Superkritiska kraftverk med hjälp av superdator och maskininlärning

Forskare vid University of Stuttgart studerar med hjälp av simuleringar hur superkritisk koldioxid kan användas i värmekraftverk. Illustration: IKE, University of Stuttgart
Forskare vid University of Stuttgart studerar med hjälp av simuleringar hur superkritisk koldioxid kan användas i värmekraftverk. Illustration: IKE, University of Stuttgart

Tyska forskare tar hjälp av en superdator och maskininlärning för att undersöka hur superkritisk koldioxid kan användas som en renare, säkrare och mer flexibel arbetsvätska i värmekraftverk.

I konventionella ångkraftverk måste kvarvarande vatten separeras från den ånga som används för att generera elektricitet. Denna process begränsar effektiviteten och kunde i de första generationerna värmekraftverk till och med orsaka explosioner.

På 1920-talet insåg Mark Benson att man kunde minska riskerna och göra värmekraftverken mer effektiva genom att använda vatten i ett superkritiskt tillstånd, där fasgränsen mellan vätska och gas har suddats ut. De höga kostnaderna för att åstadkomma de temperaturer och tryck som krävs har emellertid hindrat metoden från att utnyttjas i någon större utsträckning.

Nästan hundra år senare undersöker nu forskare vid University of Stuttgart i Tyskland hur Mark Bensons idéer kan förbättra säkerheten och effektiviteten hos moderna värmekraftverk.

- Jämfört med subkritiska kraftverk resulterar superkritiska kraftverk i högre termisk effektivitet, eliminering av utrustning av flera olika slag, som alla typer av ångtorkar, och en mer kompakt anläggning, säger Sandeep Pandey vid University of Stuttgart.

Istället för superkritiskt vatten undersöker forskarna emellertid möjligheten att använda superkritisk koldioxid, vilket medför ett antal fördelar. Framförallt blir koldioxid till skillnad från vatten superkritiskt redan vid strax över 31 grader Celsius istället för vid 374 grader Celsius.

För att kunna ersätta superkritiskt vatten med superkritisk koldioxid måste forskarna däremot först förstå dess egenskaper på en grundläggande nivå, inklusive hur dess turbulens överför värme. För att åstadkomma detta har de använt sig av krävande direkta numeriska simuleringar, som bara är möjliga på en superdator.

Forskarna har sedan använt resultaten från simuleringarna för att med hjälp av maskininlärning skapa ett redskap för kommersiella datorer.