Projektbeschreibung

Katalytische Gas-Feststoff-Reaktoren spielen in der chemischen Industrie eine wichtige Rolle, was die Entwicklung neuer Katalysatoren und Reaktordesigns sowie die Optimierung bestehender Anlagen unerlässlich macht. Gas-Feststoff-Reaktoren bestehen in der Regel aus einem oder mehreren Rohren, die mit katalytisch aktiven Partikeln, offenen Schäumen oder strukturierten Packungen gefüllt sind. Detaillierte Reaktormodellierung kann das Verständnis der komplexen Prozesse in diesen Reaktoren verbessern und eine computergestützte Optimierung von Betriebsparametern, Katalysatoren und Reaktordesign ermöglichen. Strömung, Wärme- und Stoffübertragung sowie chemische Reaktionen in katalytischen Gas-Feststoff-Reaktoren sind stark miteinander gekoppelt und sowohl zeitlich als auch räumlich mehrskalig. Ein ideales Multiskalenmodell umfasst die detaillierte Beschreibung und Kopplung  aller Skalen, von der Reaktion an der katalytisch aktiven Oberfläche bis hin zum industriell genutzten Reaktor. Ein solches Modell würde jedoch wesentlich mehr Rechenressourcen erfordern, als derzeit verfügbar sind.

Langfristiges Ziel des Projekts ist daher die Entwicklung einer Multiskalenmodellierungsumgebung, bei der hochauflösende Simulationen repräsentativer Abschnitte und Zeiträume verwendet werden, um recheneffiziente Ersatzmodelle abzuleiten, und so verschiedene Skalen miteinander verbinden zu können. Die derzeitige Arbeit konzentriert sich auf die folgenden Hauptforschungsbereiche: (i) räumlich aufgelöste Simulationen von Transport und Reaktion innerhalb poröser Katalysatormaterialien unter Verwendung von Nanotomographie-Scans, (ii) nummerische Strömungsmechanik (CFD) zur Beschreibung der makroskopischen Strömung in Verbindung mit Transport und Reaktion innerhalb des porösen Katalysators, (iii) Pseudokontinuum- oder Porennetzwerk-Modelle zur Simulation von Reaktoren im industriellen Maßstab und (iv) effektive Integration von mikrokinetischen Modellen in Reaktormodelle. Darüber hinaus wird die Multiskalenmodellierung mit modernen Optimierungstechniken, wie beispielsweise maschinelles Lernen, kombiniert, um das ideale Katalysator- und Reaktordesign zu ermitteln.