Detailseite
Projekt
Dynamik und datengesteuerte Regelung von Flüssigmetallkanälen in starken Magnetfeldern mit Wandleitfähigkeit
Fachliche Zuordnung
Strömungsmechanik
Förderung
Förderung seit 2024
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 552518799
Die Kernfusion ist eines der vielversprechenden aber auch anspruchsvollsten technischen Konzepte, um den ständig wachsenden Bedarf an sauberer elektrischer Energie zu decken. Um ein solches System zu verwirklichen, muss eine große Zahl bedeutender Herausforderungen bewältigt werden. Eine davon ist die Entwicklung effizienter Systeme für den wirksamen Transport von Wärme aus dem Fusionsreaktor hin zu nachfolgenden Prozessschritten. Ein vielversprechender Ansatz hierfür ist die aktive Steuerung von Flüssigmetallströmungen innerhalb von Kühlmänteln. Bei dieser Technologie gibt es noch große Wissenslücken, sowohl in Bezug auf die Strömungsphysik als auch auf effiziente Kontrollstrategien. Das übergreifende Ziel dieses Projekts ist daher die Weiterentwicklung der numerischen Simulation sowie von Ersatzmodell-basierten Regelungstechniken für hochkomplexe Flüssigmetallströmungen in starken Magnetfeldern. Dadurch werden wir wesentliche Fortschritte im Verständnis sowohl der zugrundeliegenden Physik als auch der Entwicklung von Feedback-Reglern für Kernfusionsreaktoren vom Typ Tokamak erzielen. Um die angestrebten Ziele zu erreichen, werden wir Grundlagenforschung im Bereich der numerischen Modellierung von MHD-Strömungen betreiben, die starken Magnetfeldern und leitenden Wänden ausgesetzt sind, und die zusätzliche Kontrolleingänge besitzen, z. B. in Form von Einström-Profilen. Dies wird es uns ermöglichen, detaillierte Studien mittels direkter numerischer Simulation (DNS) durchzuführen. Das Hauptziel ist die Identifikation von quasizweidimensionalen Strukturen sowie die Untersuchung ihrer Stabilitätseigenschaften und ihrer Reaktion auf Kontrolleingänge. Im nächsten Schritt werden wir diese Simulationsdaten und das gewonnene physikalische Wissen nutzen, um hocheffiziente Ersatzmodelle mit Kontrolleingängen zu trainieren. Dies wird es uns ermöglichen, auf effiziente Weise Parameterstudien durchzuführen und optimale Kontrollprobleme zu lösen. Die Schlüsselkomponenten dieser Ersatzmodelle werden auf dem Koopman-Operator basieren, der es uns ermöglicht, lineare Dynamiken in Funktionenräumen aus Zeitreihendaten zu lernen. Schließlich werden diese Ersatzmodelle zur Identifikation effizienter Feedback-Regelstrategien verwendet, wobei sowohl model predictive control als auch reinforcement learning zum Einsatz kommen werden. Das Erreichen dieser Ziele für eine realistische Konfiguration erfordert interdisziplinäre Forschung mit Expertisen aus den Bereichen Strömungsdynamik, maschinelles Lernen sowie deren Kombination. Das Team der Antragsteller der TU Dortmund und der TU Ilmenau repräsentiert genau diese Fachgebiete.
DFG-Verfahren
Sachbeihilfen
