CBRN-Trainingssimulationssoftware: Erkennung, Dekontamination und Reaktion

CBRN — chemisch, biologisch, radiologisch und nuklear — gehört zu den technisch anspruchsvollsten Domänen in der Verteidigungssimulation. Anders als die Architektur militärischer Trainingssimulationen für kinetische Szenarien muss die CBRN-Simulation unsichtbare Bedrohungen modellieren, die sich gemäß atmosphärischer Physik in der Umgebung ausbreiten, mit spezifischen Sensortypen über definierte Detektionschemie interagieren und prozedural exakte Reaktionsverhalten erfordern, die sowohl lebenswichtig als auch kognitiv anspruchsvoll unter Schutzausrüstung sind. Software zu entwickeln, die diese Trainingstreue bietet und gleichzeitig von Einheitsinstruktoren ohne CBRN-Modellierungsexpertise nutzbar ist, stellt die zentrale Designherausforderung dar.

Dieser Artikel behandelt die Softwarearchitektur und Implementierungsdetails für CBRN-Trainingssimulationen über die gesamte Trainingsbreite: atmosphärische Ausbreitungsmodellierung, Detektorsimulation, Dekontaminationstraining, MOPP-Level-Management, Föderationsintegration und Auswertung nach der Übung.

Warum CBRN-Training dedizierte Simulationssoftware erfordert

Allgemeine militärische Trainingssimulationen unterstützen CBRN-Training nicht ausreichend, da die Bedrohungsphysik grundlegend von kinetischen Gefechten abweicht. Ein Panzergefecht hat Sichtliniengeometrie und ballistische Trajektorien — beides ist geometrisch handhabbar und in der Militärsimulation gut verstanden. Ein chemischer Wirkstoffangriff hat atmosphärische Ausbreitungsphysik, Dosis-Wirkungs-Modellierung für Verluste, Detektoralarmlogik mit probabilistischen Fehlalarmen und Dekontaminationsverfahrenssequenzen. Keines dieser Elemente ist in Standard-Simulationsentitätsbibliotheken modelliert.

Die Anforderungen an die Simulationstreue beim CBRN-Training unterscheiden sich in drei wesentlichen Punkten. Erstens ist die Bedrohung unsichtbar: Auszubildende können die Gefahr nicht direkt beobachten, daher muss die Simulation realistische indirekte Hinweise liefern — Detektoralarme, Verletzungssymptome, MOPP-Ordertrigger — die Auszubildende dazu bringen, über die Bedrohung nachzudenken, anstatt sie direkt zu beobachten. Zweitens sind Reaktionsverfahren lebenswichtig und prozedural exakt: In realen Einsätzen kann eine falsche Dekontaminationssequenz eine Sekundärkontamination verursachen, die genauso gefährlich ist wie die ursprüngliche Exposition. Die Simulation muss die prozedurale Korrektheit streng, nicht annäherungsweise durchsetzen. Drittens verschlechtert Schutzausrüstung die Leistung: In MOPP 4-Ausrüstung steigt die kognitive Belastung, die manuelle Geschicklichkeit nimmt ab und die Kommunikation ist beeinträchtigt. Trainingssimulationen, die diese MOPP-bedingten Leistungseinbußen nicht modellieren, verfehlen einen kritischen Teil des operativen Bildes.

Gefahrenrealismus in der CBRN-Trainingssimulation erfordert validierte atmosphärische Ausbreitungsmodelle, die Wirkstoffkonzentrationsfelder erzeugen, die mit realen Feldversuchsdaten übereinstimmen. Standardisiertes Reaktionstraining erfordert eine Szenariobibliothek, die auf doktrinären Reaktionsverfahren basiert — FM 3-11, ATP 3-11.32, STANAG 2352 — mit prozedurieller Fehlererkennung, die Abweichungen von der Doktrin markiert, anstatt sie zu approximieren. Diese Anforderungen zusammen machen die CBRN-Trainingssimulation zu einer spezialisierten technischen Domäne, die allgemeine Militärsimulationsframeworks nur teilweise abdecken.

Chemische Wirkstoffausbreitungsmodelle

Das Gaußsche Fahnenmodell ist die Basis für die chemische Wirkstoffausbreitung in der CBRN-Trainingssimulation. Es modelliert die Wirkstoffkonzentration im Wind als bivariate Gaußsche Verteilung in Quer- und Vertikalrichtung, mit Ausbreitungsparametern (sigma-y und sigma-z), die aus Pasquill-Gifford-Atmosphärenstabilitätsklassen (A bis F, von konvektiv bis sehr stabil) abgeleitet werden. Für eine kontinuierliche Freisetzung in Höhe H über dem Boden ergibt sich die axiale Windkonzentration in der Entfernung x als:

C(x, y, z) = (Q / (2π · u · σy · σz))
             · exp(-y² / (2σy²))
             · [exp(-(z-H)² / (2σz²)) + exp(-(z+H)² / (2σz²))]

Wobei:
  Q   = Freisetzungsrate (mg/s)
  u   = mittlere Windgeschwindigkeit (m/s)
  σy  = Querausbreitungskoeffizient (m), Funktion von x und Stabilitätsklasse
  σz  = vertikaler Ausbreitungskoeffizient (m), Funktion von x und Stabilitätsklasse
  H   = effektive Freisetzungshöhe (m)
  y   = Querabstand von der Fahnenachse (m)
  z   = Höhe über dem Boden (m)

Pasquill-Gifford-Sigma-Parameter sind nach Stabilitätsklasse und Windentfernung tabellarisch erfasst. Für Trainingsanwendungen werden diese typischerweise als Polynomfits zu den Pasquill-Gifford-Kurven implementiert, was schnelle Berechnungen bei jedem Simulationszeitschritt ohne Nachschlagetabellen ermöglicht.

Das Gaußsche Fahnenmodell hat bekannte Gültigkeitsgrenzen, die dem Trainingspublikum mitgeteilt werden müssen. Es setzt flaches Gelände mit homogenem Windfeld, eine stationäre Quelle und Windgeschwindigkeiten über ca. 1 m/s voraus. Für Trainingsszenarien in komplexem Gelände, städtischen Umgebungen oder Windstillbedingungen bietet das Gaußsche Wolkenmodell durch die Verfolgung einzelner Wolkentrajektorien durch ein nicht uniformes Windfeld eine bessere Wiedergabetreue.

CAMEO/ALOHA (Computer-Aided Management of Emergency Operations / Areal Locations of Hazardous Atmospheres), entwickelt von NOAA und EPA, implementiert Gaußsche Fahnen- und Schwergasmodelle, die gegen industrielle Chemikalienfreisetzungsdaten validiert sind. Die Szenariobibliothek enthält militärisch relevante chemische Wirkstoffe (GB, VX, HD sind in der ALOHA-Chemikaliendatenbank als zivile Entsprechungen enthalten), und die Ausgabe — ein Gefahrenzonenpolygon bei bestimmten Konzentrationsgrenzwerten — kann als Simulationseinspeisung in Übungskartierungstools importiert werden. Viele CBRN-Trainingsprogramme integrieren ALOHA als validiertes Referenzmodell für die Instruktornutzung, während die Trainingssimulation ein rechnerisch leichteres Gaußsches Modell für die Echtzeit-Entitätskonzentrationsstichprobe verwendet.

Geländeeffekte auf die chemische Wirkstoffausbreitung sind eine bedeutende Fehlerquelle in der Simulation beim Training in realistischen Umgebungen. Täler leiten Wirkstoffe mit höheren Konzentrationen in Windrichtung als Flachgeländemodelle vorhersagen; Gebäudenachläufe fangen Wirkstofftaschen auf der Leeseite von Strukturen ein; dichter Bewuchs reduziert die Windgeschwindigkeit und verlängert die Wirkstoffbeständigkeit. Trainingssimulationen in komplexem Gelände sollten Geländekorrekturfaktoren auf Gaußsche Modellausgaben anwenden oder ein Lagrange'sches Partikelausbreitungsmodell verwenden, das Partikeltrajektorien durch ein geländefolgendes Windfeld verfolgt.

JCAD und Detektorsimulation

Die Detektorsimulation übersetzt das kontinuierliche Wirkstoffkonzentrationsfeld aus dem Ausbreitungsmodell in die diskreten Alarmausgaben, die Auszubildende während des Trainings tatsächlich beobachten. Die Simulation muss die spezifische Sensortechnologie, Empfindlichkeit, Alarmschwelle, Falschalarmverhalten und Ausgabeformat jedes Detektortyps modellieren. Die Verwendung eines generischen binären Alarmmodells für alle Detektoren beseitigt den Trainingswert, der aus dem Verständnis der spezifischen Einschränkungen jedes Systems resultiert.

Der M8A1-Chemiewaffen-Alarm ist der veraltete Standard und verwendet Ionenmobilitätsspektrometrie (IMS) mit einer einzigen Alarmschwelle für G-Reihen-Nervengifte und blasenbildende Wirkstoffe. Sein Simulationsmodell erfordert vier Parameter: die Erkennungsschwelle (ca. 0,02 mg/m³ für GB), die Alarmlatenz (8–12 Sekunden vom Schwellwertüberschreiten bis zum akustischen Alarm), den Sättigungspegel (oberhalb dessen der Detektor möglicherweise nicht zuverlässig funktioniert) und die Falschalarmwahrscheinlichkeit als Funktion der Störkonzentration (Dieselabgase, Flugzeugkraftstoffdämpfe sind häufige Störstoffe unter Feldbedingungen). Die M8A1-Simulation erfordert keine Modellierung von Konzentrationsbändern — die Ausgabe ist binär.

Die JCAD (Joint Chemical Agent Detector)-Simulation ist komplexer. JCAD bietet drei Alarmstufen (niedrig, mittel, hoch), die Konzentrationsbändern über dem Erkennungsschwellenwert entsprechen, und überträgt seinen Alarmstatus über eine standardisierte Funkschnittstelle. Die Simulation von JCAD erfordert:

JCAD-Alarmzustandslogik:

Eingabe: C = Wirkstoffkonzentration am Detektorstandort (mg/m³)

wenn C < 0,005 mg/m³ (GB-Äquivalentschwelle):
    Zustand = KEIN_ALARM

elif 0,005 ≤ C < 0,02:
    Zustand = NIEDRIG_ALARM

elif 0,02 ≤ C < 0,1:
    Zustand = MITTEL_ALARM

elif C ≥ 0,1:
    Zustand = HOCH_ALARM

Latenz: 8–15 s ab Konzentrationschwellwertüberschreitung
Falschalarm P(Alarm | kein Wirkstoff) = f(Störstofftyp, Störstoffkonz.)
Haltezeit: min. 60 s bevor Rückkehr zu KEIN_ALARM
MOPP-Empfehlung: wird über Funk bei HOCH_ALARM übertragen

Die Falschalarmmodellierung ist für den Trainingsrealismus unerlässlich. JCAD erzeugt im operativen Einsatz Fehlalarme durch Düsenabgase, Fahrzeugdieselemissionen und bestimmte Reinigungsmittel. Eine Trainingssimulation, die nie Fehlalarme generiert, bringt Einheiten dazu, jeden Alarm als bestätigtes chemisches Ereignis zu behandeln — eine gefährliche kognitive Gewohnheit im Feld, wo Fehlalarme häufig sind und eine ungerechtfertigte MOPP 4-Postur die operative Leistung beeinträchtigt. Die Simulation sollte Fehlalarme mit einer historisch realistischen Rate einspeisung (ca. 1–3 pro 8-Stunden-Übungstag in der Umgebung einer mechanisierten Einheit) und Einheiten trainieren, Alarme durch M256A2-Kit-Detektion oder Multi-Detektor-Bestätigung zu verifizieren, anstatt auf Einzel-Detektor-Alarme mit vollständiger MOPP-Eskalation zu reagieren.

Die Strategie zur Platzierung von Punktdetektoren ist selbst eine trainierbare Fähigkeit. Die Simulation sollte es Übungssteuerern ermöglichen, virtuelle Detektoren während der Planungsphase neu zu positionieren und das resultierende Abdeckungsmuster gegen eine Muster-Chemikalienfreisetzungsfahne zu beobachten. Detektoren, die windaufwärts der Einheitsformation platziert werden, bieten keine nützliche Erkennung — ein grundlegender Platzierungsfehler, den die Trainingssimulation klar aufzeigen kann.

Training von Dekontaminationsverfahren

Das Training von Dekontaminationsverfahren ist die Komponente der CBRN-Simulation, die am direktesten Trainingsfehler mit lebenswichtigen Konsequenzen reduziert. Die individuelle Dekontaminationssequenz gemäß FM 3-11-Doktrin ist präzise spezifiziert, und Abweichungen von der Sequenz — insbesondere falsche Entfernungsreihenfolge der MOPP-Ausrüstung — können Wirkstoffe von der äußeren Oberfläche der Schutzausrüstung auf zuvor saubere Haut oder Unterkleidung übertragen. Die Trainingssimulation muss diese Konsequenz explizit modellieren, anstatt die Dekontamination als abstrakten Verfahrensabschluss zu behandeln.

Die individuelle Dekontamination wird als endlicher Automat mit Zuständen für jeden Schritt des IEDK (Individual Equipment Decontamination Kit)-Verfahrens modelliert. Der kanonische Zustandsgraph für die individuelle Nervengift-Dekontamination lautet:

INDIVIDUELLER DEKONTAMINATIONS-ZUSTANDSAUTOMAT

[KONTAMINIERT]
    │ (innerhalb 60s nach Exposition)
    ▼
[HAUTDEKONTAMINATION] — M291-Kit: exponierte Haut abwischen (Gesicht, Hals, Hände)
    │ (min. 60 s, Buddy-Check)
    ▼
[AUSRÜSTUNGSDEKONTAMINATION] — M295 IEDK: Waffe, Maske, Ausrüstungsoberflächen dekontaminieren
    │ (min. 90 s)
    ▼
[MOPP_ENTNAHME_AUSSENHANDSCHUHE] — Buddy entfernt Außenhandschuhe (nur Außenseite berühren)
    │ (Buddy-Unterstützung, min. 30 s)
    ▼
[MOPP_ENTNAHME_SCHUTZANZUG] — Buddy entfernt JSLIST/MOPP-Anzug (nach außen rollen)
    │ (min. 60 s)
    ▼
[MOPP_ENTNAHME_STIEFEL] — Buddy entfernt Überstiefel
    │ (min. 30 s)
    ▼
[MOPP_ENTNAHME_INNENHANDSCHUHE]
    │
    ▼
[MOPP_ENTNAHME_MASKE] — letzter entfernter Gegenstand (höchstes Risiko)
    │
    ▼
[HAUTWÄSCHE] — Seife und Wasser oder RSDL bei frühester Gelegenheit
    │
    ▼
[DEKONTAMINATION_ABGESCHLOSSEN]

Erkannte Verfahrensfehler:
  - Zustandsübergang außer der Reihe → SEKUNDÄRKONTAMINATIONSRISIKO
  - Fehlende Buddy-Unterstützung → SOLO_ENTNAHME_FEHLER
  - Schrittkonstante unter Minimum → UNVOLLSTÄNDIGE_DEKONTAMINATION_WARNUNG
  - Maske vor Anzug entfernt → KRITISCHER_FEHLER (als Expositionsereignis modelliert)

Die Simulation der kollektiven Dekontaminationsstation modelliert den Durchsatz als Funktion der Besatzungskompetenz, Geräteverfügbarkeit und des Wirkstofftyps. Eine Standard-PDDE (Powered Decontamination and Detection Equipment)-Station mit dem M12A1 verarbeitet Fahrzeuge in 45–90 Minuten je nach Fahrzeugtyp und Kontaminationsgrad. Die Simulation sollte die Dekontaminationslinie verfolgen, den Durchsatz basierend auf Besatzungskompetenzmultiplikatoren berechnen und die Restkontamination auf jedem Fahrzeug nach der Dekontamination berechnen. Die Restkontamination wird als probabilistische Funktion der Wirkstoffbeständigkeit (Tabun und Sarin sind nicht beständig; Senfgas (HD) ist beständig bei gemäßigten Temperaturen), des Dekontaminationsmitteltyps (DS2, Chlorkalklösung, supertropischer Kalk), der Einwirkzeit auf der Oberfläche und des Oberflächenmaterials (Gummi hält Wirkstoffe länger als lackiertes Metall) modelliert.

Entscheidungsverzweigungen in der Dekontaminationssimulation umfassen die medizinischen Entscheidungspunkte, mit denen Kommandeure konfrontiert werden: wann sie Restkontaminationsrisiken akzeptieren und den Betrieb fortsetzen sollen, gegenüber dem Anhalten für eine vollständige Dekontamination. Die Simulation sollte Kommandeuren explizite Entscheidungsknoten präsentieren, an denen sie den aktuellen Kontaminationsstatus ihrer Formation, die Dekontaminationsdurchsatzrate und die taktische Situation beobachten und eine Dekontaminationspostur wählen müssen. Die AAR sollte dann analysieren, ob ihre gewählte Postur mit den zum Zeitpunkt der Entscheidung verfügbaren Kontaminationsdaten übereinstimmte.

Schutzpostur und MOPP-Level-Übungen

Das MOPP (Mission Oriented Protective Posture)-Level-Management ist eine kollektive Trainingsaufgabe, die auf allen Ebenen gleichzeitig stattfindet. Einzelne Soldaten müssen spezifische Komponenten der Schutzausrüstung innerhalb festgelegter Zeitlimits anlegen oder ablegen; Kommandeure müssen Level-Änderungen basierend auf der Bedrohungsbeurteilung anordnen und den Schutz gegen Leistungsminderung abwägen; und die gesamte Formation muss Übergänge koordinieren, um Fenster mit teilweisem Schutz auf kollektiver Ebene zu vermeiden.

Die vier MOPP-Stufen legen fest, welche Schutzausrüstung getragen wird:

MOPP-Stufe	Maske	Anzug	Handschuhe	Stiefel	Übergangszeit
MOPP 0	Mitgeführt	Mitgeführt	Mitgeführt	Mitgeführt	—
MOPP 1	Mitgeführt	Getragen	Mitgeführt	Mitgeführt	8 Min. ab MOPP 0
MOPP 2	Mitgeführt	Getragen	Mitgeführt	Getragen	+2 Min. ab MOPP 1
MOPP 3	Getragen	Getragen	Mitgeführt	Getragen	+3 Min. ab MOPP 2
MOPP 4	Getragen	Getragen	Getragen	Getragen	+2 Min. ab MOPP 3

Die einheitenübergreifende Koordination ist die kritische MOPP-Trainingsaufgabe auf Bataillonsebene und darüber. Wenn ein Bataillon einen MOPP 4-Befehl erhält, wechseln nicht alle Kompanien gleichzeitig — Einheiten im Kontakt können möglicherweise nicht sicher unter Beschuss maskieren, logistische Elemente können sich in Fahrzeugen mit Kollektivschutz befinden, und medizinische Elemente haben spezifische MOPP-Verfahren für die Patientenversorgung. Die Simulation muss jede Einheit unabhängig modellieren, sodass das Trainingspublikum die fleckige MOPP-Postur in der gesamten Formation beobachten und das Üben der Koordination simultaner Übergänge ohne taktische Kontinuitätseinbußen praktizieren kann.

Zeitdruck wird durch die Verknüpfung von simulierten chemischen Freisetzungsereignissen mit der MOPP-Übergangsuhr eingeführt. Wenn die Simulation einen chemischen Wirkstoff freisetzt, während eine Formation von MOPP 2 auf MOPP 4 übergeht, erhalten Personen, die ihren Übergang noch nicht abgeschlossen haben, Kontaminationsexposition. Die Simulation sollte die Anzahl der während eines Übergangs exponierten Personen verfolgen und melden — dies ist ein direkt verwertbarer Trainingsdatenpunkt, der zu schnellerer, disziplinierterer MOPP-Übergangspraxis motiviert.

Die Leistungsminderungsmodellierung unter MOPP wendet Hitzestress, reduzierte manuelle Geschicklichkeit, eingeschränkte Kommunikation (Stimmabschwächung durch die Maske, reduzierte Funkkommunikationsqualität) und eingeschränktes Sichtfeld auf alle Entitäten bei MOPP 3 und MOPP 4 an. Diese Modifikatoren beeinflussen die Bewegungsraten der Simulation, Eingriffszeitparameter und Kommunikationszuverlässigkeit. Trainingsszenarien, die diese Modifikatoren nicht systematisch anwenden, unterschätzen systematisch die operative Kosten des chemischen Schutzes und trainieren Einheiten, MOPP 4 zu achtlos zu akzeptieren.

Integration mit LVC- und LSST-Frameworks

CBRN-Simulationskomponenten müssen in die umfassendere Live-Virtual-Konstruktiv-Integration-Übungsförderierung integriert werden, um an kombinierten Waffengattungsübungsszenarien teilzunehmen. CBRN-Elemente isoliert — eine CBRN-Dekontaminationskompanie, die eine Dekontaminationsübung durchführt — repräsentieren nicht die realistische Herausforderung der CBRN-Reaktion während laufender kinetischer Operationen. Das wertvollste CBRN-Training findet statt, wenn die Formation auf ein chemisches Ereignis reagieren muss, während sie gleichzeitig eine kinetische Bedrohung bewältigt, Logistik aufrechterhält und Führung und Kontrolle beibehält.

Das SISO CBRN FOM-Supplement definiert die HLA-Objektklassen und Interaktionsklassen, die erforderlich sind, um CBRN-Entitäten innerhalb einer RPR-FOM-Förderierung zu repräsentieren. Chemische Wolkenobjekte tragen Attribute für Wirkstofftyp (kodiert nach AC 225(D)-Wirkstoffaufzählung), Quellposition in geozentrische Koordinaten, Freisetzungsrate und aktuelle atmosphärische Stabilitätsklasse. Das Ausbreitungsmodell aktualisiert Wolkenobjektattribute bei jedem Simulationszeitschritt, und abonnierende Föderations-Teilnehmer können die Konzentration an ihren Entitätsstandorten mithilfe der Wolkengeometrie abtasten.

XMSF (Extensible Modeling and Simulation Framework)-Unterstützung ermöglicht es, validierte CBRN-Ausbreitungsmodelle als Webdienste bereitzustellen, die von anderen Föderations-Teilnehmern erkannt werden können. Ein Szenario-Manager kann einen CBRN-Ausbreitungsdienst nach Wirkstofftyp, Freisetzungsparametern und meteorologischen Bedingungen aufrufen und erhält ein kontaminiertes Flächenpolygon zurück, ohne das Ausbreitungsmodell in die Szenario-Management-Komponente einzubetten. Diese architektonische Trennung ermöglicht es, das maßgebliche Ausbreitungsmodell auf eine hochwertigere Implementierung zu aktualisieren, ohne den Szenario-Management-Code zu ändern.

DIS-Entitätstypcodes für CBRN-Gefahrenentitäten verwenden den DIS-Entitätstypaufzählungsbereich 9 (Umwelt) mit Ländercode 0 (andere) und spezifischen Entitäts-/Kategoriecodes, die in SISO ENUM-70 für chemische, biologische, radiologische und nukleare Gefahrendarstellungen definiert sind. Gateway-Implementierungen, die DIS-Umgebungen mit HLA verbinden, müssen die Zuordnung zwischen DIS-Entitätstypcodes und CBRN FOM-Supplement-Objektklassenparametern aufrechterhalten, um Verlust von Wirkstofftypinformationen an der Protokollgrenze zu vermeiden.

Die LSST (Live System Software Testbed)-Architektur bietet Integrationspunkte für Live-CBRN-Detektorsysteme. Wenn ein echtes JCAD-Gerät von einem instrumentierten Live-Streitkräfteteilnehmer getragen wird, kann das LSST-Sensorgateway den Alarmstatus des echten Detektors als authentifizierte HLA-Interaktion in die konstruktive Simulation einschleusen, versehen mit der Entitätsidentität des Trägers. Dies schafft ein hybrides Szenario, in dem echte Detektoralarme die Modellierung von Simulationskonsequenzen steuern — eine wichtige Validierungsumgebung zur Überprüfung, ob CBRN-Reaktions-SOPs der Einheit wie vorgesehen funktionieren, bevor Live-Chemieübungen stattfinden.

AAR für CBRN-Szenarien

Die CBRN-Nachbesprechung erfordert ein Ereignisprotokoll mit vier zusätzlichen Datenströmen über die Standard-Übungs-AAR hinaus: Expositionsprotokoll, Erkennungsprotokoll, Dekontaminationsprotokoll und MOPP-Zustandsprotokoll. Jeder Strom muss mit dem Standard-Entitätspositions- und Engagementprotokoll zeitsynchronisiert werden, damit CBRN-Ereignisse während der Nachbesprechung mit taktischen Ereignissen korreliert werden können.

Die Nachbesprechungssoftware sollte die folgenden CBRN-spezifischen Kennzahlen automatisch aus dem Ereignisprotokoll berechnen:

Kennzahlkategorie	Kennzahl	Doktrinärer Standard
Exposition	Kumulative Ct-Dosis pro Person (mg·min/m³)	Wirkstoffspezifischer IDLH-Schwellenwert
Erkennung	Zeit von Freisetzung bis erstem Alarm (Sekunden)	<120 s bei windaufwärtiger Detektorplatzierung
Erkennung	Anteil der Formation, die vor Exposition gewarnt wurde	>90 % bei effektiver Detektorplatzierung
MOPP	Zeit von MOPP 4-Befehl bis 90 % Compliance (Min.)	<8 Min. (FM 3-11-Standard)
Dekontamination	Zeit von Kontamination bis Einleitung der Hautdekontamination	<60 s (Sofortdekontaminationsstandard)
Dekontamination	Verfahrensfehler pro individueller Dekontaminationssequenz	0 kritische Fehler (z. B. Maske vor Anzug)
Kollektive Dekontamination	Fahrzeugdekontaminationsdurchsatz (Fahrzeuge/Stunde)	1–1,5 Fahrzeuge/Std. pro M12A1 PDDE-Station

Die Expositionsverfolgung in der AAR erfordert die Aufzeichnung der Konzentrations-Zeit-Historie für jede einzelne Entität während der Übung. Da sich das Konzentrationsfeld bei jedem Simulationszeitschritt ändert, besteht der Rohdatensatz aus einer Zeitreihe von (Entitäts-ID, Zeitstempel, Wirkstofftyp, Konzentration_mg_pro_m3)-Tupeln, die im Simulationszeitschritt (typischerweise 1 Sekunde) abgetastet werden. Das AAR-System integriert diese Zeitreihe, um Ct (Konzentrations-Zeit-Produkt in mg·min/m³) für jede Entität und jeden Wirkstofftyp zu berechnen, und vergleicht dann mit wirkstoffspezifischen physiologischen Schwellenwerten zur Bewertung des Verletzungsrisikos.

Die Aufzeichnung der Dekontaminationszeit protokolliert den Beginn und das Ende jedes Dekontaminationsverfahrensschritts pro Person mit dem zuständigen Buddy-Partner und etwaigen Verfahrensfehlerereignissen. Die AAR gibt diese Aufzeichnungen in einer Zeitlinienansicht wieder, die es dem Nachbesprechungsleiter ermöglicht, die Dekontaminationssequenz Schritt für Schritt durchzugehen, Fehler hervorzuheben und die simulierte Kontaminationskonsequenz jedes Fehlers im Kontext zu zeigen.

Die Verfahrensfehlererkennung arbeitet in zwei Modi: Echtzeit-Erkennung (Markierung von Fehlern während der Übung zur Instruktorbenachrichtigung) und nachträgliche Analyse (Berechnung von Fehlerstatistiken über die Formation für den AAR-Bericht). Die Echtzeit-Erkennung ermöglicht es Instruktoren, die Dekontaminationssequenz zu beobachten und einzugreifen, wenn kritische Fehler erkannt werden — das Entfernen einer Maske vor dem Anzug ist ein lebenswichtiger Fehler in realen Operationen, der beim Training sofortige Instruktorintervention auslösen sollte. Die nachträgliche Analyse aggregiert Fehlertypen über die Formation, um systematische Trainingsdefizite gegenüber individuellen Fehlern zu identifizieren, was unterschiedliche Trainingsreaktionen veranlasst.