Hybrid mechanistic data-driven modeling for the deterministic global optimization of organic rankine cycles

  • Hybride mechanistisch-datengetriebene Modellierung für die deterministische globale Optimierung von Organic Rankine Cycles

Huster, Wolfgang Raphael; Mitsos, Alexander (Thesis advisor); Karellas, Sotirios (Thesis advisor)

Aachen (2020)
Buch, Doktorarbeit

In: Aachener Verfahrenstechnik series - AVT.SVT - Process systems engineering 10 (2020)
Seite(n)/Artikel-Nr.: 1 Online-Ressource (XX, 200 Seiten) : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020

Kurzfassung

In dieser Arbeit werden Methoden für die deterministische globale Optimierung von Organic Rankine Cycles (ORCs) unter der Einbindung von akkuraten Thermodynamikmodellen vorgestellt. Dafür werden zwei Anwendungsbereiche betrachtet: Abwärmerückgewinnung für Lastkraftwagen (LKWs) und geothermale Energieerzeugung. Die globale Optimierung des Designs von Energieprozessen ist von großer Relevanz, da hier getroffene Entscheidungen einen hohen Einfluss auf die Wirtschaftlichkeit haben. Vorhergehende Arbeiten konnten aufzeigen, dass deterministische globale Prozessoptimierung in einer Unterraumformulierung zu drastischen Einsparungen bei der Rechenzeit führen kann. Eine große Herausforderung für globale Fließbildoptimierung ist weiterhin die Berücksichtigung von akkuraten Thermodynamikmodellen. Zunächst wird ein validiertes dynamisches Modell eines ORCs in einem Diesel-LKW vorgestellt. Anhand dieses Modells wird ein Ansatz für quasistationäre Prozessoptimierung entwickelt, in dem die thermodynamischen Zustandsgleichungen des Arbeitsmediums mittels künstlicher neuronaler Netzwerke gelernt werden. Im Vergleich zu Zustandsgleichungen haben diese Netzwerke vorteilhafte Eigenschaften für deterministische globale Optimierung: enge Relaxierungen und rein explizite Formulierungen. Das resultierende hybride mechanistisch-datengetriebene Prozessmodell kann effizient bis zur garantierten globalen Optimalität gelöst werden. Die Methode wird erweitert und die Datengenerierung mittels Thermodynamikbibliotheken automatisiert, um optimale Arbeitsmittel zu identifizieren. An einem geothermalen Anwendungsbeispiel wird aufgezeigt, wie vereinfachte Thermodynamikmodelle zu einem falschen Prozessdesign führen können. Anschließend werden die Ersatzmodelle auf überkritische Eigenschaften erweitert und eine Arbeitsmittelauswahl für einen transkritischen ORC wird durchgeführt. Weiterhin werden die Ersatzmodelle verwendet, um die Eigenschaften von zeotropen binären Fluidgemischen zu lernen, was es erlaubt, die optimale Gemischzusammensetzung für geothermale Kreisprozesse zu identifizieren. Abschließend werden zusätzliche strukturelle Optionen im Prozess anhand einer Superstrukturoptimierung berücksichtigt.

Identifikationsnummern

Downloads