MIN-Fakultät
und Naturwissenschaften
Foto: pixabay
8. Mai 2026, von Maria Latos

Foto: Adobe Stock
Ein Forschungsteam mit Beteiligung des Fachbereichs Mathematik der Universität Hamburg hat ein Deep-Learning-Modell entwickelt, welches das Verhalten von körnigen Materialien wie Sand oder Schotter vorhersagen kann. Solche Materialien spielen eine zentrale Rolle für die Funktionalität und Sicherheit von Bauwerken – etwa bei Fundamenten für Windkraftanlagen. Die Ergebnisse wurden in der Fachzeitschrift „Nature Communications Engineering“ veröffentlicht.
Natürliche Böden sind ungleich aufgebaut und die Partikel lagern sich durch die Schwerkraft sowie andere Belastungen, wie zum Beispiel durch Wind oder seismische Aktivitäten, unterschiedlich an. Die Vorhersage des Verhaltens dieser körnigen Materialien, wie Sand oder Schotter, ist jedoch wichtig, damit geotechnische Bauwerke wie Windkraftanlagen zuverlässig funktionieren.
Im Gegensatz zu kristallinen Feststoffen gab es bisher jedoch kein mathematisches Rahmenwerk, das das Verhalten dieser Böden vollständig beschreibt. In der Praxis begegnen Ingenieurinnen und Ingenieure diesem Problem typischerweise mit sogenannten nichtlinearen Konstitutionsmodellen, die anhand von Labordaten kalibriert werden. Solche Daten sind jedoch oft standort- und materialspezifisch. Unterschiede in Bodentyp, Versuchsaufbau und Belastungsbedingungen beeinflussen die Ergebnisse zusätzlich und erschweren eine Verallgemeinerung.
Die nun von den Forschenden entwickelte Methode, welche Simulationen mit der discrete element method (DEM) mit der Entwicklung eines neuartigen Deep-Learning-Modells verbindet, bietet einen Ansatz zur Überwindung dieser Einschränkungen. „Unser Ansatz geht über bisherige Methoden hinaus: Statt Böden nur als gleichmäßige Masse zu betrachten, berücksichtigt das neue Modell detailliert, wie sich einzelne Partikel anordnen, verschieben und Kräfte übertragen. So lassen sich komplexe Belastungen, die aus verschiedenen Richtungen gleichzeitig wirken, realistischer abbilden“, sagt Johannes Lederer, Professor für Mathematik datenbasierter Methoden an der Universität Hamburg und Autor der Studie.
Möglich wurde dieser Fortschritt durch die Kombination moderner Deep-Learning-Ansätze mit experimentellen Messungen. Dabei konnten die Forschenden genau beobachten, wie sich Kontaktstrukturen zwischen Partikeln verändern und wie Kräfte im Material weitergegeben werden. Auf dieser Grundlage entwickelten sie neue Formeln, die diese Mikroprozesse direkt in großskalige Berechnungen einbeziehen.
Dabei berücksichtigt die Methode auch die Verbindung von Vorgängen auf Partikelebene mit dem Gesamtverhalten des Materials. Das Modell kann beispielsweise nachvollziehen, wie sich Körner bei Belastung umlagern oder wie sogenannte Scherzonen entstehen – also Bereiche, in denen das Material besonders stark nachgibt und versagen kann. Die Parameter lassen sich zudem direkt aus messbaren Materialeigenschaften ableiten, was die Anwendung in der Praxis zukünftig erleichtern könnte. Die Ergebnisse liefern einen wichtigen Schritt für Anwendungen wie Fundamentbau, Erdbebensicherheit oder den Umgang mit Schüttgütern.
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