Forschungsziele
Die Forschung der Professur Simulation reaktiver Thermo-Fluid Systeme beschäftigt sich mit der numerischen Modellierung reagierender und zumeist turbulenter Strömungen aus gasförmigen, flüssigen und festen Energieträgern. Der Inhaber der Professur ist Prof. Dr. Oliver T. Stein. Die wesentlichen Ziele unserer Forschung sind (i) die Verbesserung unseres grundlegenden Verständnisses von komplexen reagierenden Mehrphasenströmungen, (ii) die Entwicklung prädiktiver Simulationsmodelle für derartige Systeme und damit (iii) ein Beitrag zum weltweiten Übergang hin zu einer nachhaltigen Energiewirtschaft. Wir forschen in enger Zusammenarbeit mit unseren experimentellen Kollegen am Engler-Bunte-Institut und externen Projektpartnern. Wir erreichen unsere Forschungsziele durch die Anwendung und Weiterentwicklung von einer Reihe an Modellierungs- und Analysewerkzeugen, wie im Folgenden dargestellt.
Forschungsthemen
- Direkte Numerische Simulation (DNS) turbulenter reaktiver Strömungen: DNS löst alle Skalen der turbulenten Strömung auf, wodurch hochgenaue Vorhersagen von Strömungen mit niedrigen bis mittleren Turbulenzgraden für grundlegende Untersuchungen ermöglicht werden.
- Grobstruktursimulation (Large Eddy Simulation, LES) turbulenter Strömungen mit chemischer Reaktion: LES löst die größten turbulenten Skalen auf, während kleinskalige Prozesse modelliert werden, so dass genaue Vorhersagen von Strömungen mit mittleren bis hohen Turbulenzgraden in der Forschung und Anwendung erzielt werden können.
- Entwicklung fortgeschrittener LES-Modelle für reagierende Mehrphasenströmungen (flüssige Tröpfchen und feste Partikel): In der LES von Mehrphasenströmungen müssen die Phasenübergänge i.d.R. modelliert werden, um verlässliche Simulationen zu ermöglichen.
- LES-Modellierung mittels der dünnbesetzten Lagrange’schen Multiple-Mapping Conditioning (MMC) Methode: MMC ist ein komplexes aber gleichzeitig hocheffizientes Schließungsmodell für die LES von ein- und mehrphasigen Strömungssystemen.
- LES-Ansätze für die Modellierung von Partikelsystemen mittels der Populationsbilanzgleichung (Population Balance Equation, PBE): Interaktionsprozesse wie z.B. Nukleation, Kondensation, Koagulation, Agglomeration u.a. in Partikel- und Tropfenensembles benötigen fortgeschrittene LES-Schließungsmodelle.
- Machine Learning Ansätze für turbulente reagierende Strömungen: Moderne Machine und Deep Learning Ansätze ermöglichen die effiziente Modellierung komplexer Systeme, Mustererkennung und Featureanalyse.
Forschungsprojekte
- Clean Circles: Eisen als Energieträger einer klimaneutralen Kreislaufwirtschaft
https://www.tu-darmstadt.de/clean-circles/about_cc/index.de.jsp - HyCAM: Ein Beitrag zur Realisierung der Energiewende: Optimierung thermochemischer Energiewandlungsprozesse zur flexiblen Nutzung wasserstoffbasierter erneuerbarer Brennstoffe durch additive Fertigungsverfahren
https://spp2419.itv.rwth-aachen.de - Dünnbesetzte Partikel-Methoden für die Feststoffverbrennung
https://gepris.dfg.de/gepris/projekt/450158108?language=de - Deep Learning für die verbesserte Simulation der Biomassestaubverbrennung
https://gepris.dfg.de/gepris/projekt/513858356?language=de - Materials and Technologies for the Energy Transition (MTET), Topic: Resource and Energy Efficiency, Subtopic: Anthropogenic Carbon Cycle
https://www.mtet.kit.edu/89.php
Weitere Forschungsaktivitäten
- Co-organisation der internationalen Workshop-Reihe Clean Solids Conversion (CSC)
https://csc.ebi.kit.edu/index.php