Maschinelles Lernen für den Entwurf und die Regelung von Power2X-Prozessen am Beispiel der Methanolsynthese

• Antragsteller: Professor Dr.-Ing. Achim Kienle; Professor Dr. Sebastian Sager; Professor Dr.-Ing. Andreas Seidel-Morgenstern
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Chemische und Thermische Verfahrenstechnik ; Mathematik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466495488

Ziele dieses Projektes sind: 1) Die Entwicklung neuer numerischer Methoden, welche die Stärken traditioneller Modellierungs- und Optimierungsansätze und des datengetriebenen maschinellen Lernens (ML) kombinieren sowie deren Anwendung zur 2) Entwicklung einer neuen Methodik für den Entwurf und die Führung von Power2chemicals Prozessen. Die nichtlineare Dynamik infolge stark veränderlicher Feedzuläufe soll dabei explizit berücksichtigt werden. Die Methanolsynthese wird als herausforderndes Anwendungsbeispiel betrachtet. Das interdisziplinäre Arbeitsprogramm spiegelt die komplementäre Expertise der drei Antragsteller in den Bereichen experimentelle Analyse, konzeptioneller Prozessentwurf und -führung sowie effiziente Algorithmen wieder.Wir verwenden neuronale Differentialgleichungen und differenzierbare End-zu-End Programmierung. Dies erlaubt uns, ML für unbekannte oder teuer auszuwertende Modellteile zu nutzen und Methoden der gemischt-ganzzahligen Optimalsteuerung (MIOC) und der Versuchsplanung für hybride Modelle zu entwickeln. Daraus wird eine Methodik zur hybriden Modellierung entwickelt. Diese kombiniert experimentelle Daten aus Versuchen mit einem gradientenfreien Kinetikreaktor mit verfügbarem physikalisch-chemischem Wissen und effizientem ML.Anschließend werden die hybriden Modelle für den robusten Prozessentwurf verwendet. In der ersten Antragsphase liegt der Schwerpunkt bei ideal durchmischten isothermen und örtlich verteilten nichtisothermen Reaktoren. Zur Erhöhung von Flexibilität und Toleranz gegenüber Änderungen von Durchsatz und Zusammensetzung werden Pufferbehälter eingeführt und neben einstufigen auch verschiedene Typen von mehrstufigen Reaktoren mit variabler Feedverteilung betrachtet. Die optimale Konfiguration und die optimalen nominellen Steuerungsprofile werden mit Hilfe von MIOC und den entwickelten hybriden Modellen für charakteristische Feedverläufe bestimmt.Zusätzlich zum robusten Prozessentwurf wird in einem dritten Schritt eine robuste Regelung zur Kompensation von Modellfehlern und unvorhergesehenen Abweichungen vom obigen nominellen Fall entwickelt. Diese basiert auf einer repetitiven Online-Optimierung und erfordert weitere Modellreduktionen und Erweiterung von Methoden für den Fall hybrider Modelle, um Echtzeitanforderungen einzuhalten.Modellierung, Design und Regelung für einen gradientenfreien Reaktor lehnen sich eng an die experimentellen Untersuchungen an, um eine effiziente Erzeugung von Daten und eine Validierung der entwickelten Konzepte zu gewährleisten. Untersuchung von komplexeren Festbettreaktoren werden zunächst in Silico mit Hilfe verfügbarer mechanistischer Modelle durchgeführt und sollen u.a. in einer möglichen 2. Förderphase experimentell validiert werden.Wir generieren neue Ansätze zur systematischen hybriden Modellierung und der anschließenden Verbindung mit Entscheidungsfindung, die physikalische Gesetze berücksichtigen und durch Robustheit die Sicherheit von ML Anwendungen erhöhen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2331: Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen