Detailseite
Projekt
Vorhersagen und Surrogatmodellierung von thermodynamischen Eigenschaften von Gemischen für die Anwendung im inversen Design unter Berücksichtigung von Unsicherheiten
Antragstellerinnen / Antragsteller
Professorin Dr.-Ing. Gabriele Raabe; Professor Dr.-Ing. Ulrich Römer
Fachliche Zuordnung
Technische Thermodynamik
Förderung
Förderung seit 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 526254705
Die Wahl eines geeigneten Arbeitsfluids stellt eine große Herausforderung in der Auslegung eines thermodynamischen Prozesses dar. Da verschiedenste Anforderungen von einem Arbeitsfluid erfüllt werden müssen, gewinnen auch Gemische zunehmend an Bedeutung, um die geforderte Kombination von Eigenschaften zu erreichen. In der Literatur werden zwei verschiedenen Ansätze zur Auswahl des Arbeitsmediums verfolgt: 1. Ein Computer-Aided Model Design Ansatz in Kombination mit Mixed-Inter-Nonlinear-Programming (MINLP). Dabei werden jedoch oft einfache Zustandsgleichungen (EOS) mit geringer Genauigkeit verwendet, oder Modelle, die bisher keine Beschreibung von weit verbreiteten Kältemitteln ermöglichen. 2. Ein Screening, in dem Systemsimulationen für eine Vielzahl an potentiellen Fluiden durchgeführt werden, deren Eigenschaften mit hochgenauen multiparameter Helmholtz EOS (HEOS) beschrieben werden. HEOS stellen zwar den "State of the Art" für die Beschreibung von Stoffdaten dar, jedoch ist ihre Auswertung rechentechnisch sehr aufwendig, so dass sie nicht für die Anwendung in MINLP Optimierungen geeignet sind. Außerdem erlauben sie keine Berücksichtigung von Gemischen, für die bisher noch keine Mischungsmodelle oder -parameter vorliegen. Das Ziel dieses Antrags ist die Überwindung dieser beiden Beschränkungen in der Anwendung von HEOS im Auswahlprozess für Arbeitsfluide. Eine Zielsetzung ist dabei die Entwicklung von Gauß-Prozess (GP) Surrogaten für die HEOS Modellierung von binären Gemischen. Die Berücksichtigung neuer potentieller Gemische wird durch molekulare Simulationen ermöglicht, an deren Ergebnisse HEOS Gemischparameter angepasst werden können. Um Abweichung zwischen den HEOS Modellen und den molekularen Simulationsergebnissen zu berücksichtigen, wird hier der Ansatz einer stochastischen HEOS Modellierung für die Gemische verfolgt, für die dann wiederum stochastische GP Surrogate Modelle generiert werden. Diese stochastischen GP Surrogate ermöglichen die effiziente Berechnung der Stoffeigenschaften in einer MINLP Optimierung, um geeignete Gemische für eine spezifischen Anwendung zu identifizieren. Insbesondere erlaubt der in diesem Antrag verfolgte Modellierungsansatz eine Optimierung, indem die Unsicherheiten der zugrundeliegenden Modelle berücksichtigt werden können.
DFG-Verfahren
Schwerpunktprogramme
