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; Dr.-Ing. Ronny Tobias Zimmermann
• Fachliche Zuordnung: Systemverfahrenstechnik ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; 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 weiterhin als theoretisch anspruchsvolles Anwendungsbeispiel von hoher praktischer Relevanz betrachtet. Wesentliche Neuerungen aus prozesstechnischer Sicht gegenüber der 1. Förderphase betreffen: a) die Fokussierung auf CO2 als Kohlenstoffquelle für die Methanolsynthese, b) die Berücksichtigung von Transportlimitierungen im Katalysator und die sich daraus ergebenden zusätzlichen Freiheitsgrade, die auch für ein integriertes Katalysatorpellet- und Prozessdesign genutzt werden sollen, c) der Entwurf integrierter robuster und lastflexibler Reaktorkonzepte zur Steigerung des Umsatzes durch simultane Abtrennung des Nebenproduktes Wasser, und d) die Entwicklung geeigneter Prozessführungskonzepte zur Kompensation unvorhergesehener Störungen auf Basis der entwickelten hybriden Modelle. Daraus resultieren auch neue Herausforderungen an die zu entwickelnden mathematischen Methoden und Algorithmen. Diese betreffen vor allem die Entwicklung, Kalibrierung und Optimierung hybrider Modelle mit multiplen neuronalen Netzen zur Beschreibung der gekoppelten Reaktions- und Transportprozesse im Katalysator und die verstärkte Berücksichtigung diskreter Entscheidungsvariablen in den Bereichen Prozessdesign, Versuchsplanung und Prozessführung durch gemischt-ganzzahlige Optimalsteuerung (MIOC). Unsere Methodik zur hybriden Modellierung kombiniert experimentelle Daten aus einem gradientenfreien Kinetikreaktor mit verfügbarem physikalisch-chemischen Wissen und effizientem ML. Ein besonderer Schwerpunkt liegt hierbei auf einem Daten-effizienten Training der resultierenden hybriden Modelle. Wir erweitern hierzu erfolgreiche algorithmische Ansätze zum Training und zur Versuchsplanung. Das resultierende hybride Modell wird für einen robusten Prozessentwurf verwendet. Nominell optimale Steuerungsprofile werden mit Hilfe von MIOC für charakteristische Feedverläufe bestimmt. Der robuste Prozessentwurf wird durch eine robuste Regelung zur Kompensation von unvermeidlichen Modellfehlern und unvorhergesehenen Abweichungen vom nominellen Fall ergänzt. Diese basiert auf einer repetitiven Online-Optimierung und erfordert u.U. eine weitere Modellreduktion um Echtzeitanforderungen einzuhalten. Die entwickelten Konzepte sollen für einen gradientenfreien Reaktor schließlich auch experimentell validiert werden. Das ambitionierte Arbeitsprogramm spiegelt die komplementäre Expertise der drei Antragsteller in den Bereichen experimentelle Analyse, konzeptioneller Prozessentwurf und -führung sowie effiziente Algorithmen wieder.

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