Die steigende Nachfrage nach Wasserstoff und dessen weltweiter Transport in Pipelines erfordern eine regelmäßige Verdichtung. Hierfür sind Kompressoren mit Hochleistungs-Koaleszenzfiltern notwendig, um die absolute Reinheit des Wasserstoffs zu gewährleisten. Das Projekt „HyFilDrain“ zielt darauf ab, neuartige Filtermedien zu entwickeln, die durch ein gezieltes Design den Druckverlust minimieren und so ein erhebliches CO2-Einsparpotenzial bieten.

Im Fokus unseres Teilprojekts steht die detaillierte Modellierung und Simulation dieser Filtersysteme. Um die komplexen fluiddynamischen Prozesse präzise abzubilden, kombinieren wir fortschrittliche numerische Strömungssimulationen mit modernen Machine-Learning-Ansätzen. Ein Schwerpunkt liegt aktuell auf der Smoothed-Particle Hydrodynamics (SPH) Methode. Als gitterfreies Verfahren eignet sich SPH hervorragend, um die anspruchsvollen Mehrphasenströmungen und die Tropfenkoaleszenz an den einzelnen Filterfasern auf der Mikroskala physikalisch exakt zu simulieren.

Ergänzt wird dies durch die Erforschung und den Einsatz von Physics-Informed Neural Networks (PINNs). Diese Netzwerke binden Strömungsphysik direkt in den Lernprozess ein. Dadurch können wir rechenintensive Modelle effizienter gestalten, das Strömungsverhalten präziser vorhersagen und Modelle auf unterschiedlichsten Skalen – von der Mikroskala der Fasern bis zum Gesamtsystem – erfolgreich koppeln.

Diese validierten Mehrskalenmodelle ermöglichen es uns, die Filterstrukturen tiefgehend zu verstehen und gezielt zu optimieren. Die praktische Validierung der Ergebnisse erfolgt in enger Kooperation mit der Hollingsworth & Vose GmbH.