Entwicklung eines Modells zur Prognose der Bruchbilder von thermisch vorgespannten Gläsern bei unterschiedlicher Vorspannung und Lagerung

Aufgrund von normativen Regelungen der Resttragfähigkeit müssen häufig zeitintensive und kostspielige Bauteilversuche zur Bewertung des Tragverhaltens von Verbundsicherheitsgläser durchgeführt werden. Die statische Konstruktion im Einbauzustand muss bei den Versuchen nachgebildet werden. Um die Resttragfähigkeit von thermisch vorgespannten Scheiben besser absichern zu können, wurden Modelle entwickelt, die die Bruchstückgeometrien von unterschiedlich vorgespannten Scheiben prognostizieren sollen. Dabei stellte sich besonders ein Modell heraus, was auf Basis von experimentell ermittelten, konstanten Parametern zufriedenstellende Vorhersagen ermöglicht. Für eine realitätsnahe Abbildung von Bruchbildern müssen jedoch auch die räumlich abhängigen Bruchstückeigenschaften herangezogen werden. Das in dieser Arbeit entwickelte Modell ermittelt Bruchstückeigenschaften auf Basis stochastischer Annahmen und erzeugt eine ähnliche, räumliche Abbildung der Bruchstücke. Das Modell wurde in einer erweiterbaren Python-Umgebung implementiert und erlaubt so die Weiterentwicklung durch zukünftige Forschungsarbeiten.

Due to standards on residual load-bearing capacities, time-consuming and costly component tests often have to be carried out for laminated safety glass. The static construction in the installed state must be closely replicated in the tests. In order to facilitate further efforts to ensure the residual load-bearing capacity of thermally toughened glass, models have been developed to predict the fracture patterns of differently toughened panes. Most recently, one of these models was able to make adequate predictions based on thermal prestressing and glass thickness. However, more accurate consideration of spatially dependent fragment properties is required to realistically model real fracture patterns. In this work, a model is developed that is based on stochastic assumptions can first measure fragment properties accurately and then create spatially realistic patterns of fragments based on the measurements. The model was implemented in an extensible Python environment, allowing it to be extended by other researchers.