Katalysatoren virtuell bewerten und optimieren - mithilfe mathematischer Methoden

Mario Ohlberger koordiniert das BMBF-Verbundprojekt ’ML-MORE’ © WWU

Mario Ohlberger koordiniert das BMBF-Verbundprojekt ’ML-MORE’ © WWU - Peter Leßmann

Katalysatoren in Fahrzeugen helfen, die Schadstoffe in den Abgasen zu reduzieren. Um die katalytischen Filter so weiterzuentwickeln, dass sie noch effizienter arbeiten, baut die Industrie auf innovative mathematische Methoden und maschinelles Lernen: Im jetzt gestarteten Verbundprojekt ,,ML-MORE" (Maschinelles Lernen und Modellordnungsreduktion zur Vorhersage der Effizienz katalytischer Filter) kooperieren Wissenschaftler des Exzellenzclusters Mathematik Münster der Westfälischen Wilhelms-Universität Münster (WWU) mit dem Fraunhofer-Institut für Technound Wirtschaftsmathematik ITWM, der Universität Stuttgart, der Technischen Universität Darmstadt und der Umicore AG & Co. KG, einem Materialtechnologieund Recyclingkonzern. Das Bundesministerium für Bildung und Forschung fördert das Projekt im Rahmen des Programms ,,Mathematik für Innovationen als Beitrag zur Methodenentwicklung im Umgang mit großen Datenmengen" über eine Laufzeit von drei Jahren mit insgesamt rund einer Million Euro.

Mario Ohlberger vom Institut für Analysis und Numerik koordiniert das Projekt. ,,In den Bereichen der Modellreduktion und des maschinellen Lernens erzielt die Mathematik derzeit große Fortschritte, die wir nun mit Umicore für industrielle Anwendungen nutzen." Das Projekt startete aufgrund der derzeitigen Situation per Video-Konferenz. Von Vorteil ist, dass fast alle Projektbeteiligten sich schon lange kennen und bereits oft kooperiert haben. ,,Besonders freut mich, dass wir erneut mit dem Fraunhofer ITWM im Rahmen des Leistungszentrums Simulationsund Software-basierte Innovation zusammenarbeiten", betont Mario Ohlberger. Das Leistungszentrum ist ein enger Partner des Exzellenzclusters Mathematik Münster. ,,Unser Ziel ist der Transfer von Ergebnissen aus der Grundlagenforschung in die Wirtschaft", erläutert Dr. Konrad Steiner, Geschäftsführer des Leistungszentrums. ,,In dieser Hinsicht ist das neue Projekt mit seinen Akteuren aus Hochschulen und Industrie ein Paradebeispiel für eine vielversprechende Vernetzung."

Wie kann Mathematik dazu beitragen, das Design der katalytischen Komponenten zu bewerten und die damit verbundenen Prozesse zu optimieren? Für Katalysatoren werden poröse Materialen verwendet, die man sich wie einen harten Schwamm vorstellen kann. In den Poren befinden sich katalytische Partikel, die gezielt eine chemische Reaktion zum Abbau von Schadstoffen beschleunigen. Simulationen der dort auf der sogenannten Porenskala ablaufenden Prozesse sind sehr komplex und führen zu sehr großen Datenmengen. Die ML-MORE-Projektgruppe hat das Ziel, diese Simulationen mittels Modellreduktion und datenbasierter Methoden des maschinellen Lernens zu beschleunigen, um so zuverlässige Modelle für die Vorhersage der chemischen Konversionsrate, also der Effizienz des katalytischen Filters, zu generieren.

Martin Votsmeier von der TU Darmstadt entwickelt Modelle der chemischen Reaktionen in den Katalysatoren. Der Industriepartner Umicore stellt Geometriedaten zur Porenstruktur der Katalysatoren zur Verfügung, beispielsweise aus computertomographischen Aufnahmen. Das Team des Fraunhofer ITWM unter Leitung von Oleg Iliev und Konrad Steiner implementiert die chemischen Modelle in ein geometrisches räumliches Modell der komplexen Porenstruktur und ermöglicht damit virtuelle Experimente zur Funktionsfähigkeit der Katalysatoren. Diese geben Aufschluss darüber, wie gut der katalytische Filter arbeitet. Die Simulationen sind jedoch zu aufwendig und teuer, um einen umfangreichen Satz an Trainingsdaten für Verfahren des Maschinellen Lernens zu generieren. Deshalb kommt die Modellordnungsreduktion (MOR) ins Spiel: Die Forschergruppe aus Münster entwickelt auf Basis der ITWM-Daten reduzierte Modelle, sodass in wesentlich kürzerer Zeit mehr Trainingsdaten generiert werden können. Diese Ergebnisse nutzen Bernard Haasdonk und sein Stuttgarter Team, um mittels innovativer Methoden des Maschinellen Lernens schnell auswertbare Modelle zur Effizienzvorhersage von Katalysatoren zu entwickeln.

Abschließend werden alle Ergebnisse des Projekts in ein neues ML-Tool integriert, das den Industriepartner Umicore bei der Entwicklung katalytischer Filter unterstützt - und darüber hinaus auf andere vergleichbare Prozesse übertragbar ist.

This site uses cookies and analysis tools to improve the usability of the site. More information. |