ESC‑Lab: Druck‑ und Verdünnungseffekte in der Methansynthese

Im ESC‑Lab der BTU Cottbus‑Senftenberg entsteht ein Metamodell aus 5 000 Simulationen (polynomiales 6‑Ordnung‑Modell, Feed‑Forward‑Neuronales Netz, Gauß‑Prozesse) zur Vorhersage von Methangehalt, Wasserstoffproduktion und Temperatur in Ni/Al₂O₃‑Reaktoren (300–350 °C, 1–10 bar) und zur schnellen Optimierung von Power‑to‑X‑Anlagen.
ein einfacher blauer Trennstrich
Industrie
Ein Trenner bestehend aus Kreisen in den sechs Lab-Farben

Wie beeinflussen Druck und Verdünnung die Methansynthese?

Die neueste Forschungsarbeit aus unserem Energy and Conversion (ESC) Lab des EIZ der Brandenburgische Technische Universität Cottbus-Senftenberg in Zusammenarbeit mit ESTECO untersucht genau das – mit Hilfe von Metamodellen.
Methansynthesereaktoren wandeln grünen Wasserstoff und CO₂ aus Industrieprozessen in synthetisches Methan um – einen kohlenstoffneutralen Energieträger mit hohem Heizwert. Die Reaktoren arbeiten bei 300–350 °C und 1–10 bar unter Einsatz von Ni/Al₂O₃-Katalysatoren. Für ihre Optimierung werden eindimensionale Simulationsmodelle verwendet, die komplexe chemische und physikalische Prozesse abbilden. Trotz hoher Rechenzeiten liefern sie wichtige Erkenntnisse.

Das ESC Lab entwickelt ein Metamodell zur Prognose der Einflüsse von Druck und Verdünnung, das in PowerToX-Anwendungen und digitaleZwillinge integriert werden soll.
Für das Training des Metamodells wird ein Datensatz durch 5.000 Simulationen des Reaktormodells erzeugt. Variiert werden unter anderem Gaseinlasszusammensetzung, Temperatur, Druck, Durchflussrate, Reaktorlänge und Reaktionsfortschritt. Zum Training werden ein Polynom 6. Ordnung, ein Feedforward-Neuronales Netz und Gaußsche Prozesse verwendet.

Ziel: Die Entwicklung eines schnellen, datengetriebenen Vorhersagemodells zur Optimierung von Power-to-X-Prozessen und digitalen Zwillingen.

Key Insights:

  •  Mit über 220.000 Simulationspunkten wurde ein robustes Trainingsdatenset erstellt.
  • Das neuronale Netz liefert die besten Vorhersagen für die Reaktortemperatur.
  • Den Effekt von Druck und Verdünnung auf den Methangehalt bildet das neuronale Netz gut ab.
  • Für Wasserstoff liefern die Gaußschen Prozesse die besten Ergebnisse.
  • Insgesamt erfassen die Metamodelle die Ausgangsparameter gut, doch es sind Verbesserungen nötig, insbesondere für die Temperaturverteilung im Reaktor. Eine höhere Datensatzqualität könnte die Modellleistung weiter steigern.

Die Arbeit der Wissenschaftler*innen Tim Franken, Monang Vadivala, Saurabh R Sharma, Tobias Gloesslein, Arnim Brüger und Fabian Mauss unterstützt die Entwicklung nachhaltiger, CO₂-neutraler Energieträger auf Basis von grünem Wasserstoff und CO₂ aus Industrieabgasen.

Wir bringen digitale Zwillinge einen Schritt näher an die Realität – für eine grüne Chemie der Zukunft!

Weitere News

Ein Trenner bestehend aus Kreisen in den sechs Lab-Farben
In diesem Meet the Team-Interview gibt Dinesh Korrapati Einblicke in seine aktuellen Forschungsprojekte, methodischen Ansätze sowie die wachsende Bedeutung von gesellschaftlicher Wahrnehmung und Kommunikation für den Erfolg der Energiewende.
Am 2. Juni 2026 eröffneten wir mit mehr als 130 Expertinnen und Experten aus Energietechnik und Energiewirtschaft unser 3. EIZ Annual Meeting mit einem intensiven fachlichen Austausch im Startblock B2 in Cottbus.
Wir freuen uns, Mona Khayatizahiri in unserer „Meet the Team“-Reihe vorzustellen. Sie arbeitet als studentische Mitarbeiterin am EIZ und gibt spannende Einblicke in ihre Aufgaben, Erfahrungen und Perspektiven im Bereich Energie und Energiewirtschaft.