FWF - SOC - Probabilistische datenbasierte SOC Modellierung

Projekt: Forschungsprojekt

Projektdetails

Beschreibung

Systeme auf der Grundlage von Festoxidzellen (Brennstoffzellen und Elektrolyseure) sind eine der vielversprechendsten Wasserstofftechnologien. Diese Technologie bietet eine einzigartige Möglichkeit, ein einziges Gerät sowohl für die Strom- und Wärmeerzeugung, d. h. im SOFC-Modus, als auch für die Wasserstofferzeugung im SOEC-Modus zu nutzen. Im Vergleich zu anderen Brennstoffzellen Technologien, die Platinkatalysatoren verwenden, basieren Festoxidsysteme auf reichlich vorhandenen und erschwinglichen Rohstoffen, z. B. Nickel, Stahl, und bieten eine hohe Brennstoffflexibilität. Darüber hinaus haben Festoxidsysteme unter den Brennstoffzellentechnologien den höchsten Umwandlungswirkungsgrad sowohl im Brennstoffzellen- als auch im Elektrolysebetrieb. Infolgedessen wurden erhebliche Anstrengungen zur Entwicklung und Optimierung von Festoxidsystemen unternommen. Die breite Kommerzialisierung dieser Technologie ist jedoch immer noch ein Problem, wobei die größten Herausforderungen die Leistungs- und Morphologieverschlechterung sowie die Maßstabsvergrößerung sind. Daher sind die Fragen der Leistungsoptimierung von größter Bedeutung. Da genaue Modelle Voraussetzung für die (Online-)Leistungsoptimierung sind, ist die Modellierung der Dynamik von Festoxidsystemen und die Vorhersage des künftigen Verhaltens das Hauptziel dieses Vorschlags. Modelle des maschinellen Lernens gewinnen in verschiedenen wissenschaftlichen Bereichen an Bedeutung, in denen überwiegend Modelle des ersten Prinzips verwendet werden, so auch in der Festoxidtechnologie. Solche Modelle gewinnen an Bedeutung, wenn es darum geht, schwierige Probleme zu lösen, d. h. wenn Modelle nach dem ersten Prinzip entweder erhebliche anspruchsvolle Messgeräte erfordern, um die Modellparameter zu schätzen, oder das Hintergrundwissen begrenzt ist. Heutzutage können wir mit Sicherheit behaupten, dass neue Ansätze, die Hintergrundwissen mit modernsten Methoden des maschinellen Lernens integrieren, neue Wege zur Lösung solcher Probleme bieten. Probleme bieten. Da weder reine ML-Modelle noch reine First-Principle-Modelle als ausreichend für komplexe Probleme angesehen werden können, besteht das Ziel darin, integrierte Ansätze zu erforschen. Die Nutzung von Domänenhintergrundwissen ist eine völlig neue Richtung, die erklärbare datengetriebene Modelle liefern kann, deren "Durst" nach Daten durch das Wissen des Experten ergänzt wird. Solid-Oxide-Systeme scheinen die perfekten Kandidaten dafür zu sein. Auf der einen Seite handelt es sich um eine aufstrebende und sich schnell entwickelnde Technologie. Andererseits gibt es echte zeitliche, finanzielle und sicherheitstechnische Beschränkungen, die erschöpfende Tests verhindern. Infolgedessen können wir nur mit begrenzten Datenbeständen arbeiten. Daher kann die Anwendung integrierter datengesteuerter Ansätze in Verbindung mit Fachwissen in zweierlei Hinsicht von Nutzen sein. Erstens kann sie unser Verständnis von Solidoxid Systeme verbessern. Zweitens wird sie beweisen, dass die Kombination von Domänenwissen mit ML-Methoden ein gangbarer Weg ist.
StatusLaufend
Tatsächlicher Beginn/ -es Ende1/05/2330/04/26

Fingerprint

Erkunden Sie die Forschungsthemen, die von diesem Projekt angesprochen werden. Diese Bezeichnungen werden den ihnen zugrunde liegenden Bewilligungen/Fördermitteln entsprechend generiert. Zusammen bilden sie einen einzigartigen Fingerprint.