Verbund: 05M2020 - ML-MORE: Maschinelles Lernen und Modellordnungsreduktion zur Vorhersage der Effizienz katalytischer Filter

Abstract

Das Verbundprojekt ML-MORE adressierte die Herausforderungen der Modellierung und Simulation reaktiven Stofftransports in porösen Medien, welche die Basis vieler industrieller Prozesse bilden. Dazu gehören beispielsweise katalytische Filter für Abgase, die in diesem Projekt durch die Kooperation mit Umicore im Fokus standen, sowie Brennstoffzellen und photovoltaische Zellen. Solche Simulationen können große Datenmengen generieren, wodurch ein effizientes Design optimiert werden kann. Gleichzeitig sind diese Simulationen jedoch auch zeitintensiv und können von einer Vielzahl von Parametern abhängen. Darüber hinaus bleibt das Potenzial, vorhandene Experimentaldaten wiederzuverwerten, in bisherigen Herangehensweisen ungenutzt. Um diesen Engpass zu beseitigen, wurde in diesem Projekt eine integrative Plattform entwickelt, die auf modernen datenbasierten Methoden des maschinellen Lernens (ML) basiert. Das Ziel war es, zuverlässige und schnelle prädiktive Modelle für die Vorhersage chemischer Konversionsraten bereitzustellen. Hierfür waren mehrere methodische Komponenten erforderlich, darunter klassische Simulationsverfahren auf der Porenskala, Modellordnungsreduktion sowie maschinelles Lernen. Aufgrund der hohen Kosten klassischer Simulationsverfahren wurden zunächst Modellordnungsreduktionsmethoden entwickelt, um reduzierte Modelle für den betrachteten instationären reaktiven Transport zu erstellen. Damit lassen sich große Mengen an Trainingsdaten generieren, die dann im Training für Methoden des maschinellen Lernens verwendet werden können. Hierbei fokussierten wir uns vor allem auf mehrschichtige Kernel-basierte Lernverfahren. Insgesamt gelang es in diesem Forschungsprojekt, sämtliche dieser Methoden in einem prädiktiven hierarchischen ML-Werkzeug (RB-ML-ROM Framework) zu integrieren. Dieses Werkzeug unterstützt Unternehmen bei der Entwicklung neuartiger katalytischer Filter und kann auf viele weitere ähnliche Prozesse übertragen werden kann. Im Teilprojekt „Datenaufbereitung und Modellierung chemischer Reaktionen“ (AP4, TUDa (Votsmeier)) wurde der in ML-MORE von den mathematischen Partnern entwickelte Simulationscode auf die Optimierung von katalytisch beschichtete Filter angewendet. Dazu wurden Modelle für den Gesamtfilter entwickelt, die es erlauben, aus dem von den Verbundpartnern bereitgestellten Modellen für die Strömung in der Filterwand auf das Verhalten des gesamten Filters zu schließen. Mithilfe des in MLMORE entwickelten Simulators wurden erstmals Simulationen durchgeführt, die auch die μ-Poren innerhalb der Katalysatordomänen eines beschichteten Filters auflösen. Diese Simulationen bieten dem Industriepartner Umicore wichtige Erkenntnisse zur Optimierung der beschichteten Filter. Zusammen mit dem Projektpartner Uni Stuttgart wurde eine neue Maschinenlernmethode zur effizienten Abbildung komplexer Reaktionssysteme entwickelt. Schließlich wurde basierend auf den Ergebnissen des Projekts ein vereinfachtes Simulationstool für katalytisch beschichtete Partikelfilter erstellt und zusammen mit dem Industriepartnerpartner Umicore zur Optimierung des Filterdesigns angewendet.

Datei-Upload durch TIB