Projektbeschreibung

Ein wesentliches Mittel zur Verbesserung der Effizienz und Nachhaltigkeit verfahrenstechnischer Prozesse ist die Intensivierung des Wärme- oder Stofftransports bspw. in Wärmeübertragern oder bei der Trennung von Stoffgemischen durch den Einsatz strömungsbeeinflussender Strukturen, sog. Ein­bauten. Für deren Auslegung werden die vorliegenden thermofluiddynamischen Transportprozesse bisher aufwendig numerisch modelliert. Eine interessante Alternative dazu bieten Physics-Informed Neural Networks (PINNs), welche durch Kombination von physikalischen Gleichungen mit modernen Methodiken des maschinellen Lernens eine zeiteffizientere Modellierung unterschiedlicher Geo­metrien versprechen.

Ziel dieses Projekts ist es, den Auslegungsprozess komplexer Einbauten in wärme- oder stoffüber­tragenden Apparaten zu optimieren. Anstelle der bisher notwendigen, rechenintensiven Strömungs­simulationen sollen Physics-Informed Neural Networks (PINNs) eingesetzt werden, die physikalische Grund­gleichungen in den Lernprozess von neuronalen Netzen integrieren. Dadurch soll eine zeit­effiziente und zugleich physikalisch fundierte Modellierung vielfältiger Geometrien von Einbauten er­möglicht werden. Hier soll das Projekt für verbesserte Ansätze und Vorhersagequalität bei der Betrachtung komplexer Strukturen sorgen. Zugleich wird eine verbesserte Daten- und Modellierungs­basis entstehen, mit der anschließend leistungsfähigere Strukturen entwickelt werden können, die eine höhere Wärmeübertragungsleistung bei moderaten Druckverlusten erlauben.