Verbundvorhaben: REACT-AI - Reaktionsschnelle Bereitstellung von Gasturbinen-Lösungen für die Energiewende mittels einer neuartigen, generativen KI-Designkette; Teilvorhaben: KI-gestütztes Design von Turbinenschaufeln
Zeitraum
2025-08-01 – 2028-07-31
Bewilligte Summe
634.674,38 EUR
Ausführende Stelle
Förderkennzeichen
03EE5191A
Leistungsplansystematik
Rückverstromung von Wasserstoff und erneuerbaren Gasen/Brennstoffen - Turbinen [EA1704]
Verbundvorhaben
01281402/1 – REACT-AI - Reaktionsschnelle Bereitstellung von Gasturbinen-Lösungen für die Energiewende mittels einer neuartigen, generativen KI-Designkette; Teilvorhaben: KI-gestütztes Design von Turbinenschaufeln
Zuwendungsgeber
Bundesministerium für Wirtschaft und Energie (BMWE.IIC2)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESE5)
Förderprogramm
Energie
Das Teilvorhaben zielt auf die Entwicklung und Implementierung von Technologien ab, um die Reaktionsgeschwindigkeit von Gasturbinen im Kontext des aktuellen und zukünftigen Energiemixes zu optimieren, was für den Erfolg der Energiewende entscheidend ist. Die Herausforderung besteht darin, schnell Designlösungen anzupassen und zu bewerten, um neue Anforderungen, wie etwa Last- und Brennstoffflexibilität (z.B. H2-Mix), zu erfüllen und gleichzeitig Entwicklungszeiten zu verkürzen. Aktuell sind Finite-Elemente-Analysen (FEA) für die Lebensdauervorhersage von Turbinenschaufeln zeitaufwendig, was eine schnelle Anpassung an geänderte Anforderungen verhindert. Das Projekt adressiert diese Problematik, indem es fortschrittliche Algorithmen, maschinelles Lernen (ML) und optimierte Simulationsmethoden integriert, um die Rechenzeit für FEA signifikant zu reduzieren und genauere Lebensdauervorhersagen zu ermöglichen. Dies beinhaltet das Erstellen von Ersatzmodellen basierend auf neuronalen Netzwerken, die thermomechanische Effekte vorhersagen können und die Berechnungszeit von Tagen auf Minuten reduzieren. Die Hauptziele umfassen die Optimierung der Reaktionsgeschwindigkeit, Effizienzsteigerung der Designprozesse, Reduktion der Rechenzeit, genauere Lebensdauervorhersagen, Erhöhung der Anpassungsfähigkeit, Integration von nichtlinearem Materialverhalten in multidisziplinäre Optimierung und die systematische Bewertung von gefertigten Bauteilen. Risiken des Vorhabens schließen Datenqualität, Modellkomplexität, Integration und Anpassung des ML-Modells, sowie die Notwendigkeit von leistungsfähiger Hardware ein. Datenschutz, Modellvalidierung und -wartung sowie die Abhängigkeit von Expertenwissen sind ebenfalls zu beachten. Öffentliche Förderung ist für die Realisierung des Projekts unerlässlich, um diese Risiken zu minimieren und die ambitionierten Ziele zu erreichen.