Verbesserung der reaktiven Mittelfeldanalyse von industriellen Brennergeometrien durch maschinelles Lernen zur Optimierung der Umwandlung von grünem Wasserstoff in elektrische Energie

• Antragsteller: Dr.-Ing. Thomas Ludwig Kaiser
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 530442286

Wasserstoff (H2) wird weithin als vielversprechende Strategie zur Bewältigung der Energiewende angesehen. Er ermöglicht, überschüssige Energie aus Wind- und Solarkraftwerken in chemischer Form zu speichern. Für großtechnische Anwendungen ist die Rückumwandlung in elektrische Energie besonders interessant, weil sie leicht skalierbar ist und gleichzeitig hohe Leistungsdichten ermöglicht. Wie bei Verbrennungssystemen mit herkömmlichen Brennstoffen stellen jedoch Flammlärm (FL) und thermoakustische Instabilitäten (TAI) während des Betriebs nach wie vor erhebliche Probleme bis hin zur Zerstörung der Maschine dar, und müssen unbedingt vermieden werden. Diesen Effekten durch inkrementelle Verbesserungen in langen iterativen Zyklen zu begegnen, wie es bei Gasturbinen mit konventionellen Brennstoffen in den letzten Jahrzehnten der Fall war, ist jedoch angesichts der Dringlichkeit des Klimawandels keine Lösung. Zentrales Ziel des IGNITION-Projekts ist daher die Entwicklung einer inversen Designstrategie zur Vermeidung von FL und TAI und damit dem effizientesten Weg zur Stabilisierung der Maschine zu finden. Die Strategie basiert auf dem Ansatz der linearen Mittelfeldanalyse (LMFA). Bei einer Strömungsinstabilität in einer laminaren Strömung, die zu Oszillationen führt, kann die LMFA in Kombination mit einer adjungierten Optimierung die effizienteste Änderung der Systemparameter zur Stabilisierung der Strömung finden. Auf diese Weise kann beispielsweise die Geometrie eines Bauteils optimiert werden, um die Instabilität oder, allgemeiner, die kohärente Struktur abzuschwächen. Dieser Ansatz ist jedoch nicht auf turbulente Strömungen anwendbar, geschweige denn auf turbulent reagierende Strömungen, wie sie in Gasturbinenbrennkammern vorkommen. Dies liegt daran, dass es derzeit keine zuverlässigen Modelle gibt, die turbulente Mischung und Verbrennung im Zusammenhang mit LMFA beschreiben können. In diesem Zusammenhang zielt das IGNITION-Projekt auf die Entwicklung solcher Modelle ab. Zu diesem Zweck wird eine generische turbulente H2-Luft-Jetflamme mit experimentellen Methoden und Large-Eddy-Simulationen (LES) untersucht. Aus neueren Studien wissen wir, dass LMFA konzeptionell eng mit dem Reynolds-Averaged Navier-Stokes (RANS)-Ansatz verbunden ist. Daher werden die RANS-Turbulenz- und Flammenmodelle an LMFA angepasst. Da sie bekanntermaßen fehlerhafte Ergebnisse liefern, werden sie für die gegebene Konfiguration mit Hilfe maschinellen Lernens in Form von Physik-informierten neuronalen Netzen (PINNs) „getunt“. Auf diese Weise führt die Kombination von LMFA, adjungierter Optimierung und PINNs zu einer inversen Designstrategie, die auf turbulente Flammen anwendbar ist. Sie wird verwendet, um den effizientesten Weg zu finden, sei es die Geometrieoptimierung oder die Kühlung von Teilen, um in der untersuchten Konfiguration TAIs zu stabilisieren und FL abzuschwächen. In der letzten Phase des Projekts wird der Ansatz auf eine industrielle Konfiguration angewandt.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen