Umweltfreundliche Energie aus Quellen wie Sonne oder Wind entsteht nicht unbedingt dann, wenn sie gebraucht wird. Eine der großen Herausforderungen der Energiewende liegt daher darin, den daraus erzeugten Strom zu speichern, um ihn später nutzen zu können – natürlich möglichst ohne große Energieverluste. Das neue Schwerpunktprogramm 2403 „Carnot-Batterien: inverses Design vom Markt zum Molekül“ der Deutschen Forschungsgemeinschaft nimmt zu diesem Zweck sogenannte Carnot-Batterien in den Fokus, in denen die überschüssige Energie in Form von Wärme in Flüssigkeiten gespeichert wird.

An dem Programm, das seit Juli 2023 für zunächst drei Jahre mit rund 6,5 Millionen Euro gefördert wird, sind die drei Arbeitsgruppen aus der Fakultät für Maschinenbau der Ruhr-Universität Bochum von Prof. Dr. Valentin Bertsch, Prof. Dr. Francesca Di Mare und Prof. Dr. Roland Span und Dr. Monika Thol beteiligt.

Das Design dem Markt anpassen

Carnot-Batterien koppeln Hochtemperatur-Wärmepumpen mit Speichern sowie Wärmekraftmaschinen. Es gibt jedoch noch keine systematische Methodik ihrer Auslegung und ihrer Bewertung in einem künftigen Energiesystem. Das soll das Schwerpunktprogramm ändern. Das Team von Valentin Bertsch will in seinem Teilprojekt das Design solcher Carnot-Batterien mathematisch optimieren. Dabei verwenden die Forschenden detaillierte Modelle für Maschinen, Wärmeüberträger, Speicher und Flüssigkeiten. „Unsere Hypothese ist, dass wir relativ einfache Kreisprozesse modellieren können, die unser Modell zur Auslegung der Carnot-Batterie so flexibel machen, dass es sich gut an die Bedarfe am Markt anpassen lässt“, so Valentin Bertsch.

Zudem ist das Team überzeugt, dass aktuelle Modelle solche Stromspeicher zu stark vereinfachen und zu wenig mit den Ergebnissen von Experimenten abgeglichen sind. Der Abgleich der Modellierungsergebnisse mit experimentellen Untersuchungen ist zur Überprüfung daher eingeplant.

Die Batterie flexibel auslegen

Francesca Di Mare und ihr Team befassen sich mit der Berechnung von Fluidströmungen in Turbomaschinenkomponenten für den Einsatz in Carnot-Batterien. Dafür entwickeln sie neue Simulationsmethoden auf der Basis von tiefen neuronalen Netzen, insbesondere Physics Informed Neural Networks. Sie verkürzen die Berechnungszeit im Vergleich zu herkömmlichen Verfahren deutlich und erlauben eine grobe Darstellung der Fluidströmungen. „Durch konditionale Generative Adversiale Netze (GAN) können wir die Ergebnisse verfeinern, um eine realistische Feinstruktur turbulenter Strömungen zu erzeugen“, erklärt Francesca Di Mare.

„Insbesondere untersuchen wir die physikalischen und die Verallgemeinerungseigenschaften solcher auf Deep Learning basierenden Lösungen für Fluidströmungen im Hinblick auf sich ändernde Randbedingungen und Geometrie.“ Dies ermöglicht den Forschenden eine schnelle Bewertung von Designs unter sich stark ändernden Randbedingungen, wie sie für den Entladezyklus einer Carnot-Batterie typisch sind.

Das optimale Gemisch

Das Team von Roland Span und Monika Thol widmet sich dem sogenannten Arbeitsfluid der Carnot-Batterie, der Flüssigkeit, die mittels überschüssigen Stroms erhitzt wird und diese Wärme später wieder abgeben muss. Im Mittelpunkt des Interesses stehen hier Gemische, die die geforderten Eigenschaften kombinieren. Bisher verwendete Ansätze, um ein optimales Gemisch zu finden, sind entweder zu ungenau oder zu aufwändig. Die Forschenden wollen diese Beschränkungen überwinden.

Den Beitrag in ganzer Länge finden Sie im RUB-Newsportal.