Optimierung des Betriebs von Wirbelschichtprozessen durch maschinelles Lernen

Wirbelschichten bilden die Grundlage für zahlreiche Anwendungen, bei denen eine schnelle Durchmischung sowie ein schneller Wärme- und Stoffaustausch von Gas und Feststoffpartikeln erforderlich sind. Ihre Leistung hängt weitgehend von der Blasendynamik ab: Aufsteigende Blasen treiben die Feststoffzirkulation an und verbessern den Gas-Feststoff-Kontakt erheblich, wodurch sich die Misch-, Reaktions- und Transporteigenschaften verbessern. Bislang werden fast alle Wirbelschichten mit einem gleichmäßigen Gasstrom betrieben. Einige neuere wissenschaftliche Arbeiten zeigen jedoch, dass der Betrieb eines Wirbelbetts mit einer alternierenden Gasströmung (z. B. sinusförmige Gaswirbelgeschwindigkeit) zu unterschiedlichen Blasenmustern und -dynamiken führt. In diesem Projekt zielen wir darauf ab, die Blasen in einem Wirbelbett durch Anwendung von Methoden der Computational Intelligence (CI) wie evolutionäre Algorithmen und genetische Programmierung zu steuern. Wir werden unser Wirbelbett im Labormaßstab mit Kamerasystem und unsere Modellentwicklungen im Euler-Euler- und Euler-Lagrangeschen Rahmen nutzen, um die Dynamik der Blasen im Wirbelbett zu erfassen, wenn die Geschwindigkeit des Wirbelgases räumlich-zeitlich variiert wird. Zunächst werden diese Ergebnisse verwendet, um das optimale Einströmungsmuster für gegebene Zielfunktionen zu finden. Die Herausforderung für den CI-Algorithmus besteht darin, das richtige Gleichgewicht zwischen den rechen- und zeitintensiven experimentellen Daten und den Simulationsdaten zu finden, um das erforderliche Fluidisierungsgeschwindigkeitsprofil effizient zu liefern. Außerdem wollen wir mit Hilfe von Mehrziel-Optimierungsalgorithmen mehrere konkurrierende Zielfunktionen berücksichtigen. Zweitens wird der CI-Algorithmus zur Steuerung und Kontrolle des Geschwindigkeitsprofils verwendet, um eine bestimmte Blasengröße und -dynamik zu erreichen. Die Möglichkeit, das Verhalten der Blasen in einem Wirbelbett zu steuern, wird die gewünschten Ergebnisse, wie Produktqualität, Effizienz und Selektivität des Prozesses, um nur einige zu nennen, erheblich verbessern.
Dieser Text wurde mit DeepL übersetzt am 04.05.2026

Optimizing the operation of fluidized bed processes using machine learning

Fluidized beds are the basis for scores of applications in which fast mixing, heat and mass transfer of gas and solid particles are essential. Their performance largely relies on the bubble dynamics: rising bubbles drive the solids circulation and significantly enhance gas-solids contact, improving mixing, reactions, and transport properties. So far, almost all fluidized beds are operated with a uniform gas flow. However, some recent academic work shows that operating a fluidized bed with an alternating gas flow (e.g. sinusoidal gas fluidisation velocity) leads to different bubble patterns and dynamics. In this project, we aim to control the bubbles in a fluidized bed, by application of computational intelligence (CI) methodologies such as evolutionary algorithms and genetic programming. We will use our lab-scale fluidized bed with camera system and our model developments in the Eulerian-Eulerian and Eulerian-Lagrangian frameworks to capture the dynamics of bubbles in the fluidized bed as the fluidizing gas velocity is spatio-temporally varied. Firstly, these results will be used to find the optimal inflow-pattern for given target functions. The challenge for the CI algorithm is to find the right balance between the computationally and timely intensive experimental data and the simulation data to efficiently deliver the required fluidization velocity profile. In addition, we aim to address multiple conflicting target functions using multi-objective optimization algorithms. Secondly, the CI algorithm will be used to steer and control the velocity profile, to obtain a specified bubble size and dynamics. Being able to control the behavior of the bubbles in a fluidized bed will significantly improve the desired outcome, such as product quality, efficiency and selectivity of the process, to name a few.