Toxische Gasleck-Ausbreitung mit Physik-ML-Hybridmodell prognostizieren

Das echte Ausmaß des Problems

In Deutschland sind nach der 12. BImSchV (Störfall-Verordnung) derzeit rund 4.000 Betriebsbereiche der oberen oder unteren Klasse gemeldet — Anlagen, an denen bestimmte gefährliche Stoffe die Mengenschwellen aus Anhang I der Verordnung erreichen oder überschreiten. Das schließt Chlor, Ammoniak, Schwefelwasserstoff, Isocyanate, Phosgen und viele Zwischenprodukte ein.

Die klassische Lösung für Störfall-Ausbreitungsprognosen ist ein Gauß-Modell: eine Formel aus der 1960er-Jahren, die eine idealisierte Quell-Fahnform annimmt, ebenes Gelände voraussetzt und meteorologische Stabilitätsklassen aus einer kleinen, oft stundentaktigen Wetterstation bezieht. AUSTAL2000 — das deutsche Referenzmodell nach VDI 3945 Blatt 3 — arbeitet mit Lagrangeschen Partikelmodellen und ist akkurater, aber immer noch stationär und nicht für Echtzeit-Einsatz ausgelegt.

Was diese Modelle systematisch falsch machen:

• Geländeblindheit: Ein 10-Meter-Gefälle oder ein Gebäudekomplex verändert die Strömungsstruktur erheblich. Gauß-Modelle kennen das nicht.
• Zeitverzug: Die meteorologischen Eingangsdaten kommen von festen Stationen, oft mit 10–60 Minuten Verzug. In einem Ereignis, das sich in 15 Minuten entwickelt, ist das fatal.
• Statische Ausgabe: Das Modell liefert eine Fahnenlänge, keine Zeitreihe. Wie sich die Zone in den nächsten 20 Minuten verändert — keine Angabe.
• Keine Unsicherheitsquantifizierung: Die Ausgabe ist ein Punkt, keine Wahrscheinlichkeitsverteilung. Einsatzkräfte wissen nicht, wie breit die Unsicherheitsmarge tatsächlich ist.

Forschungsergebnisse von Zeren Jiao et al. (Fudan University, Frontiers in Environmental Science, 2024) zeigen: Ein ML-Surrogate auf Basis vorberechneter CFD-Daten für Benzol-Freisetzungsszenarien in einem Chemipark erreicht AEGL-Abstände mit Fehlern unter 3 Prozent gegenüber der Referenz-CFD — bei einer Inferenzzeit von 0,218 Sekunden statt 3 Stunden. Das ist eine Beschleunigung um den Faktor 50.000.

Dass das Problem real und nicht akademisch ist, zeigen die gemeldeten Ereigniszahlen: Laut ZEMA-Ereigniskataster (Bundesanstalt für Materialforschung und -prüfung, BAM) wurden im deutschen Störfall-Meldewesen in den letzten Jahren durchschnittlich 10–15 meldepflichtige Ereignisse pro Jahr registriert, bei denen eine Ausbreitungsmodellierung für Schutzmaßnahmen relevant war. Die Kosten eines Überreaktionsszenarios (zu großer Radius, unnötige Evakuierung) liegen typischerweise zwischen 100.000 und 1,5 Millionen Euro; die eines Unterreaktionsszenarios (zu kleiner Radius, fehlende Evakuierung) sind rechtlich und ethisch nicht kalkulierbar.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Vergleich zeigt das Kerndilemma: Das Hybridmodell ist in der Ausbreitungsqualität überlegen — kann aber unter den aktuellen deutschen Rahmenbedingungen die behördlich akzeptierten Modelle nicht ersetzen, sondern nur ergänzen.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Die Reduktion von 20 Minuten auf unter 2 Minuten Prognosezeit ist in einem Erstreaktion-Szenario kein Komfort, sondern Sicherheitsrelevanz. Menschliche Reaktionszeiten, Windänderungsraten und Evakuierungslogistik machen genau diesen Zeitraum zur entscheidenden Lücke. Für rein prozessoptimierende Anwendungen in dieser Kategorie gibt es Lösungen mit höherer Zeitersparnis im Tagesbetrieb — dieser Use Case spart keine Arbeitsstunden, sondern Entscheidungsminuten im Ernstfall.

Kosteneinsparung — niedrig (2/5) Die direkten Kosten des Projekts (80.000–250.000 € Entwicklung, laufende Infrastruktur) stehen einem Nutzen gegenüber, der nur im Ereignisfall eintritt und schwer zu monetarisieren ist. Versicherungsprämienreduktionen durch verbesserte Notfallplanung sind möglich, aber von Versicherern selten explizit beziffert. Im Vergleich der Anwendungsfälle in diesem Bereich ist das eine der teuersten Implementierungen mit dem am schwierigsten zu belegenden direkten Kostenvorteil.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist die komplexeste Implementierung unter allen Chemie-Anwendungsfällen auf dieser Plattform. CFD-Simulationskampagne, PINN-Training, Sensor-Integration, Behördenabstimmung, Validierungskampagne — 18 bis 30 Monate sind realistisch, nicht pessimistisch. Kein vergleichbarer Use Case in dieser Kategorie hat annähernd diesen Vorlauf.

ROI-Sicherheit — niedrig (2/5) Ein System, dessen Nutzwert nur im Ereignisfall anfällt, lässt sich in keiner Investitionsrechnung sauber darstellen. Für einen Standort mit statistisch einem Störfall in 20 Jahren ist der erwartete Nutzen diskontiert sehr niedrig — außer man kalkuliert über die Haftungsvermeidung und die regulatorische Zukunftssicherheit. Im Vergleich der Chemie-Anwendungsfälle ist das einer der niedrigsten ROI-Sicherheitswerte — vergleichbar mit Spezialanwendungen wie der Katalysator-Degradationsmodellierung.

Skalierbarkeit — hoch (4/5) Ist das Modell für einen Standort validiert, ist der Portierungsaufwand auf weitere Standorte überschaubar: neuer Geländedatensatz, neue CFD-Kampagne für die spezifische Topographie, Update der Stoffdatenbank. Die Infrastruktur — Sensor-API, Inferenz-Server, Einsatzleitungsdashboard — wird wiederverwendet. Für Konzerne mit mehreren Standorten amortisiert sich der Entwicklungsaufwand erheblich besser als für Einzelanlagen-Betreiber.

Richtwerte — stark abhängig von Standortgröße, Topographiekomplexität, Gefahrstoffportfolio und behördlichen Abstimmungsanforderungen.

Was das Hybridmodell konkret macht

Das Prinzip hinter dem Begriff „Physik-ML-Hybrid” ist einfacher als er klingt: Du verwendest den bestehenden physikalischen Verstand — die CFD-Simulation (Computational Fluid Dynamics) — nicht für die Echtzeit-Prognose, sondern als Lehrmeister. Das Modell lernt aus tausenden vorab berechneten Szenarien und kann dann neue Situationen in Sekunden interpolieren.

Die drei Kernbestandteile:

1. CFD-Trainingsdatensatz (die Basis) Für den spezifischen Standort werden 500 bis 2.000 CFD-Simulationen mit systematisch variierten Parametern vorberechnet: 16 Windrichtungen × 5 Windgeschwindigkeiten × 10 Freisetzungsstärken × verschiedene atmosphärische Stabilitätsklassen. Dabei wird das tatsächliche Gelände als dreidimensionales Modell eingelesen — aus DEM-Daten (Digital Elevation Model, z. B. Copernicus DEM oder SRTM). Das dauert Wochen bis Monate, läuft aber einmalig auf einem HPC-Cluster oder Cloud-System.

2. Das ML-Modell (der Interpolator) Ein Machine Learning-Modell — etwa XGBoost, ein Graph Neural Network oder ein echtes Physics-Informed Neural Network (PINN) — wird auf diesen CFD-Daten trainiert. Es lernt die Beziehung zwischen Eingabeparametern (Windvektor, Freisetzungsrate, Standort der Quelle) und der resultierenden Gefahrenzone. Was CFD in 3 Stunden berechnet, inferiert das trainierte Modell in Sekunden — mit verifizierbarer Genauigkeit auf den Trainingsdaten.

3. Die Echtzeit-Einspeisung (das Nervensystem) Im Ereignisfall werden Echtzeit-Sensordaten — Windgeschwindigkeit, Windrichtung, Temperaturgradienten, optionale Gassensorik — über eine API ins Modell eingespeist. Das Modell berechnet die wahrscheinlichste Ausbreitungsfahne und gibt einen probabilistischen Korridor aus: nicht nur „Gefahrenzone 600 Meter”, sondern „70 % Wahrscheinlichkeit: Zone 400–600 Meter, 90 % Wahrscheinlichkeit: Zone 600–820 Meter unter aktuellen Windverhältnissen.”

Das Ergebnis wird auf einem Dashboard für die Einsatzleitung visualisiert — als Overlay auf dem Werksplan, mit Zeitreihe der Zonenentwicklung und Ampelstatus für gefährdete Objekte.

Sensorarchitektur und Echtzeit-Einspeisung

Ein Hybridmodell ist nur so gut wie seine Eingangsdaten. Was in der Laborumgebung auf gespeicherten CFD-Outputs trainiert wurde, muss im Ereignisfall mit Echtzeit-Messungen gespeist werden — und diese haben eigene Qualitätsprobleme.

Was ihr mindestens braucht:

• Mikrometeorologie-Station auf dem Gelände: Windgeschwindigkeit und -richtung in 10 Meter Höhe (nach VDI 3782), Temperatur und Luftdruck. Messintervall: 1–10 Sekunden, nicht 10 Minuten. Idealerweise ergänzt durch eine zweite Station auf der Leeseite der Hauptanlage.
• Digitales Geländemodell (DEM): Mindestens 10-Meter-Auflösung, besser 1–5 Meter. Für industriellen Nahbereich mit Gebäuden: LIDAR-Scan oder Photogrammetrie-Ergebnis des Standorts als STL-Geometrie.
• Gasdetektoren: Stationäre Punktsensoren für die primären Gefahrstoffe (Elektrochemische Zellen für H₂S/Cl₂/NH₃, PID-Sensoren für VOC) als optionale Echtzeitvalidierung der Modellausgabe — nicht als Ersatz für das Modell.

Was häufig unterschätzt wird:

Meteorologische Sensoren driften — Windfahnen vereisen, Ultraschall-Anemometer verschmutzen, Heizungen am Sensor funktionieren nur wenn jemand sie wartet. Ein Modell, das einen 90-Grad-Fehler in der Windrichtung als Eingang bekommt, gibt eine 90 Grad verdrehte Gefahrenfahne aus — ohne Fehlermeldung. Das ist kein theoretisches Risiko: In einer 2024 veröffentlichten Analyse von Offshore-Plattform-Dispersionsdaten (ScienceDirect, Process Safety and Environmental Protection) wurde Sensorausfall als häufigste Ursache für Modellversagen dokumentiert.

Drei Sensor-Qualitätsstufen im Vergleich:

Sensorkosten und Wartungsintervalle sind standortspezifisch — die oben genannten Werte sind Orientierungsgrößen, keine Angebotsgrundlage. Für KRITIS-Betreiber nach § 8a BSIG gelten zusätzliche Anforderungen an die Ausfallsicherheit der Messtechnik.

CFD-Kampagne: Die Trainingsdatenbasis aufbauen

Das ist die Phase, in der die meisten Projekte unterschätzt werden — und scheitern.

Die CFD-Simulationskampagne ist nicht der schöne Teil des Projekts. Sie ist ein Produktionsprozess: 800 bis 2.000 Simulationen, parametrisiert über Wind, Freisetzungsrate, Stoffeigenschaften, atmosphärische Stabilität. Jede Simulation muss konvergieren, validiert werden und im richtigen Format gespeichert sein.

Was das bedeutet:

• Geländemodell erstellen: DEM-Daten beschaffen (Copernicus Open Access Hub, Landesvermessungsämter), in CAD importieren, Gebäude modellieren, Netz generieren. Für einen typischen Chemiebetrieb: 3–6 Wochen Ingenieurarbeit.
• Solver konfigurieren: Atmosphärische Grenzschicht modellieren, turbulentes Windfeld simulieren, passive Skalartransporte konfigurieren. Für Schwergasprobleme (Chlor, LNG) zusätzlich Dichteeffekte berücksichtigen — das ist anspruchsvollere Modellierungsarbeit.
• Simulationskampagne durchführen: 800–2.000 Läufe auf einem HPC-Cluster. Auf einem 64-Core-Cluster dauert das bei typischer Rechenlast 1–3 Wochen — wenn keine Läufe divergieren. Divergierende Simulationen (fehlerhaftes Gitter, instabile Randbedingungen) sind häufig und müssen einzeln analysiert werden.
• Qualitätssicherung der Trainingsdaten: Automatische Prüfskripte für physikalische Plausibilität (negative Konzentrationen, Massenimbalanz, unphysikalische Maxima). Grob 10–20 % der Simulationen sind erfahrungsgemäß nachzuarbeiten.

Die ehrliche Schätzung:

Ein vollständiger, qualitätsgesicherter Trainingsdatensatz für einen mittelgroßen Chemiestandort (500 × 500 Meter Interessengebiet, 3 primäre Gefahrstoffe) kostet 30.000–80.000 Euro — allein für die Datengenerierung, bevor das erste ML-Modell trainiert wird. Das setzt Zugang zu einem HPC-Cluster oder Cloud-Rechenzeit (AWS, Azure, GCP) voraus.

Wer diese Phase beschleunigen will: OpenFOAM ist kostenlos, skaliert gut auf HPC und wird im akademischen Kontext häufig für genau solche Kampagnen eingesetzt. Der Preis ist eine steile Lernkurve für das Team — kein GUI, Linux-Kenntnisse vorausgesetzt.

Konkrete Werkzeuge — was wann passt

Die Werkzeuglandschaft für diesen Use Case ist zweigeteilt: Auf der Berechnungsseite (CFD, Training) dominieren Open-Source- und akademische Tools. Auf der kommerziellen Sicherheitsseite (Konsequenzanalyse, Behördendokumentation) haben wenige spezialisierte Anbieter den Markt.

NVIDIA PhysicsNeMo — für das PINN/Surrogate-Modell Open-Source-Framework (Apache 2.0) für physik-informierte ML-Modelle. Unterstützt Graph Neural Networks (FigConvNet), klassische PINNs und Transformer-basierte Surrogate. Kein Lizenzproblem, gut dokumentiert für Fluid-Dynamics-Anwendungen, aktiv entwickelt. Die NVIDIA/Siemens Energy-Kooperation (2024) zeigt Beschleunigungen von 10.000× gegenüber klassischer Simulation — wenn auch für ein anderes physikalisches Problem. Einstieg: GitHub, Python, PyTorch — nur für Teams mit ML-Engineering-Kompetenz.

OpenFOAM — für die CFD-Trainingsdatenkampagne Der meistgenutzte Open-Source-CFD-Solver weltweit. Kostenlos, HPC-skalierbar, mit atmosphärischen Grenzschicht-Solvern (pisoFoam, buoyantSimpleFoam) gut geeignet für Ausbreitungssimulationen. Kein GUI — Konfiguration ausschließlich über Textdateien. Für Teams ohne CFD-Erfahrung: externe Ingenieurunterstützung einplanen.

DNV PHAST — für behördlich anerkannte Konsequenzanalyse Der industrielle Standard für Gaußsche und Schwergas-Ausbreitungsmodelle. Nicht für Echtzeit-Einsatz gedacht, aber für die regulatorisch erforderliche Störfall-Begleitdokumentation unverzichtbar. Multi-Component-Add-on ab ca. 863 €/Monat. Das Modell, das Behörden kennen und akzeptieren — auch wenn es weniger präzise ist als ein CFD-Surrogate.

DWD Open Data — Meteorologische Echtzeit-Eingangsdaten Der Deutsche Wetterdienst stellt über seinen Open-Data-Server kostenlose Messdaten (SYNOP, MOSMIX, Radiosondierungen) und Kurzfristvorhersagen zur Verfügung. Für Standorte ohne eigene Wetterstation: Ausgangspunkt für Hintergrundmeteorologie. Für Echtzeit-ML-Einspeisung: unzureichend (10-Minuten-Takt, wenige Stationsstandorte) — eigene Sensorik bleibt erforderlich.

Zusammenfassung: Wann welcher Ansatz

• CFD-Trainingsdaten generieren → OpenFOAM (kostenlos, HPC-skalierbar)
• PINN/Surrogate-Training → NVIDIA PhysicsNeMo (Open Source, GPU-optimiert)
• Behördendokumentation, Genehmigungsverfahren → DNV PHAST (kommerziell, regulatorisch akzeptiert)
• Hintergrund-Meteorologie → DWD Open Data (kostenlos, tagesaktuelle Daten)

Regulatorische Grenzen: Was das Modell nicht ersetzen kann

Das ist der kritischste Abschnitt dieses Use Cases — und der, der am häufigsten unterschätzt wird.

Stand Mai 2026: Physik-ML-Hybridmodelle sind für die Störfall-Dokumentation nach 12. BImSchV nicht regulatorisch anerkannt.

Was das konkret bedeutet:

• Behördenabstimmung: Die zuständigen Immissionsschutzbehörden (in Deutschland Landesbehörden, z. B. Bezirksregierungen, Gewerbeaufsichtsämter) akzeptieren für Sicherheitsberichte nach § 9 12. BImSchV ausschließlich validierte Referenzmodelle. In Deutschland ist das primär AUSTAL (nach VDI 3945 Blatt 3), ergänzt durch international akzeptierte Werkzeuge wie DNV PHAST. Ein eigenentwickeltes ML-Modell muss separat validiert und mit der Behörde abgestimmt werden — ein Prozess, der in der Praxis 12–24 Monate dauert und ohne Garantie auf Akzeptanz.

• Notfalldokumentation: Wenn bei einem Störfallereignis die Einsatzkräfte auf Basis eines ML-Modells entschieden haben, muss die Entscheidungsgrundlage nachvollziehbar dokumentiert sein. Das bedeutet: Modelleingaben, Modellversion, Validierungsstatus und bekannte Unsicherheiten müssen revisionssicher gespeichert werden — mit Zeitstempel, unveränderlich, für mindestens 10 Jahre (vgl. § 20 12. BImSchV).

• Haftungsklarheit: Wer auf Basis eines ML-Modells eine Evakuierungsentscheidung trifft, muss im Schadensfall belegen können, dass das Modell dem Stand der Technik entsprach und die Entscheidung vertretbar war. Das ist mit einem behördlich nicht abgestimmten Modell erheblich schwieriger — und juristisch risikoreicher — als mit einem anerkannten Standardverfahren.

Praktische Empfehlung: Das Hybridmodell als interne Einsatzleitungsunterstützung einsetzen, parallel zu den behördlich anerkannten Verfahren — nicht als Ersatz. PHAST oder AUSTAL liefern die Behördendokumentation; das ML-Modell liefert die schnelle, geländetreue Echtzeit-Prognose für die operative Entscheidung. Diese Doppelstrategie ist in der KRITIS-Praxis bereits dokumentiert.

Die Angaben zu regulatorischen Anforderungen in diesem Abschnitt geben den Stand Mai 2026 wieder und sind keine Rechtsberatung. Vor der Einführung eines ML-gestützten Notfallsystems ist eine Abstimmung mit der zuständigen Immissionsschutzbehörde und juristischem Fachbeistand zwingend erforderlich.

Datenschutz und Datenhaltung

Ein Gasdispersionsmodell für einen Chemiestandort verarbeitet keine personenbezogenen Daten im engeren Sinne — aber KRITIS-spezifische Anforderungen machen es zu einem sicherheitsrelevanten System mit eigenen Compliance-Anforderungen.

Was tatsächlich relevant ist:

• Geheimhaltung von Gefahrstoffmengen: Die Stoff- und Mengeninformation, die ins Modell eingeht, ist häufig Betriebs- und Geschäftsgeheimnis nach GeschGehG und darf weder in öffentliche Cloud-Dienste noch in KI-Trainingsumgebungen externer Anbieter fließen.
• KRITIS nach § 8a BSIG: Betreiber kritischer Infrastruktur im Sektor Chemie (Schwellenwert: Betriebe mit Stoffen über 12. BImSchV-Mengenschwellen) unterliegen seit 2021 erweiterten IT-Sicherheitspflichten — inklusive Meldepflicht bei IT-Sicherheitsvorfällen, die das ML-System betreffen.
• Auftragsverarbeitung: Wenn die CFD-Kampagne auf externen HPC-Systemen (Cloud, Rechenzentrum eines Dienstleisters) durchgeführt wird, ist ein AVV nach Art. 28 DSGVO erforderlich — nicht für personenbezogene Daten, sondern für die geheimhaltungsbedürftigen Prozessdaten.

Empfehlung für KRITIS-Betreiber: Das Inferenz-System (ML-Modell + Einsatzleitungs-Dashboard) vollständig on-premises oder in einer deutschen KRITIS-zertifizierten privaten Cloud betreiben. Der DWD Open Data-Service kann ohne Datenschutzbedenken als ergänzende Wetterdatenquelle eingebunden werden.

Dieser Abschnitt gibt allgemeine Hinweise und ist keine Rechtsberatung. Für KRITIS-Betreiber ist eine individuelle Abstimmung mit dem zuständigen BSI-Ansprechpartner empfohlen.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten

Laufende Kosten (monatlich)

• HPC- oder Cloud-Rechenzeit für Modell-Updates: 500–3.000 €/Monat
• Sensor-Wartung und -Kalibrierung (extern): 2.000–6.000 €/Jahr
• DNV PHAST (für Behördendokumentation): ab 863 €/Monat
• ML-Engineer für Modellpflege: 0,5–1 VZÄ intern oder externer Dienstleister

Was realistisch gegengerechnet werden kann:

Der Nutzen ist kein direkter Kostenersatz, sondern Risikovermeidung. Wenn ein Überreaktionsereignis (zu große Evakuierungszone) 200.000–500.000 Euro Schaden verursacht und statistisch alle 10 Jahre vorkommt, ergibt das einen Erwartungsschaden von 20.000–50.000 Euro pro Jahr — was einem Break-even von 5–12 Jahren entspricht. Das ist keine attraktive Investitionsrechnung für ein Einzelsystem. Für Konzerne mit 5 oder mehr Standorten, die das Modell-Framework teilen, sieht die Rechnung deutlich besser aus.

Drei typische Einstiegsfehler

1. Das Modell mit zu wenigen CFD-Szenarien trainieren. „200 Simulationen reichen — wir testen die häufigsten Windrichtungen.” Das ist ein Fehler mit direkten Sicherheitsfolgen: Ein Modell, das für Westwind gut trainiert ist, interpoliert für ungewöhnliche Windverhältnisse (Nordost, 1–2 m/s, stabile Grenzschicht) möglicherweise falsch — und tut das selbstsicher. Laut einer Studie zu Deep-Learning-Ausbreitungsmodellen (Process Safety and Environmental Protection, 2024) sind ML-Modelle für Gasausbreitung systematisch „over-confident” in Extrapolationsbereichen jenseits ihrer Trainingsdaten. Regel: Den gesamten klimatologischen Parameterraum des Standorts abdecken, nicht nur die häufigsten Fälle. Das bedeutet typischerweise 800–2.000 Simulationen.

2. Sensor-Ausfall als „seltenes Ereignis” behandeln. Ein Hybridmodell, das Echtzeitdaten von einer einzigen Wetterstation bezieht, hat keinen Fallback, wenn diese Station ausfällt. Sensor-Ausfälle sind keine Ausnahme — sie sind normaler Betrieb. Vereiste Windfahnen, defekte Heizungen am Ultraschallanemometer, Kabelbrüche nach Stürmen. Das System muss Sensor-Ausfälle erkennen, melden und auf Hintergrunddaten (DWD, Nachbarstation) zurückfallen können — mit expliziter Degradationsanzeige für die Einsatzleitung.

3. Das Modell einführen und nicht mehr pflegen. Das ist der langfristig gefährlichste Fehler. Ein ML-Modell, das auf den Geländezustand von 2026 trainiert wurde, wird ungenauer, wenn 2028 ein neues Lagergebäude gebaut wird, das die Strömungsstruktur verändert. Oder wenn ein Lagertank mit einem anderen Gefahrstoff befüllt wird, der nicht in der Stoffdatenbank des Modells war. Modellpflege ist kein Aufwand, der endet — sie ist dauerhaft. Wer das nicht plant, hat nach 3 Jahren ein System, das beruhigt und falsch informiert.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Entwicklung ist komplex, aber beherrschbar. Die organisatorische Einführung ist das eigentliche Risiko.

Der Vertrauensaufbau bei der Einsatzleitung dauert länger als die Entwicklung. Werksfeuerwehrleiter und Sicherheitsbeauftragte, die seit Jahren auf bewährten Gaußschen Modellen entschieden haben, vertrauen einem ML-Modell nicht automatisch — auch wenn es nachweislich besser ist. Misstrauen ist hier keine Betriebsblindheit, sondern professionelle Vorsicht: In einem Ernstfall will niemand auf Basis eines Systems entscheiden, das er nicht vollständig versteht.

Was hilft: Erklärbarkeit als Designprinzip. Das Dashboard sollte nicht nur „Gefahrenzone 400 Meter” zeigen, sondern auch: „Windrichtung: NW 4,2 m/s aus Sensor A2 (letzter Messzeitpunkt: 14 Sekunden), Modell-Konfidenz: 87 %, ähnlichste Trainingssituation: Szenario 0847 (Wind NW 4,0 m/s, 2. Oktober 2026).” Einsatzkräfte, die verstehen, warum das Modell zu einem Ergebnis kommt, akzeptieren es schneller.

Übungsintegrationen vor dem ersten Einsatz. Kein Werksfeuerwehrleiter sollte das Modell erstmals im echten Ereignis sehen. Regelmäßige Übungen mit dem System — entweder mit synthetischen Ereignissen oder mit historischen Vorfallsdaten — sind Pflicht. Nach der deutschen Störfall-Verordnung sind ohnehin regelmäßige Notfallübungen vorgeschrieben; das ML-System in diese Übungen einzubinden ist die natürlichste Validierungsform.

Die Behörde einbinden, nicht informieren. Eine häufige Fehleinschätzung: Das ML-System wird fertig entwickelt und dann „der Behörde präsentiert”. Das ist der falsche Ansatz. Frühzeitige und kontinuierliche Abstimmung mit der zuständigen Immissionsschutzbehörde — idealerweise bereits in der Planungsphase — erhöht die Wahrscheinlichkeit einer späteren Akzeptanz erheblich und vermeidet Nachentwicklungsschleifen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben bereits PHAST / AUSTAL — das reicht.” Stimmt, für die regulatorische Dokumentation reicht es. Was es nicht leisten kann: Echtzeit-Prognose während eines Ereignisses unter geländespezifischen Windverhältnissen, die sich alle 10 Minuten ändern. PHAST und AUSTAL sind Planungswerkzeuge, nicht Einsatzmittel. Der Use Case ist keine Kritik am Standardverfahren — er ergänzt es für den Ernstfall.

„Das Modell kann niemals so gut sein wie ein echter CFD-Lauf.” Diese Aussage ist richtig, aber das ist auch nicht das Ziel. Ein echter CFD-Lauf dauert 3 Stunden — bei einem Ereignis, das sich in 15 Minuten entwickelt, ist das irrelevant. Das ML-Surrogate ist besser als Gauß (präziser, geländetreu) und schnell genug für Echtzeit — ein vernünftiger Kompromiss. Und laut Fudan-University-Studie (2024) liegt die Abweichung gegenüber CFD bei unter 3 % für AEGL-Abstände. Das ist akzeptabel.

„Wir können das nicht selbst entwickeln.” Das stimmt für die meisten Einzelanlagen-Betreiber. Die realistische Alternative: Ein spezialisiertes Sicherheitsingenieur-Dienstleistungsunternehmen oder ein Forschungsinstitut (z. B. Fraunhofer UMSICHT, TU Hamburg-Harburg Anlagensicherheit) als Entwicklungspartner. Für Konzerne mit eigenem Sicherheitsteam und IT-Abteilung ist das häufig intern machbar, wenn ML-Expertise vorhanden ist.

Woran du merkst, dass das zu dir passt

Das passt:

• Dein Betrieb fällt unter die 12. BImSchV (obere oder untere Klasse) und betreibt Stoffe mit akuter Toxizität (Chlor, Ammoniak, HCN, Phosgen, H₂S)
• Du hast einen dedizierten Sicherheitsingenieur oder Störfallbeauftragten, der das System betreuen kann
• Dein Standort hat komplexe Topographie (Hanglage, dichte Bebauung, Hindernisse im Nahfeld), bei der Gauß-Modelle systematisch versagen
• Du bist Konzern mit mehreren Standorten und kannst das Modell-Framework auf weitere Anlagen portieren
• Du hast aktiven Kontakt zur zuständigen Behörde und kannst eine Behördenabstimmung initiieren

Drei harte Ausschlusskriterien — wann du es lassen solltest:

1. Kein vollangestellter Prozesssicherheits- oder Sicherheitsingenieur im Betrieb. Ein ML-Ausbreitungsmodell für Störfall-Entscheidungen braucht jemanden, der die Ausgaben interpretieren, Anomalien erkennen und das Modell gegenüber Behörden vertreten kann. Das ist keine Aufgabe für einen nebenbei zuständigen HSE-Koordinator. Wenn das fehlt, ist das Risiko falsch interpretierter Modellausgaben größer als der Nutzen.

2. Kein Zugang zu CFD-Simulation oder -Kompetenz — intern oder extern. Ohne Trainingsdaten kein Surrogate-Modell. Ohne CFD-Kompetenz keine validierten Trainingsdaten. Wer keine Verbindung zu einem Ingenieurbüro oder Institut hat, das atmosphärische CFD kann, kann das Projekt nicht aufsetzen.

3. Weniger als 3–5 reale Störfall-Gefahrstoffe im Betrieb über den Mengenschwellen. Für einen Betrieb mit einem einzigen Gefahrstoff und einem einzigen Freisetzungsszenario ist PHAST das richtige Werkzeug — ein vorberechnetes Nomogramm aus 5 Szenarien ist schnell genug und behördlich akzeptiert. Der Aufwand für ein vollständiges Hybridmodell ist nur bei echter szenarialer Vielfalt und komplexem Gelände gerechtfertigt.

Die oben genannten Ein- und Ausschlusskriterien geben allgemeine Orientierung und ersetzen keine Einzelfallbewertung durch einen Fachkundigen im Sinne der 12. BImSchV.

Das kannst du heute noch tun

Bevor du auch nur einen Euro in Softwarelizenzen oder externe Ingenieurdienstleistungen investierst, solltest du verstehen, ob das Problem in deinem Betrieb wirklich komplex genug für ein Hybridmodell ist. Das folgende Tool hilft dir dabei: Lade eine Beschreibung deines Standorts in einen allgemeinen LLM und lass dir eine strukturierte Erstbewertung erstellen.

Quellen & Methodik

• XGBoost-Surrogate für Benzolleakage (Fudan University, 2024): Jiao, Z. et al.: „Fast dynamic prediction of consequences of heavy gas leakage accidents based on machine learning”, Frontiers in Environmental Science, 2024. doi:10.3389/fenvs.2024.1409072. Ergebnis: 0,218 Sekunden Inferenzzeit vs. 3 Stunden CFD, Abweichung AEGL-Abstände <3 %.
• ST-GasNet, Rensselaer/Lawrence Livermore (Wang et al., PNAS Nexus, 2025): Wang, Y. et al.: „Spatiotemporal Predictions of Toxic Urban Plumes Using Deep Learning”, PNAS Nexus, Juni 2025. doi:10.1093/pnasnexus/pgaf198. Ergebnis: ≥90 % Genauigkeit, 9-Minuten-Prognose aus 3 Minuten Initialbeobachtung.
• Überkonfidenzbefund in ML-Dispersionmodellen: Befund zur systematischen Überkonfidenz von Deep-Learning-Modellen für räumliche Ausbreitungsgrenzen, dokumentiert in mehreren Studien 2023–2024 zu Wasserstoff- und Schwergasausbreitung (Process Safety and Environmental Protection). Konkrete Referenz: Real-time hydrogen release and dispersion modelling using deep learning probability approach, ScienceDirect 2023.
• DNV PHAST Preisangabe: DNV Veracity Store, veröffentlichter Preis für PHAST Multi-Component Add-on: ab 863 EUR/Monat (Einzellizenz, Stand Frühjahr 2026). URL: dnv.com/software/services/plant/phast-safeti-multi-component-add-on
• ANSYS Fluent Lizenzkosten: Vendr Buyer Guide für ANSYS, Stand 2025: 18.000–25.000 USD/Sitz/Jahr für ANSYS CFD Premium (Jahressubskription).
• 12. BImSchV (Störfall-Verordnung): Zwölfte Verordnung zur Durchführung des Bundes-Immissionsschutzgesetzes, aktuelle Fassung: gesetze-im-internet.de/bimschv_12_2000/
• AUSTAL als Referenzmodell: VDI 3945 Blatt 3 (Umweltmeteorologie); Hinweise auf AUSTAL als zugelassenes Ausbreitungsmodell in TA Luft 2021 und behördlicher Praxis.
• NVIDIA PhysicsNeMo (Siemens Energy): NVIDIA Technical Blog, 2024: „Spotlight: Siemens Energy Accelerates Power Grid Asset Simulation 10,000x Using NVIDIA PhysicsNeMo”. developer.nvidia.com/blog/spotlight-siemens-energy-accelerates-power-grid-asset-simulation-10000x-using-nvidia-physicsnemo/
• Kostenschätzungen Sensorarchitektur und CFD-Kampagnen: Erfahrungswerte aus industriellen Sicherheitsprojekten und akademischen PINN-Implementierungsberichten (Stand Mai 2026); keine repräsentative Erhebung.

Du planst die Einführung eines KI-gestützten Notfallprognose-Systems oder möchtest einschätzen, ob euer Standort die Voraussetzungen dafür erfüllt? Sprich uns an — wir verbinden euch mit Sicherheitsingenieuren und ML-Spezialisten, die diesen Weg bereits gegangen sind.