14. Juli 2026

In den vergangenen Wochen hatten wir u. a. in den Referaten Geotechnik Nord (G5) und Geotechnik Küste (G6) bei der BAW in Hamburg tatkräftige Verstärkung: Cal Matthiesen, 15 Jahre alt, hat sein Schülerpraktikum bei uns absolviert. Für seinen Praktikumsbericht hat er sich eine Leitfrage ausgesucht, die aktueller kaum sein könnte:

„Macht KI die Arbeit der BAW verlässlicher oder schafft sie neue Risiken für kritische Infrastruktur?“

Ja! Auch ich habe gestaunt –

Um Cal eine ehrliche und fundierte Antwort zu geben, wollten wir ihm keine abstrakte Theorie vorsetzen. Stattdessen schickten wir ihn direkt an die Versuchstechnik und banden seine Ergebnisse in eine interne Studie der Referate G5 und G6 ein. Unser Ziel war, dass Cal eigenhändig Daten erheben, diese mathematisch aufbereiten und am eigenen Versuch nachvollziehen soll, wie aus echten Bodenproben verlässliche Daten für den Bereich des Maschinellen Lernens (KI-Prognosemodelle) entstehen die dann ein praktisches Problem lösen können.

Die bodenmechanische Relevanz: Die Lagerungsdichte rolliger Böden

Um den Brückenschlag zur Datenverarbeitung zu wagen, mussten wir ganz vorne anfangen – bei den bodenmechanischen Grundlagen. Wenn wir in der Geotechnik das Verhalten von sandigem Baugrund unter Belastung bewerten, betrachten wir primär das Zusammenspiel der Körner und das dazwischenliegende Porenvolumen.

Die Grenzporenzahlen e_min und e_max spannen hierbei idealisiert, den physikalischen Existenzbereich eines rolligen Bodens auf. Die Porenzahl an sich ist mit dem Quotienten aus dem Hohlraumvolumen zum Feststoffvolumen einer Kugelpackung definiert.

• e_max beschreibt den Zustand der lockersten Lagerung.
• e_min beschreibt den Zustand der dichtesten Lagerung nach definierter Energieeinleitung.

Diese Grenzwerte sind das mathematische Koordinatensystem für die relative Dichte, welche wiederum maßgeblich die Scherfestigkeit, die Kompressibilität und das Verflüssigungspotenzial eines Bodens steuert. Weicht ein Sand im Feld zu weit von seiner dichtesten Lagerung ab, kann das Korngerüst unter Belastung kollabieren. Wie dicht sich ein Sand überhaupt packen lässt, hängt dabei meist von seiner Kornzusammensetzung und der geometrischen Beschaffenheit seiner Körner ab. Für verlässliche Berechnungen benötigen wir daher hochpräzise Kennwerte über Korngrößen wie D₅₀ (Korndurchmesser bei 50% des Siebdurchgangs), die Ungleichförmigkeitszahl C_U und die Kornform.

Wir haben Cal durch zwei völlig unterschiedliche Welten der Datenerhebung geführt, um ihm zu zeigen, wie wir diese Kennwerte im Labor ermitteln:

1) Der analoge Ausgangspunkt (Bestimmung von e_max und e_min nach DIN 18126):

Zuerst durfte unser Praktikant selbst an die praktische Arbeit ran. Um die lockerste Lagerung e_max zu bestimmen, wird der Sand ganz behutsam und ohne Erschütterungen durch einen Trichter in den Messzylinder eingefüllt. Das Ziel ist es, ein möglichst lockeres Korngefüge zu erzeugen. Für die anschließende Bestimmung der dichtesten Lagerung e_min wird derselbe Sand erneut vorbereitet, in den Zylinder wassergesättigt und über die Schlaggabel mechanisch stoßartig verdichtet. Durch diese kontrollierten Schläge lagern sich die Körner so eng wie möglich aneinander um. Beide Versuche erfordern etwas Geduld und Fingerspitzengefühl.

2) Die digitale Ergänzung (Dynamische Bildanalyse mit dem Camsizer XT):

Nach der Handarbeit ging es für Cal an den optischen Messstand zum Microtrac Camsizer XT. Über eine Dosierrinne im freien Fall passierten die von Cal mittels Probenteiler vorbereiteten Sandproben im freien Fall ein Doppel-Kamerasystem. Binnen Sekunden wertete der Computer zehntausende Körner im Durchlichtverfahren aus und lieferte exakte Formparameter:

• Sphärizität (SPHT_K3): Globale Kugelform des Partikels.
• Rundheit (RDNS_C3) / Eckigkeit: Mathematischer Parameter zur Beschreibung der Eckenradien.

Ein Aha-Moment für Cal war hierbei, dass in älteren Literaturstudien Kornformen oft visuell über Vergleichstafeln (z. B. nach Krumbein et al., 1951) geschätzt wurden. Studien (u. a. Hryciw et al., 2016) belegen jedoch, dass das menschliche Auge die Rundheit von Sanden systematisch unterschätzt. Der Camsizer XT hingegen eliminiert diesen subjektiven Fehler und liefert die objektive Präzision, die Algorithmen benötigen.

Datenanalyse: von den Laborwerten über eine erste Korrelation zum Prognosemodell

Anschließend wertete Cal seine eigenen Versuchsdaten schrittweise mathematisch aus. Dabei stellten wir gemeinsam die logische Genese von der einfachen Statistik hin zum maschinellen Lernen dar:

1. Lineare Regression über Cals Parameter: Cal korrelierte seine Messwerte der Korngrößen und Kornformparameter einzeln mit den Grenzporenzahlen. Die Tendenz zeigte sich: Rundere Körner gleiten leichter aneinander vorbei – e_min sinkt. Die Einzelfaktor-Streuung bleibt jedoch noch groß. Überraschenderweise wurde auch D₉₀ (Der Korndurchmesser bei 90% des Siebdurchgangs) als bester Parameter für die Korrelation bestimmt.

2. Multilineare Regression (Das Prinzip des künstlichen Neurons): Durch die gleichzeitige Einbeziehung mehrerer Parameter (D₅₀, C_U, Rundheit, Sphärizität) stieg die Prognosegüte deutlich. Mathematisch entspricht diese multiple Verknüpfung dem Grundprinzip eines künstlichen Neurons (einer gewichteten Summe der Eingangsgrößen).

3. Einordnung in die Forschung (Von uns für Cal aufbereitet): Um Cals eigenen Versuchen den passenden wissenschaftlichen Rahmen zu geben, haben wir ihm die historische Entwicklung der Prognosemodelle in der Fachliteratur erläutert. Anhand einer visuellen Progression zeigten wir ihm den Weg von frühen Ansätzen (Cho et al., 2006) über erweiterte Modelle (Rouse et al., 2008) bis hin zu aktuellen nicht-linearen multiplen Gleichungen (Chang et al., 2018). Auf die gleiche Weise konnten wir auch ihm zeigen, dass über eine einfache lineare Regression hinaus auch nicht-lineare mathematische Zusammenhänge gesucht werden können, um noch bessere Prognosen zu erzielen.

Für Cal wurde in diesem Gespräch anschaulich greifbar: Erst wenn Sieblinien- und Formparameter gemeinsam in multiple (teils nicht-lineare) Gleichungen einfließen – wie es die GIF-Abfolge der Literaturmodelle von (Patra et al, 2010), (Cho et al. 2006) über (Rouse et al. 2008) bis hin zu (Chang et al. 2018) verdeutlicht -, schrumpft die Streuung der Prognosen drastisch. Des Weiteren wurde klar, dass hierfür eine größere Datenmenge an Versuchsdaten erforderlich ist, welche darüber hinaus qualitativ hochwertig sein muss.

Durch sein Praktikum konnte Cal seine Leitfrage am Ende besser beantworten: KI macht die Arbeit im Ingenieurwesen nicht automatisch verlässlicher – sie steht und fällt mit der Qualität der Trainingsdaten („Garbage in, Garbage out“).

Viele ältere Datensätze in der internationalen Literatur (wie bei Chang et al. 2018) kämpfen mit erheblichen Messunsicherheiten und starker Streuung, da sie auf subjektiven Schätzungen der Kornform beruhen und Daten aus unterschiedlichsten internationalen Versuchsstandards (ASTM, DIN, JIS) vermischen.

Hier setzt die methodische Schärfung unserer Studie in den Referaten G5 und G6 an: Durch den konsequenten Einsatz moderner, automatisierter Verfahren zur Bestimmung von Korngröße und Kornform (Camsizer XT) sowie die strikte Anwendung einer einzigen, einheitlichen Herangehensweise bei der Ermittlung von e_min und e_max (DIN 18126) können wir die vergleichende Datenbasis und darauf aufbauende Prognosemodelle auf ein deutlich fundierteres, streuungsarmes und wissenschaftlich belastbareres Fundament stellen.

Für Cal waren die zwei Wochen ein Erfolg: Er hat erlebt, dass Geotechnik heute eine hochspannende Schnittstelle aus physikalischer Präzisionsarbeit im Labor und auch angewandter Datenwissenschaft ist. Insbesondere die angeleitete aber vorwiegend selbstständige Durchführung der Laborversuche und die Diskussion der einzelnen Auswertungen hat ihn hierbei sehr begeistert.