Der Zukunftsbetrieb schafft es die Daten seines Betriebs und der Umwelt so zu erfassen, zu bündeln und als Entscheidungsgrundlage zu nutzen, dass er das ökologische, soziale und regionalökonomische Optimum erreicht. Dafür möchten wir mit diesem Projekt die Grundlage schaffen. Ziel ist es, auf dem potenziellen Zukunftsbetrieb, welcher mit seinem Standort in Brandenburg bereits jetzt spürbar vom Klimawandel betroffen ist, einen Prototypen für die integrierte Datenerhebung, -vernetzung und -auswertung zu entwickeln, welcher zukünftig auf andere Betriebe übertragbar ist. Dieses Ziel erreichen wir, indem wir die komplexen Zusammenhänge von Boden, Wasser, Biodiversität, (Mikro-)Klima, Tieren und Bewirtschaftungsformen mithilfe von digitalen Instrumenten messen, mittels Mobilfunks verfügbar machen, die Messungen u.a. durch künstliche Intelligenz (KI) auswerten und mithilfe geeigneter Bewertungssystematiken monetär bewerten. Die Erkenntnisse sollen für die zukünftige Landnutzung in Deutschland zugänglich gemacht und darüber hinaus öffentlich diskutiert werden, um die Basis für die weitere Transformation hin zu einer nachhaltigen Landwirtschaft zu schaffen. Derzeit gehen viele negative und positive Effekte der Land- und Ernährungswirtschaft als Externalitäten nicht in die betriebliche Kostenrechnung der Produzenten ein. So bilden die Marktpreise nicht die Realität für Mensch und Umwelt ab. Eine monetäre Bewertung der Externalitäten und die integrierte Darstellung mit allen wesentlichen Daten des Betriebs und seiner Umwelt hilft LandwirtInnen gute Entscheidungen zu treffen und gibt VerbraucherInnen die notwendige Transparenz bei der Kaufentscheidung, da zukünftig ein Preis alle wesentlichen Kosten und Wertbeiträge abbilden könnte. Das Projekt nutzt die Digitalisierung, um ökologisch vorteilhafte Anbausysteme bewert-, plan- und umsetzbar zu machen. Ein solcher integrativer Ansatz zahlt direkt auf die Empfehlungen der Zukunftskommission Landwirtschaft ein.
Das Forschungsvorhaben untersucht auf der einen Seite die Auswirkungen der Wassereinspritzung auf das Betriebsverhalten eines Radialverdichters. Die Wassereinspritzung in Axialverdichtern von Gasturbinen ist eine gängige Praxis, um die Leistungsfähigkeit der Turbine zu verbessern. Um dieses Potenzial auch in Radialverdichtern zu nutzen, sind weitere Forschungsarbeiten im Bereich der Flüssigkeitseinspritzung notwendig. Die Radialverdichter werden hauptsächlich in der Prozessindustrie eingesetzt. Ziel dieses Projektes ist es die Berechnung und Einflüsse der Wassereinspritzung auf das Betriebskennfeld eines Radialverdichters zu untersuchen. Im Projekt (FKZ: 03EE5035B) wurde ein Radialverdichter mit Wassereinspritzung aufgebaut und Kennfelder mit und ohne Wassereinspritzung vermessen. Unklar ist das Potenzial der Wassereinspritzung, welches durch den Ort der Verdunstung bestimmt wird, welches hier adressiert werden soll. Im zweiten Thema wird die Abdichtung der Wellenenden, die verhindert, dass das Prozessfluid aus der Maschine in die Atmosphäre entweicht. Die Forschung an berührungslosen Gleitringdichtungen mit Trockengasschmierung DGS (Dry Gas Seals), wird aufgrund des geringen und kontrollierbaren Leckagestroms, des berührungslosen Betriebs und der Eignung für die Hochdruckumgebung, als Dichtungslösung eingesetzt. Im Projekt (FKZ: 03EE5041H) wurden die Prognosemodelle zur Berechnung des Dichtspaltes entwickelt und in ein digitales Zwillingsmodell implementiert. Die gesamte Architektur des digitalen Zwillings basierend auf einer Open Source IoT-Plattform. Im neuen Projekt wird das Gesamtkonzept auf eine reale Maschine übertragen. Die messbaren und nicht messbaren Prozessgrößen der realen Anlage und ihre logischen Zusammenhänge werden mit Hilfe von maschinellem Lernen und physikbasierten Modellen analysiert. Die Ergebnisse werden zur Leistungsoptimierung von Radialverdichtern in der Prozessindustrie genutzt.
In OPTOP werden Design und Betrieb des Receivers als zentraler Schnittstelle der Solar Island eines Solarturmkraftwerks verbessert. Dafür wird innovative Messtechnik in ein Monitoringsystem basierend auf Machine Learning und Digital Twin integriert. Das Projekt OPTOP hat drei Kernthemen: a) Sensorik für Receiver: In einem integralen Messkonzept für den Receiver wird die verbesserte Erfassung der Receiveroberflächentemperatur mittels Infrarotkameras, eine nicht-invasive Erfassung der Fluidtemperatur im Receiver, eine betriebsbegleitende Strahlungsdichtemessung und die kamerabasierte Reflexionsgradvermessung des Receivers implementiert. Die Sensordaten werden gemäß den Prinzipien von Industrie 4.0 und dem IoT aufbereitet und für die Betriebsoptimierung und das Receivermonitoring bereitgestellt. b) Receivermonitoring und intelligente Betriebsstrategien: Basierend auf dem umfassenden Sensorinput und einem parallellaufenden Digital-Twin-Modell des Receivers wird ein Monitoringsystem entwickelt, das mittels Machine-Learning-Methoden ein Überschreiten der Receiver-Betriebsgrenzen im Voraus erkennt und dem Betreiber einen sicheren Betrieb erleichtert. Darauf aufbauend wird mit dynamischen Zielpunkt- und Defokussierstrategien und O&M-Zyklen eine intelligente Betriebsstrategie entwickelt, die den Betrieb der Solar Island sowohl energetisch als auch ökonomisch optimiert. c) Transientes Receiverdesign: Eine Methodik für das Design des Receivers als zentraler Schnittstelle der Solar Island wird entwickelt, welche das integrale System für maximalen Ertrag im transienten Kraftwerksbetrieb optimiert. Dafür wird der Einsatz variabler Flussschemata untersucht, für welche - um die Grenzen des erlaubten Einsatzbereichs nicht zu überschreiten - die umfassende Kenntnis des Receiverzustands im Betrieb basierend auf Sensorik und Digital Twin notwendig ist. Die entwickelte Sensorik und Simulations-Methodik wird im Labor und im Turmsystem Cerro Dominador in Chile implementiert und getestet.
Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, Microgrid, entworfen. Im Anschluss werden Mobilitätsalgorithmen für die Nutzung von batterieelektrischen Fahrzeugen als mobile Energiespeicher entwickelt, die temporäre Selbstversorgung von Teilnetzen ermöglichen. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet und anhand des dadurch erarbeiteten Know-hows weiter verbessert. Das übergeordnete Ziel des Projektes DymoBat ist die Entwicklung von marktfähigen Lösungen für die zukünftige Stromnetzverwaltung zur Nutzung von verteilten Energieressourcen auf Basis der Anwendung von 5G-Technologien.
Die jahreszeitliche Variabilität der globalen Meereisbedeckung ist eine wichtige Komponente des globalen Klimas. Jedoch ist der kleinskalige Einfluss des Meereises in globalen Klimamodellen bis heute nur unzureichend beschrieben. Dieser Antrag hat daher das Ziel, die physikalischen (P) und bio-geo-chemischen (BGC) Schlüsselprozesse im Meereis mit einem hochaufgelösten Zweiskalenmodell mathematisch zu beschreiben. Die Ergebnisse können dann parametrisiert in globale Klimamodelle (GCMs) einfließen, sodass eine verbesserte Prognosefähigkeit erreicht wird.Die Ozeanerwärmung wird die Mikrostruktur des Meereises erheblich verändern. Wir entwickeln daher ein P-BGC-Modell einer antarktischen Meereisscholle, um die komplexen gekoppelten Zusammenhänge zwischen Eisbildung, Nährstofftransport, Salinität und Solekanalverteilung, Photosynthese und Karbonatchemie mathematisch zu beschreiben. Damit simulieren wir verschiedene Szenarien der Meereisbildung und ihrer Auswirkungen auf das Wachstum von Meereisalgen, die einen großen Einfluss auf den vertikalen Kohlenstoff-Export (biologische Kohlenstoffpumpe) besitzen.Damit leistet dieses Projekt einen wesentlichen Beitrag zum Forschungsschwerpunkt ‘3.2.D - Verbessertes Verständnis der polaren Prozesse und Mechanismen’ bei. Im Einzelnen gehen wir auf drei übergeordnete Ziele ein:Schritt 1: Beschreibung der Meereisstruktur Wir verwenden ein gekoppeltes Zweiskalenmodell, mit dem relevante Aspekte des Gefrierens und Schmelzens im Zusammenhang mit Deformation, Salinität und Soletransport beschrieben werden. Auf der Makroebene dient dafür eine kontinuumsmechanische Beschreibung im Rahmen der erweiterten Theorie poröser Medien (eTPM). Damit können über einen gekoppelten Gleichungssatz partieller Differentialgleichungen (PDE) Deformations-, Transport und Reaktionsprozesse beschrieben werden. Für das physikalische Phänomen der Phasentransformation zwischen Wasser und Eis dient das Phasenfeldmodell (PF) als Mikromodell, welches ebenfalls aus gekoppelten PDEs besteht. Daraus resultiert eine PDE-PDE Kopplung.Schritt 2: Kopplung mit dem erweiterten RecoM2 Modul als Mikromodell Damit können die BGC Phänomene beschrieben werden. Das RecoM2 Modul besteht aus einem Gleichungssystem gewöhnlicher Differentialgleichungen, sodass hier eine PDE-ODE Kopplung zu einem P-BGC Modell erfolgt. Schritt 3: Bewertung der Modellansätze Dies beinhaltet die Verifizierung und Validierung des kombinierten P-BGC-Modells mittels Literatur- sowie experimenteller Daten. Für die Verwendung des hochaufgelösten zweiskaligen P-BGC Modells in globalen Klimamodellen muss die Berechnungseffizienz gesteigert werden. Zu diesem Zweck werden Reduzierte-Basis-Modell (ROM) zur Erzeugung von Surrogaten des Vollen-Basis-Modells (FOM) eingesetzt, die die Modellkomplexität verringern, z.B. durch datengetriebene Machine-Learning (ML)-Techniken oder “Generalized Proper Decomposition” (GPD).