Autoregressives Deep Learning für beschleunigte Multiskalensimulation von elektrochemischen Flussreaktoren

• Antragsteller: Dr. Johannes Margraf; Professor Dr.-Ing. Fridolin Röder
• Fachliche Zuordnung: Chemische und Thermische Verfahrenstechnik ; Theoretische Chemie: Moleküle, Materialien, Oberflächen
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 553293694

Flexible Prozesse sind eine Voraussetzung für die Umstellung auf erneuerbare Energieträger und Rohstoffe. Elektrochemische Prozesse mit elektrochemischen Flussreaktoren bieten aufgrund der direkten Kopplung zwischen elektrischer Energie und chemischer Umsetzung sowie der guten Regelbarkeit vielversprechende Lösungen. Allerdings ist die Kinetik der Prozesse oft stark gehemmt und die Selektivität eher gering. Daher ist eine systematische Optimierung von Katalysatoren und Reaktordesign sowie deren Betrieb erforderlich. Dies erfordert den Einsatz detaillierter Modelle, die das Zusammenspiel von Transportprozessen im Fluid und Reaktionen an den Grenzflächen berücksichtigen. Insbesondere zur Berücksichtigung der Grenzflächendegradation erfordert dies auch Multiskalensimulationen mit geringem Rechenaufwand. In diesem Projekt soll dies durch die Entwicklung neuer Methoden basierend auf maschinellem Lernen erreicht werden. Dabei sollen molekulare Grenzflächenmodelle als Ersatzmodelle durch Entwicklung von Ansätzen auf Basis des Autoregressive Deep Learning eingebettet werden. Im Gegensatz zu derzeit verfügbaren Ansätzen werden dabei Details des Grenzflächenzustandes erhalten und über längere Zeitskalen propagiert. Durch Embeddings werden auch Elementarschritte und kinetische Parameter integriert, was die Extrapolationsfähigkeit der Modelle verbessert. Im Rahmen des Projektes werden Methoden sowie geeignete numerische Löser entwickelt und deren Genauigkeit und Leistungsfähigkeit untersucht. Die Methode eröffnet neue Lösungsverfahren im Bereich der chemischen Verfahrenstechnik und neue Problemstellungen im Bereich des maschinellen Lernens.

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