitsnachweis berücksichtigt. Für Hersteller und Betreiber bedeutet das: realistischere Bewertungen, geringerer Prüfaufwand und quantifizierbare Sicherheitsmargen. Die Methodik ist auf weitere Werkstoffe und Komponenten der Nuklearindustrie übertragbar. Das Fraunhofer IWM arbeitet dabei mit der TU-Bergakademie Freiberg in einem Verbundvorhaben zusammen. Die Partner aus Freiberg übernehmen dabei hauptsächlich die numerischen Simulationen.
Datengetriebener Sicherheitsnachweis von nuklearen Sicherheitskomponenten aus Gusseisen mit Kugelgraphit auf Basis ortsaufgelöster Kleinprobenversuche
Laufendes Forschungsprojekt
Projektbeschreibung
Marktbedarf und gesellschaftliche Herausforderung: Deutschland steht vor der Aufgabe, hochradioaktive Abfälle über deutlich verlängerte Zeiträume sicher zwischenzulagern, bis ein Endlager verfügbar ist. Die dafür verwendeten Transport- und Lagerbehälter bestehen überwiegend aus Gusseisen mit Kugelgraphit. Für ihren Sicherheitsnachweis muss belegt werden, dass selbst bei einem schweren Unfall – etwa einem Kranabsturz – kein Bruch auftritt. Die heutige Praxis basiert auf aufwendigen Versuchsserien an großen, teuren Normproben, deren Ergebnisse als untere Schranke konservativ auf das gesamte Bauteil angewendet werden. Lokale Gefügeunterschiede, die in dickwandigen Gussstücken unvermeidlich auftreten, und die tatsächlichen Beanspruchungsverhältnisse am hypothetischen Riss werden dabei nicht ausgenutzt, was Sicherheitsreserven darstellt. Dies führt zu hoher Konservativität, großem Prüfaufwand und eingeschränkter Flexibilität bei der Bewertung neuer oder gealterter Behälter.
Lösungsansatz des Projekts: DaGeMoCast entwickelt ein datengetriebenes Modell (Machine Learning), das auf Basis von Gefügeparametern, chemischer Zusammensetzung und Belastungsbedingungen die Bruchzähigkeit ortsaufgelöst vorhersagt – ohne zusätzliche Großprobenversuche. Dazu wird eine umfassende Datenbank aus bereits vorhandenen und ergänzenden Kleinprobenversuchen, Literaturwerten und synthetischen Daten aus mikromechanischen sowie schädigungsmechanischen Simulationen aufgebaut. Das Modell wird anhand von Versuchen an großen Proben konzeptionell validiert. Ziel ist eine realitätsnähere Sicherheitsbewertung, die den tatsächlichen lokalen Werkstoffzustand berücksichtigt und damit Konservativitäten quantifiziert und gezielt abbaut.
Beitrag zur Bewältigung der Herausforderungen: Die Methodik reduziert den experimentellen Aufwand drastisch, ermöglicht erstmals eine gefügebasierte, ortsaufgelöste Bewertung und schafft die wissenschaftliche Grundlage für ein zukunftsfähiges Bewertungskonzept, das auch auf verlängerte Zwischenlagerzeiten, gealterte Materialien oder neue Behälterdesigns anwendbar ist.
Die Arbeitspakete des Fraunhofer IWM:
Das Fraunhofer IWM schafft die experimentelle, datenanalytische und modellierungsseitige Grundlage des Projekts – von der validierten Werkstoffdatenbasis über ein KI-gestütztes Vorhersagemodell bis zur öffentlich zugänglichen Datenbank für normkonforme Bruchzähigkeitskennwerte.
Validierte, umfassende Werkstoffdatenbasis für dynamisch beanspruchte Gusswerkstoffe
Das Fraunhofer IWM stellt eine konsolidierte, qualitätsgesicherte Datenbasis aus rund 400 Versuchsergebnissen bereit – bestehend aus aufbereiteten Daten des Vorgängerprojekts ProCast und gezielt ergänzenden Experimenten unter variierenden Gefügezuständen, Temperaturen und Belastungsraten. Diese Datenbasis bildet das Fundament für alle nachfolgenden Modellierungs- und Lernschritte des Projekts.
Synthetische Werkstoffdaten für experimentell nicht zugängliche Gefügezustände
Das Fraunhofer IWM erzeugt mittels mikromechanischer Simulation valide synthetische Werkstoffkennwerte – Spannungs-Dehnungs-Kurven und effektive Bruchparameter – für Gefügezustände, die experimentell nicht oder nur mit unverhältnismäßigem Aufwand abdeckbar wären. Das Ergebnis umfassende, validierte Datenbasis, die robuste Vorhersagen über den gesamten relevanten Parameterraum hinweg ermöglicht.
KI-Modell zur Vorhersage normkonformer Bruchzähigkeitskennwerte sowie öffentliche Datenbank
Das Fraunhofer IWM entwickelt das zentrale datengetriebene Vorhersagemodell des Projekts: ein trainiertes ML-Modell, das aus Gefüge- und Belastungsparametern direkt normkonforme Werkstoffkennwerte prognostiziert – inklusive Methoden zur Bewertung der Modellgüte und -zuverlässigkeit sowie einer abschließenden Validierung an Großproben. Darüber hinaus erstellt und betreibt das Fraunhofer IWM die nach Projektabschluss öffentlich zugängliche Datenbank und stellt sie der Fachcommunity dauerhaft zur Verfügung.
Auf der Grundlage der Projektergebnisse kann das Fraunhofer IWM Industrieunternehmen folgende Forschungs- und Entwicklungsleistungen anbieten:
1. KI-gestützte Vorhersage von Risszähigkeit und Versagensverhalten aus lokalen Gefügedaten
Das Fraunhofer IWM stellt ortsaufgelöste Risszähigkeitskennwerte für Gusseisen-Komponenten auf Basis lokaler Gefügedaten bereit – ohne aufwändige Großprobenprüfungen.
2. Bruchmechanische Sicherheitsbewertung unter Berücksichtigung bauteilspezifischer Constraint-Effekte
Das Fraunhofer IWM quantifiziert, in welchem Maß sich die reale Spannungsmehrachsigkeit am hypothetischen Bauteilriss von der in Normproben unterscheidet – und berechnet die daraus resultierenden tatsächlichen Sicherheitsreserven.
3. Automatisierte Deep-Learning-Analyse von Bruchflächen
Das Fraunhofer IWM analysiert Bruchflächen von Versuchsproben oder Schadensfällen mittels trainierter neuronaler Netze und liefert eine objektive, quantitative Bestimmung von duktilem und sprödbrüchigem Bruchanteil.
4. Aufbau kundenspezifischer Werkstoffdatenbanken und prädiktiver ML-Modelle
Das Fraunhofer IWM entwickelt maßgeschneiderte Werkstoffdatenbanken und Machine-Learning-Modelle, die die spezifischen Werkstoffe, Fertigungsrouten und Prüfbedingungen des Kunden präzise abbilden und dauerhaft nutzbar machen.
5. Mikromechanische Simulation und synthetische Datengenerierung für schwer zugängliche Gefügezustände
Das Fraunhofer IWM erzeugt mittels validierter mikromechanischer Modelle virtuelle Werkstoffkennwerte für Gefügezustände, die experimentell nicht oder nur mit unverhältnismäßigem Aufwand zugänglich sind – etwa neue Legierungsvarianten, gealtertes oder bestrahltes Material.
