Sicherheitsprognosen für atomare Endlager
Wie lassen sich Sicherheitsprognosen für ein atomares Endlager über eine Million Jahre belastbar modellieren? Ein Projekt setzt auf maschinelles Lernen, um komplexe Transport- und Reaktionsprozesse im kristallinen Wirtsgestein schneller und dennoch physikbasiert zu berechnen.
Atomare Endlager: Hochradioaktive Abfälle müssen auch langfristig sicher gelagert werden.
Foto: scanrail/Smarterpix.com
Atomare Endlager für die sichere Entsorgung hochradioaktiver Abfälle zu finden, ist eine der langfristig anspruchsvollsten Aufgaben moderner Industriegesellschaften. Für die Auswahl eines tiefengeologischen Endlagers in Deutschland sind belastbare Sicherheitsanalysen erforderlich, die geologische Zeiträume von bis zu einer Million Jahren abbilden. Vor diesem Hintergrund fördert das Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit (BMUKN) das Verbundprojekt „Malek“ mit rund 1,7 Mio. €. Ziel ist es, neue methodische Ansätze für die Sicherheitsbewertung zu entwickeln und bestehende Modellierungsverfahren gezielt zu erweitern.
Koordiniert wird das auf 36 Monate angelegte Projekt vom Institut für Ressourcenökologie des Helmholtz-Zentrum Dresden-Rossendorf (HZDR). Weitere Partner sind das Center for Advanced Systems Understanding (Casus), die TU Bergakademie Freiberg sowie die TU Darmstadt. Das Projekt startete Anfang 2026.
Im Zentrum des Projekts steht die Frage, wie lange Radionuklide in einem atomaren Endlager im Untergrund zurückgehalten werden können. Für entsprechende Prognosen müssen räumliche Skalen vom Millimeter- bis in den Kilometerbereich ebenso berücksichtigt werden wie Zeiträume von bis zu einer Million Jahren. Klassische numerische Modelle und hochaufgelöste Simulationen liefern zwar detaillierte Ergebnisse, stoßen jedoch bei der Kombination komplexer Prozesse und großer Skalen schnell an rechnerische Grenzen.
Klassische Physik trifft auf maschinelles Lernen
Hier setzt das Projekt an. Physikbasierte Modelle des Radionuklidtransports werden gezielt durch Methoden des maschinellen Lernens ergänzt. Kern des Ansatzes sind sogenannte Surrogat- oder Ersatzmodelle. Diese werden mithilfe umfangreicher Trainingsdaten aus rechenintensiven Simulationen aufgebaut. Nach dem Training können sie komplexe Zusammenhänge deutlich schneller approximieren und so als Stellvertreter für aufwendige Simulationen dienen.
„Im Gesamtprojekt sollen die Surrogatmodelle an verschiedenen Stellen zum Einsatz kommen“, erläutert Projektleiter Prof. Vinzenz Brendler, Leiter der Abteilung Thermodynamik der Aktiniden am HZDR. Ein zentrales Beispiel sei die Sorption – also die Frage, wie stark Radionuklide an Gestein oder Minerale binden. Diese Bindung hängt wesentlich von den chemischen Randbedingungen ab und beeinflusst maßgeblich, wie schnell sich Radionuklide im Untergrund ausbreiten können. Darüber hinaus sollen Surrogatmodelle für den reaktiven Transport im Gestein entwickelt werden, bei dem Diffusion, Gesteinseigenschaften und chemische Reaktionen zusammenwirken.
Der methodische Anspruch geht dabei über reine Beschleunigung hinaus. „Malek wird zu nachvollziehbaren, überprüfbaren und reproduzierbaren Modellierungsansätzen führen und so einen wichtigen Beitrag für belastbarere Sicherheitsnachweise leisten“, betont Dr. Attila Cangi, Leiter der Casus-Abteilung Maschinelles Lernen für Materialmodellierung. Ziel sei es, bewährte Konzepte aus der mikroskopischen Materialmodellierung auf die Endlagerforschung zu übertragen.
Eine zentrale Rolle spielt die systematische Bewertung der entwickelten Module. Prof. Michael Hecht, Leiter der Casus-Nachwuchsgruppe „Mathematical Foundations of Complex System Science“, verweist auf umfassende Benchmarking- und Unsicherheitsanalysen: Untersucht werde, welche Kombinationen von Surrogatmodellen hinsichtlich Genauigkeit, Robustheit und Transparenz am besten geeignet sind. Dabei fließen auch Erfahrungen aus internationalen Untertagelaboren wie Äspö in Schweden oder Grimsel in der Schweiz ein.
Geowissenschaftliche Institute kooperieren für Sicherheit atomarer Endlager
Im Fokus des Projekts steht kristallines Wirtsgestein, das in Deutschland als eine potenzielle Option für ein tiefengeologisches Endlager gilt. Obwohl das Gestein selbst meist sehr dicht ist, bestimmen Klüfte und Störungszonen maßgeblich die Wasserbewegung im Untergrund – und damit auch den Transport gelöster Radionuklide. Die Abbildung dieser komplexen Strukturen stellt hohe Anforderungen an Modellierung und Rechenleistung.
Die beteiligten Partner bringen komplementäre Expertisen ein: Das HZDR verfügt über langjährige Erfahrung in Geochemie und reaktiver Transportmodellierung sowie in datengetriebenen Ansätzen. Casus steuert Kompetenzen im maschinellen Lernen und in der mathematischen Surrogatmodellierung bei. Die TU Bergakademie Freiberg bringt Expertise zu porösen und geklüfteten Geomaterialien sowie zu geotechnischen Simulationen ein. Die TU Darmstadt steuert Know-how im Bereich geowissenschaftlicher Unsicherheitsanalysen bei.
Im Rahmen des Projekts sollen die wissenschaftlichen Grundlagen für die Sicherheitsbewertung tiefengeologischer Endlager weiterentwickelt werden. Die Partner wollen zentrale Wissenslücken bei Langzeitprognosen beseitigen und dazu beitragen, Modellierungsverfahren präziser, robuster und transparenter zu gestalten.
