M.Sc. Rishabh Puri

Studierende des Chemieingenieurwesens/Verfahrenstechnik (o.ä.) mit Freude an numerischer Arbeit. Kenntnisse in numerischer Strömungssimulation oder Strömungsmechanik, sowie Programmierkenntnisse (z.B. C/C++, Python, Matlab o.ä.) können den Einstieg erleichtern, sind aber nicht zwingend erforderlich.

Ort: CS
Motivation:
Ammoniak, das aus erneuerbarem Wasserstoff hergestellt werden kann, bietet aufgrund seiner leichten Transportierbarkeit als Flüssigkeit über weite Strecken und der vorhandenen Infrastruktur eine vielversprechende Möglichkeit zur Nutzung als kohlenstofffreier Energieträger. Die Verbrennung von Ammoniak ist mit erheblichen Herausforderungen verbunden. Die drei größten Herausforderungen sind die im Vergleich zu Kohlenwasserstoffen niedrige Verbrennungsgeschwindigkeit, die zu einer geringen Flammenstabilität führt, die hohe Stickoxidbildung und die hohe Toxizität selbst in Spuren. Um diese Herausforderungen zu bewältigen, wird ein Modelbrenner mit maßgeschneidert inerten, keramisch porösen Medien entwickelt.

Projektbeschreibung:
Es werden 2D-Konfigurationen des Modelbrenners (siehe Abb. 1) für eine nicht-vorgemischte Ammoniakverbrennung erstellt und reaktive Strömungen in diesen 2D-Konfigurationen durch Direkte Numerische Simulationen (DNS) berechnet. Verschiedene Anfangs- and Randbedingungen für die 2DKonfigurationen werden getestet. Da die Simulationen instationär sind, dauert es einige Zeit bis eine stabile Flamme berechnet werden kann. Für einige Konfigurationen gibt es keine stabile Flamme. Außerdem können die Molenanteile von Stickoxiden und Rest-Ammoniak im Abgas (Ammonia-Slip) für jede Brenner-Konfiguration unterschiedlich sein. Das Ziel diser Projektarbeit ist es die Flammenstabilität und die Konzentration von verschiedenen Produkten im Abgas zu untersuchen. Um die optimalen Brennereigenschaften zu finden, müssen viele DNS durchgeführt werden, deren Berechnung Zeit- und Rechenintensiv ist. Daher müssen physikalisch und chemisch informierte Methoden des Machine Learning in Form eines Graph Neural Network (GNN) entwickelt werden. Ein Beispiel für die GNN-Methode ist in Abb. 2 dargestellt, in der ein Gitter in einen Graphen umgewandelt wird.

Abbildung 1: 2D Modelbrenner mit inerten porösen Medien:

Abbildung 2: Extraktion von Attributen aus einem Rechengitter zur Erstellung eines Graphen für GNN:

Aufgabenstellung:

• Durchsicht der Literatur, um Kenntnisse über Reaktionsströme und die Chemie der Ammoniakverbrennung zu erlangen
• Erarbeitung der Grundlagen verwendeter numerischer Methoden, der numerischen Strömungsmechanik und OpenFOAM
• Implementierung von physikalisch und chemisch informierten Graph Neural Networks (PICA-GNN)
• Validierung des GNN durch DNS-Ergebnisse
• Definition von geeigneten Testfällen für DNS
• Dokumentation (Bachelor-/Masterarbeit) und Präsentation des Projekte

Lernerfolge:

• Lösung von technischen Problemen durch numerische und Machine Learning Methoden
• Simulationen von reaktiven Strömungen mit Open-Source-Tools
• Entwicklung von Tools für die wissenschaftliche Analyse

Aufgabensteller:

Prof. Dr. Oliver T. Stein