Computergestütze Modellierung und Simulation
Die Forschungsgruppe nutzt unterschiedliche Methoden der computergestützten Modellierung und Simulation im Bereich nachhaltiger Energietechnik. Insbesondere verwenden wir multiphysikalische Modelle, um in der Natur vorkommende gekoppelte Phänomene realitätsgetreu abzubilden. Teilweise setzen wir dabei auch stochastische Simulationen ein. Physics-informed neural networks (PINNs) sind eine Kombination aus den oben genannten Techniken mit Neuronalen Netzen zur Steigerung der Effizienz und Senkung der Kosten der Berechnungen.
- Multiphysikalische, numerische Simulationen zur Entwicklung oder Verbesserung grüner Technologien
- Validierung simulativer Erkenntnisse mit Hilfe von experimentellen Untersuchungen
- aktuelle Forschungsfelder: Energy Harvesting, Induktive Energieübertragung, Leistungselektronik, Beschichtungsprozesse für organische Fotovoltaik, Brennstoffzellen, Elektromotoren
- BMWK Projekt E|M POWER
- BMBF Projekt LoLiPoP IoT
Forschungsprojekte
AWESOME
Ein besonderes Projekt, welches durch das EnCN-3.0-Nachwuchsförderungs-Programm finanziert wurde, ist AWESOME: Anwendungsnahe Weltrekord-Solarmodul-Entwicklung. Dabei geht es um die Weiterentwicklung von organischer Photovoltaik (OPV)-Technologie, die als gemeinsames Projekt von Dr. Andreas Distlers (FAU, i-MEET, „Solarfabrik der Zukunft“) und Computational Physics for Green Energy vorangetrieben wurde.
Während die Laborarbeiten in der Gruppe von Dr. Distler durchgeführt wurden, hat in meiner Gruppe vor allem der Doktorand Fabian Gumpert geeignete Modelle und darauf basierende Simulationen erstellt. Diese bilden den Druckprozess mittels Blade-Coating durch numerische Computational Fluid Dynamics (CFD)-Simulationen in einem zweidimensionalen Modell nach. Besonders herausfordernd war dabei die skalenübergreifende Dimensionierung (µm Schichtdicke in cmgroßem Aufbau) und die Phasengrenze zwischen Luft und OPV-Fluid. Zur Validierung wurden die Simulationsergebnisse mit experimentellen Labordaten verglichen: Es zeigte sich eine sehr gute Übereinstimmung. Durch diesen Ansatz ist es uns gelungen die entstehenden OPV-Schichtdicken in Abhängigkeit von wichtigen Parametern (u.a. Flüssigkeitsvolumen, Druckgeschwindigkeit) numerisch präzise und schnell vorherzusagen. Dieses Resultat wurde im August 2023 veröffentlicht (https://doi.org/10.1080/19942060.2023.2242455).
In einer Folgearbeit gelang es uns, im Januar 2024 die experimentellen und numerischen Daten auch mit einem analytischen Ansatz zur Deckung zu bringen (https://doi.org/10.1016/j.porgcoat.2024.108505). Damit ist es möglich, eine Vielzahl von Prozess- und Materialparametern theoretisch so auszuwählen, dass eine gewünschte Schichtdicke entsteht. Ende 2023 gelang es unseren Forschungspartnern aus diesem Zusammenspiel von Computersimulation und herausragender Laborexpertise einen neuen Weltrekord für die Effizienz von OPV-Modulen aufzustellen (https://doi.org/10.1016/j.joule.2024.02.016).