KI-basierte Frühwarnung für den sicheren Betrieb von Großstaudämmen
Eines der Teilprojekte des DAMAST-Projekts (www.damast-caucasus.de) widmet sich der Untersuchung des Kontextes der Wasserkraft, die in vielen Ländern einen bedeutenden Teil des Energiemixes ausmacht und für die Verwirklichung nachhaltiger und erneuerbarer Energiesysteme entscheidend ist. Die Infrastruktur von Wasserkraftwerken ist jedoch gefährdet durch Naturkatastrophen wie Erdbeben, Erdrutsche und starke Niederschläge, die seismische Aktivitäten auslösen und sowohl die Sicherheit der Bevölkerung in der Nähe als auch die Unversehrtheit des Staudamms selbst gefährden können. Da der Klimawandel das Risiko extremer Wetterereignisse verschärft, ist die Entwicklung robuster Frühwarnsysteme und Überwachungstechnologien für den sicheren Betrieb von Staudämmen und die Gewährleistung der Widerstandsfähigkeit von Energiesystemen von entscheidender Bedeutung. Der Schwerpunkt dieses Teilprojekts lag auf der Anwendung hochentwickelter Messtechnologien, die eine genaue und rechtzeitige Überwachung, Frühwarnung und Risikobewertung ermöglichen und so die Lebensdauer von Dämmen verlängern und sowohl die Bevölkerung als auch die Umwelt schützen.
Die Abteilung RESIS am Institut für Thermische Energietechnik und Sicherheit (ITES) konzentrierte sich speziell auf die Entwicklung einer Frühwarnmethodik, die es den Betreibern von Staudämmen und Wasserkraftwerken ermöglicht, rechtzeitig risikomindernde Maßnahmen zu ergreifen, insbesondere im Falle eines extremen Niederschlagsereignisses. Das primär gefährdete Element in einer solchen Situation ist der Damm, und das Hauptmodul des Frühwarnsystems antizipiert mögliche kritische Verformungen. Durch die Einbeziehung von Fragilitätsmodellen und zusätzlichen Umweltdaten ist das System auch in der Lage, Risikobewertungen durchzuführen.
Die Verformung des Staudamms wurde vom Institut für Photogrammetrie und Fernerkundung (IPF) mit Hilfe des Ground-Based Synthetic Aperture Radar (GB-SAR) gemessen, und die Ergebnisse der Analyse wurden zur Entwicklung einer neuen verschachtelten, auf einem tiefen neuronalen Netz basierenden Korrelationsanalyse (DNN-A) für das Vorhersagemodul verwendet. Diese Analyse ergab mehrere Erkenntnisse, die die Annahme stützen, dass neben dem hydrostatischen Druck auch meteorologische Parameter und der Gradient der Wasserstandsänderungen einen Einfluss auf die induzierte Seismizität haben können.
Aufgrund dieser Ergebnisse wird vermutet, dass die induzierte Seismizität neben dem hydrostatischen Druck und den meteorologischen Parametern auch einen Einfluss auf die Verformung von Dämmen haben kann. Das DNN-A kann daher als Kernmodul für die Risikovorhersage eingesetzt werden, und durch Simulation und Optimierung können geeignete Maßnahmen berechnet werden. Das Team plant, das System auf der Grundlage dieser Erkenntnisse weiter zu verfeinern und die Genauigkeit der Frühwarnmethodik weiter zu verbessern.
Abb.: Geometrische Zerlegung der Dammoberfläche in geodätische Rechtecke. Wir sehen diejenigen, die Messpunkte zur Dammverformung enthalten.
Zugehöriges Institut am KIT: Institut für Thermische Energietechnik und Sicherheit (ITES)
Autor: Sadeeb Simon Ottenburger (Mai 2023)