Deep Learning für die verbesserte Simulation der Biomassestaubverbrennung

• Antragsteller: Professor Dr. Andreas Kronenburg
• Fachliche Zuordnung: Energieverfahrenstechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 513858356

Die Umstellung auf eine CO2-neutrale Energiewirtschaft ist eine der derzeit wesentlichen Herausforderungen unserer Gesellschaft. Aber selbst mittel- bis langfristig ist nicht zu erwarten, dass es eine einzige Technologie geben wird, die die fossilen Brennstoffe als Primärenergieträger vollständig ersetzen kann. Deshalb sollten alle Optionen, die zu einer CO2-neutralen Energiewandlung führen, verfolgt werden. Als attraktive Option gilt die Biomassestaubverbrennung (pulverized biomass combustion - PBC), da hierfür die existierende Infrastruktur kohlebasierter Energiewandlung weiterhin genutzt werden kann. Allerdings sind die Verbrennungseigenschaften von Biomasse und Kohle bei weitem nicht identisch, so dass Adaptionen des Brenners und der Brennkammer von Nöten sein werden. Die Entwicklung solcher Adaptionen werden gewöhnlicherweise von computerbasierten Methoden unterstützt, und die Large-Eddy Simulation (LES) bietet sich hier als geeignetes Werkzeug für die Simulation an, da sie die wesentlichen nicht-linearen, transienten, turbulenten Prozesse, die für die Dynamik der Feststoffverbrennung kritisch sind, abbilden kann. Die LES löst allerdings nicht all die kleinskaligen Prozesse auf, die mit der PBC assoziiert werden können, wie bspw. Erwärmen, Trocknen, Pyrolyse, homogene Verbrennung der flüchtigen Gase und heterogene Koksverbrennung. Diese Prozesse und ihre Interaktionen müssen erst im Detail verstanden werden, um in einem zweiten Schritt innerhalb einer LES modelliert werden zu können. Detailgetreue direkte numerische Simulationen (DNS) sollen für die Untersuchung der grundlegenden Verbrennungseigenschaften der pulverisierten Biomasse genutzt werden. Diese sind in erster Linie das Zündverhalten und Verbrennungscharakteristika und ihre Sensitivität gegenüber der umströmenden Gasphase, Partikeleigenschaften und Partikel-Gas Interaktionen. Die Simulationen werden detaillierte chemische Mechanismen nutzen, die für die genaue Analyse der Feinstrukturprozesse – hier insbesondere der Zündprozesse – wichtig sind. Ebenso notwendig ist es aber auch, numerisch weniger aufwendige und dennoch genaue Modellansätze für PBC zu entwickeln. Dies wird mit Hilfe moderner Flamelet-Ansätze erreicht, wie sie schon für pulverisierte Kohleverbrennung entwickelt wurden. Die DNS sollen dann genutzt werden, um LES Feinstrukturmodelle mit Hilfe von Machine-Learning Methoden zu entwickeln. Deep-Learning Algorithmen sollen die zugrundeliegenden Feinstrukturkorrelationen erlernen, generalisieren und synthetische Daten erzeugen, die von den realen Feinstrukturen nicht mehr zu unterscheiden sind, so dass diese als Schließungsmodelle in der LES genutzt werden können. Abschließend sollen die Schließungsansätze in unabhängigen LES von Biomasseverbrennung getestet und mit den DNS Daten abgeglichen werden.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Professor Dr. Oliver T. Stein