Optimierung des Betriebs von Wirbelschichtverfahren mittels maschinellen Lernens

Wirbelschichtverfahren sind die Basis für viele Anwendungen, bei denen eine schnelle Vermischung, Wärme- und Stoffübertragung zwischen Gas und Feststoffpartikeln erforderlich ist. Ihre Leistung hängt weitgehend von der Blasendynamik ab: aufsteigende Blasen treiben die Feststoffzirkulation an und verbessern den Gas-Feststoff-Kontakt erheblich, wodurch Misch-, Reaktions- und Transporteigenschaften verbessert werden. Dabei werden bisher fast alle Wirbelschichten mit einem gleichförmigen Gasstrom betrieben. Aktuelle wissenschaftliche Arbeiten zeigen jedoch, dass der Betrieb einer Wirbelschicht mit einer alternierenden Gasströmung (z.B. sinusförmige
Gasfluidisierungsgeschwindigkeit) zu unterschiedlichen Blasenmustern und -dynamiken führt. Ziel dieses Projekt ist es, die Blasen in einer Wirbelschicht durch Anwendung von Methoden der Künstlichen Intelligenz
(KI) wie evolutionäre Algorithmen und genetische Programmierung zu kontrollieren. Wir werden unsere Wirbelschicht im Labormaßstab mit Kamerasystem und Berechnungsmodellen im Euler-Euler- und Euler-Lagrange-Verfahren verwenden, um die Dynamik von Blasen in der Wirbelschicht zu erfassen, während die Wirbelgasgeschwindigkeit räumlich und zeitlich variiert wird. Zunächst werden diese Ergebnisse verwendet, um das optimale Zuflusssmuster für gegebene Zielfunktionen zu finden.
Die Herausforderung für die KI-Algorithmen besteht darin, das richtige Gleichgewicht zwischen den zeitintensiven experimentellen Daten und den Simulationsdaten zu finden, um das erforderliche Fluidisierungsgeschwindigkeitsprofil effizient bereitzustellen. Darüber hinaus werden wir mehrere widersprüchliche Zielfunktionen mithilfe von multikriteriellen Optimierungsalgorithmen betrachten. Zweitens werden die KI-Algorithmen verwendet, um durch Steuerung und Kontrolle des Geschwindigkeitsprofils eine optimale Blasengröße und Dynamik zu erhalten. Die Möglichkeit, das Verhalten der Blasen in einer Wirbelschicht zu kontrollieren, ermöglicht die Verbesserung von unter anderem Produktqualität, Effizienz und Selektivität des Verfahrens.