Fouling-Monitoring

Problembeschreibung

 

Um die Leistung von Geothermieanlagen zu verbessern, ist es wichtig, Ablagerungen in Rohrleitungen und Wärmetauschern frühzeitig zu erkennen und entsprechende Maßnahmen einzuleiten. Dazu entwickeln wir gemeinsam mit den Projektpartnern eine Software, die auf der Basis von maschinellem Lernen und klassischen Methoden vorhersagen kann, wie viele Ablagerungen zu Problemen führen können. Dadurch können Präventiv- und Reinigungsmaßnahmen gezielt gesteuert und frühzeitig eingeleitet werden.
Die Aufgabe von Frau Küstenmacher bestand darin, maschinelle Lernverfahren für die Vorhersage von Ablagerungen in den Anlagen zu entwickeln und zu testen.

Ziele

 

Entwicklung einer Fouling-Überwachungslösung zur in-situ Überwachung und Vorhersage von Scaling- und Biofilmbildung in geothermischen Anlagen und offenen Kühlkreisläufen.
 

Abb. 01.: Versuchsaufbau. Impact-Echo-Technik im Labor der TUM. (Q.: Isabelle Stüwe TUM).

Abb. 02: Testumgebung im Labor der TMU (Q.: Isabelle Stüwe, TUM)

 

Methoden

 

• Datenerfassung: Erstellen Sie unter Laborbedingungen das realistische Experiment eines Rohrs mit Verschmutzung, erfassen Sie die Daten in dem sauberen Rohr und in dem Rohr, in dem die Verschmutzung kontinuierlich wächst,
• Datenbereinigung und -darstellung: Visualisierung und Aufbereitung des Datensatzes,
• Datenanalyse und Modelltraining: Anwendung klassischer und maschineller Lernmethoden, um ein Modell zur Vorhersage der Verschmutzung im Rohr zu trainieren,
• Evaluierung des Modells unter realen Bedingungen,

Herausforderungen

 

• Versuchsaufbau: wie man im Labor ein Rohr mit stetig wachsendem Fouling erzeugt,
• Datenvorverarbeitung: Präsentation, Identifizierung von Methoden zur Vorbereitung der Daten für die Analyse,
• Merkmalsextraktion: Dimensionalitätsreduktion der Daten, Identifizierung der relevanten Merkmale für die weitere Analyse,
• Analyse: Identifizierung geeigneter klassischer und maschineller Lernmethoden, um ein Modell sowohl für die Klassifizierung, d.h. die Vorhersage einer Verschmutzung im Rohr, als auch für die Regression, d.h. die Vorhersage der Verschmutzungsdicke, zu trainieren.

Status und Ergebnisse

 

• Abschlussbericht, Datenverarbeitung und –analyse,
• Detektion und Analyse von Luftschallenmissionen während des FSW-, MSG- und WIG Schweißprozesses,
• Untersuchung der Potenziale zur Verbesserung der Vorhersagewahrscheinlichkeit von prozessspezifischen Unregelmäßigkeiten in Kombination von Luftschallemissionen und Prozessparametern,
• Zeit- und kostenoptimierte Qualitätssicherung von FSW-, MSG- und WIG-Schweißungen sowie einer ortsaufgelösten und automatisierten Dokumentation,
• Zerstörungsfreie Inline-Prüfung von Schweißungen mit einer minimalen und prozessabhängigen Offset-Zeit zwischen Datenaufnahme und Feststellung einer Unregelmäßigkeit und mit einer Stufenbewertung (1. Stufe: i.O./n.i.O.-Zustand; 2. Stufe: Aussage zur Art der Unregelmäßigkeit) zur Realisierung einer smarten Prozessbegleitung und -überwachung).

Zuordnung zum HRW-Leitthema

• Energie und Ressourcen
• Digitalisierung und Vernetzung