Mikrostrukturinformierte konstitutive Modellierung granularer Medien unter multidirektionaler Belastung: Vom Partikelmaßstab zum Kontinuum

Warum der Untergrund unter Turbinen wichtig ist

Wenn wir immer mehr Windparks, Tunnel und Böschungen bauen, verlassen wir uns darauf, dass der Boden wechselnde Kräfte durch Wind, Wellen und Erdbeben sicher aufnehmen kann. Doch der Boden unter unseren Füßen ist kein einheitlicher Block; er besteht aus einer Ansammlung von Sandkörnern und Partikeln, deren Formen und Anordnungen sich beim Drücken und Ziehen ständig verändern. Dieser Artikel erklärt, wie Forschende detaillierte Computersimulationen einzelner Körner mit moderner künstlicher Intelligenz kombinieren, um vorherzusagen, wie solcher granulare Untergrund unter komplexen, realen Belastungsbedingungen reagiert.

Von losen Körnern zu realen Bauwerken

Granulare Materialien wie Sand, Bergbauabraum und Bahnschotter verhalten sich überraschend komplex. Anders als Kristalle oder Metalle gibt es keine einfache Gleichung, die Ingenieuren sagt, wie ein Körnerhaufen reagieren wird, wenn er gleichzeitig in mehrere Richtungen zusammengedrückt wird. In der Praxis verlassen sich Planer auf Laborversuche und empirische Formeln, die nur für einen bestimmten Standort oder Bodentyp gelten können. Natürliche Böden hingegen werden durch Schwerkraft abgelagert, durch frühere Belastungen geformt und von Wind, Wellen und Erschütterungen in mehrere Richtungen beansprucht. Eine Windkraftanlage auf einem geneigten Meeresboden etwa erfährt ständig wechselnde Kombinationen aus vertikalen, horizontalen und drehenden Kräften, die traditionelle Prüfungen oft nicht erfassen.

Jedes Korn in Bewegung beobachten

Um diese Lücke zu schließen, verwenden die Autorinnen und Autoren die diskrete Elemente Methode, eine numerische Technik, die jedes Korn als einzelnes starres Teilchen behandelt. In ihrem virtuellen Labor werden Tausende Körner in eine kleine Box geschüttet und dann entlang drei unabhängiger Richtungen beansprucht, während der Rechner jede Kontaktkraft und jede winzige Umordnung verfolgt. Das Team variiert systematisch zentrale Einflussgrößen, die das Bodenverhalten steuern: den Anfangsdruck um die Körner, die Packungsdichte, die Richtung der angelegten Spannungen, die Ausrichtung interner Lagen (sogenannte Schichtung) und die Form der Körner selbst, von nahezu kugelförmig bis deutlich verlängert. In 260 detaillierten Simulationen beobachten sie, wie diese Faktoren das Material versteifen oder schwächen, es zum Zusammenziehen oder Aufquellen bringen und seine interne Struktur richtungsabhängig verändern.

Wie Kornform und Gefüge die Festigkeit verändern

Die Simulationen zeigen, dass mehrere oft übersehene Merkmale die Festigkeit des Bodens stark beeinflussen können. Bei höherem mittleren Umgebungsdruck wird der virtuelle Sand steifer und kann größere Schubspannungen aufnehmen, bevor er sich umordnet. Dichtere Packungen widerstehen Scherung besser und neigen zur Ausdehnung, während lockere Packungen beim Umordnen komprimieren. Eine Änderung der Orientierung des Spannungsweges — beschrieben durch eine Größe, die Lode-Winkel genannt wird — kann sowohl die Spitzenfestigkeit erhöhen als auch verringern und das Verhältnis von Kontraktion zu Dilatanz verschieben. Ebenso reduziert das Drehen der Schichtungsebenen von horizontal zu vertikal den maximalen Scherwiderstand, was zeigt, dass die Ablagerungsgeschichte des Bodens von Bedeutung ist. Selbst die Kornform spielt eine wichtige Rolle: Versammlungen aus stärker verlängerten Körnern tragen höhere Spitzenspannungen und zeigen geringere Volumenänderungen als solche aus nahezu kugelförmigen Körnern bei gleicher relativer Dichte.

Ein neuronales Netz zu denken wie Boden beibringen

Obwohl diese hochaufgelösten Simulationen tiefe Einblicke liefern, sind sie zu rechenaufwändig, um in großmaßstäblichen Ingenieursmodellen für ein gesamtes Fundament oder eine Böschung eingesetzt zu werden. Um diese Skalenlücke zu überbrücken, bauen die Autorinnen und Autoren ein Deep-Learning-Modell — ein mehrlagiges neuronales Netz — das lernt, das simulierte Bodenverhalten nachzuahmen. Statt nur einfache Prüfergebnisse zu erhalten, bekommt das Netz reichhaltige Beschreibungen des Materialzustands: die Partikelformen, den anfänglichen Druck und die Dichte, Maße der internen Schichtung sowie die laufenden Dehnungen in jeder Richtung. Mithilfe einer sorgfältig entworfenen Trainingsstrategie und einer Verlustfunktion, die die anfänglichen, besonders kritischen Deformationsphasen betont, lernt das Netz, die drei Spannungs-Komponenten auszugeben, die den Simulationen genau entsprechen, einschließlich subtiler Richtungseffekte und Veränderungen der Langzeitfestigkeit.

Von virtuellen Körnern zu sichereren Entwürfen

Das Endergebnis ist eine neue Art von konstitutivem Modell — eine Regel, die Spannung und Dehnung verknüpft —, die durch Partikelphysik informiert ist, aber so schnell läuft wie eine herkömmliche ingenieurmäßige Formel. Es kann erfassen, wie die Bodengestalt von Kornform, Schichtung und komplexer dreidirektionaler Belastung abhängt, ohne Dutzende handabgestimmter Parameter oder standortspezifischer Tests zu benötigen. Die Autorinnen und Autoren stellen sich vor, dieses gelernte Modell in Standard-Finite-Elemente-Software einzubetten, sodass Planer von Windkraftfundamenten, Böschungen und unterirdischen Strukturen realistische multidirektionale Belastungen und sich entwickelnde Bodenstrukturen berücksichtigen können. Kurz gesagt zeigt diese Arbeit, wie das Beobachten jedes einzelnen Korns in einem virtuellen Experiment und das Destillieren dieses Verhaltens in ein trainiertes neuronales Netz zu zuverlässigeren und effizienteren Entwürfen für die Infrastruktur führen kann, die die Energiewende trägt.

Zitation: Irani, N., Golestaneh, P., Salimi, M. et al. Microstructure-informed constitutive modeling of granular media under multidirectional loading: From particle-scale to continuum. Commun Eng 5, 80 (2026). https://doi.org/10.1038/s44172-026-00652-1

Schlüsselwörter: granulare Böden, Deep Learning, Fundamente von Windkraftanlagen, Diskrete-Elemente-Simulationen, multidirektionale Belastung