KI-PIRINHA - Key enabling technologIes on Performance, Efficiency and Resilience by Artificial INtelligence for Hydrogen Applications

Das Projekt KI-PIRINHA nutzt künstliche Intelligenz, um die Sicherheit und Effizienz von Wasserstoffanwendungen in der Industrie und Mobilität zu steigern. Durch maschinelles Lernen sollen gefährliche Betriebszustände wie Detonationen frühzeitig erkannt werden. Dies fördert die Dekarbonisierung energieintensiver Sektoren und macht den Einsatz von grünem Wasserstoff verlässlicher.

Kurzbeschreibung

Ausgangspunkt / Motivation

Grüner Wasserstoff ist für die Energiewende in der Schwerindustrie und Mobilität unverzichtbar, stellt aber aufgrund seiner hohen Reaktivität große Sicherheitsanforderungen. Besonders die Vermeidung katastrophaler Detonationen ist für den industriellen Einsatz essenziell.

Aktuell mangelt es jedoch an robusten Überwachungssystemen, die instabile Verbrennungsprozesse in Echtzeit erkennen und darauf reagieren können. KI-PIRINHA setzt hier an, um durch die Untersuchung sicherheitsrelevanter Verbrennungsvorgänge Methoden zu entwickeln, welche die Resilienz und Betriebssicherheit von Wasserstoffanwendungen signifikant erhöhen und so den Weg für eine großflächige Dekarbonisierung ebnen.

Ziele

  • Entwicklung eines KI-basierten Überwachungssystems (Health Monitoring) für die Wasserstoffverbrennung zur frühzeitigen Anomalieerkennung
  • Steigerung der Betriebssicherheit durch die Identifizierung von Vorläufern kritischer Betriebszustände zur Vermeidung von Detonationen
  • Validierung von Transfer-Learning-Methoden zur einfachen Übertragung der Algorithmen auf unterschiedliche Brennkammergrößen bei minimalem Datenbedarf

Inhalt

Im Zentrum des Projekts steht die Entwicklung eines Systems zur Zustandsüberwachung der Wasserstoffverbrennung unter Einsatz von maschinellem Lernen im Labormaßstab. Für die spätere Hochskalierung auf größere Maßstäbe sollen Transfer-Learning-Methoden entwickelt werden. Dafür werden Experimente an verschiedenen H2-Brennkammern mit Leistungen bis zu 18 kW durchgeführt, bei denen gezielt abnormale Betriebszustände hervorgerufen werden.

Die so gewonnenen Realdaten werden zur Erstellung hybrider Trainingsdatensätze genutzt, die reale Messungen mit Simulationsergebnissen kombinieren. Ziel ist die Implementierung eines Algorithmus, der kritische Muster erkennt, bevor es zu einem Systemausfall kommt. Das System soll dabei universell für verschiedene Anwendungsbereiche in der Chemie- und Schwerindustrie einsetzbar sein.

Methodik/Vorgehensweise

Die Methodik kombiniert reale Experimente mit fortschrittlicher Datenverarbeitung. Zunächst werden an Prüfständen bewusst Anomalien erzeugt, um eine fundierte Datenbasis für die Modellidentifizierung zu schaffen. Darauf aufbauend ermöglicht ein Simulationsmodell die Datenaugmentierung zur Verbesserung der KI-Modelle.

Die Architektur der Anomalieerkennung ist modular aufgebaut: Ein Teil erkennt allgemeine Fehlerbilder, während ein zweiter Teil spezifische Konstruktionsmerkmale der jeweiligen Brennkammer lernt. Abschließend werden diese Algorithmen auf verschiedenen Testständen validiert, um ihre Zuverlässigkeit und die Effizienz des Lerntransfers bei minimalen Mengen an neuen Trainingsdaten unter Beweis zu stellen.

Erwartete Ergebnisse

  • Ein funktionstüchtiger Algorithmus zur Früherkennung von Anomalien und Detonationsvorläufern
  • Ein validiertes Transfer-Learning-Modul für den flexiblen Einsatz an verschiedenen Brennkammertypen
  • Erstellung hybrider Datensätze zur verbesserten Simulation von Wasserstoffverbrennungsprozessen

Projektbeteiligte

Projektkoordination

FH JOANNEUM

Projektpartner:innen

Combustion Bay One

Kontaktadresse

COMBUSTION BAY ONE e.U.
advanced combustion management
Schuetzenhofgasse 22-7
A-8010 Graz