Durch die fortschreitende Energiewende steigt die Nachfrage der Anlagenbetreiber nach immer leistungsstärkeren Windenergieanlagen. Zur Maximierung des Return of Investment (ROI) stehen dabei besonders geringen Investitionskosten sowie eine hohe Lebensdauer im Fokus. Dies führt zu einer Auslegung der Anlagen an den Grenzen der strukturellen Integrität. Den Interessen der Anlagenbetreiber stehen die Zertifizierungsstellen gegenüber, deren Aufgabe es ist, die Entwicklung neuer Anlagen anhand geltender Normen zu überprüfen und ihre Konformität sicherzustellen.

Die Normung sieht vor, die Lebensdauer einer Windenergieanlage anhand eines Lastfallkatalogs auszulegen, der den typischen Betrieb einer Windenergieanlage über ihre Lebensdauer abbilden soll. Da der Lastkatalog aus einer standortspezifischen Momentaufnahme extrapoliert wird, können die tatsächlichen Betriebsbedingungen über den Lebenszyklus von den angenommenen Lasten abweichen. Für den Weiterbetrieb von Windenergieanlagen, die ihre designbedingte Lebensdauer erreicht haben, stellen die Zertifizierungsstellen Verfahren bereit, mit denen die Restlebensdauer bewertet werden kann [1]. Diese Verfahren sind oftmals aufwändig und erfordern umfangreiche Messkampagnen und zusätzliche Sensorik. Diesen Sachverhalt greift der hier beschriebene Forschungsansatz auf. Ziel ist es, anhand eines vereinfachten Modells einer realen Windenergieanlage eine Methode aufzuzeigen, mit der die tatsächlichen Kräfte im Anlagenbetrieb mittels neuronaler Netze geschätzt werden können, um daraus eine fundierte Aussage über die Lasten und die verbleibende Lebensdauer bzw. die Restlebensdauerreserve abzuleiten.