Unsere Gesellschaft nutzt den geologischen Untergrund sowohl als Quelle verschiedener natürlicher Ressourcen als auch zur Lagerung und Ablagerung verschiedener Arten menschlicher Abfälle wie Atommüll. Allerdings ist oft kein vollständiges Bild des Untergrunds verfügbar, da Bohrlöcher oder geophysikalische Untersuchungen selten durchgeführt werden und nur einige Aspekte des Untergrunds offenbaren. Daher sind ergänzende physikalisch basierte Simulationen unverzichtbar, um ein vollständiges Bild des Untergrunds zu rekonstruieren, einschließlich verschiedener thermofluid-mechanisch gekoppelter Prozesse wie der Grundwasserströmung oder der Temperaturverteilung. Die Simulationen bieten eine Möglichkeit, zukünftiges Systemverhalten vorherzusagen, etwa die potenzielle Verteilung von Grundwasserkontaminanten. Diese Simulationsmodelle müssen zwar anhand von Beobachtungs- und Messdaten kalibriert werden, doch bleibt es eine Herausforderung, die für diese Aufgabe aussagekräftigsten Datensätze zu identifizieren. Darüber hinaus beschränken die hohen Rechenkosten der physikalischen hochkomplexen Modelle, eine Vielzahl möglicher Ergebnisse zu produzieren und in die Bewertung mit einzubeziehen.
Im Zusammenhang mit der Standortauswahl für Endlager für radioaktive Abfälle zielt das Projekt darauf ab, Strategien zur Datenerfassung und „intelligenten Überwachung“ zu optimieren. Das Hauptziel des Projekts ist die Entwicklung eines systematischen Rahmens, der es ermöglicht, verschiedene Datenerfassungsstrategien hinsichtlich ihres Mehrwerts für eine bestimmte Anforderung zu bewerten, etwa die Quantifizierung der radioaktiven Kontamination innerhalb einer Region des Untergrunds aufgrund kontaminierten Wassers. Diese Methoden werden zur Entwicklung intelligenter Überwachungsstrategien führen, die für die Gewährleistung der langfristigen Sicherheit von Untergrundendlagern für nukleare Abfälle von entscheidender Bedeutung sind.
Innerhalb dieses Projekts verfolgen wir drei Hauptziele:
- Entwicklung und Bereitstellung von Referenzszenarien für mögliche Wirtsgesteine eines Atommüllendlagers: Tonstein, Salz und kristallines Gestein. Die Parameterschätzung, die Optimierung der Datenerfassung und die Stabilität der Prognosen sollen anhand dieser Szenarien systematisch analysiert werden.
- Implementierung einer Modellkaskade, die sowohl die thermo-fluid-dynamischen Prozesse im Untergrund als auch Folgeprozesse wie die räumliche Verteilung der akkumulierten Strahlenbelastung durch kontaminiertes Grundwasser umfasst. Die Automatisierung dieses Prozesses ermöglicht Simulationen für verschiedene Szenarien sowie die anschließende statistische Analyse und Auswertung, beispielsweise in Form von Strahlungszonenkarten.
- Die Entwicklung einer modernen und robusten Parameterschätzung und Datenassimilation auf der Grundlage von Metamodellen und Bayesian Active Learning. Ausgehend von Methoden des Optimal Designs werden Strategien für eine optimale Datenerfassung und intelligente Überwachung entwickelt.
