Superstructure Optimization with Embedded Neural Networks for Sustainable Aviation Fuel Production

Technische Zusammenfassung: Optimierung von Überstrukturen mit eingebetteten neuronalen Netzen für die Produktion nachhaltiger Flugkraftstoffe

Problemstellung
Die Defossilisierung der Luftfahrt erfordert die großtechnische Produktion nachhaltiger Flugkraftstoffe (SAF), spezifisch kerosinbereichiger Kohlenwasserstoffe (C8–C16). Die Gestaltung wirtschaftlich und ökologisch optimaler SAF-Produktionspfade stellt ein komplexes mehrdimensionales Optimierungsproblem dar. Es umfasst eine Vielzahl von Rohstoffen (Biomasse, abgefangenes CO2, erneuerbares H2), Zwischenchemikalien und Umwandlungstechnologien. Konventionelle Ansätze zur Überstrukturenoptimierung stützen sich häufig auf stark vereinfachende Annahmen, wie lineare Prozessmodelle, feste Betriebsbedingungen und lumpierte Komponentenrepräsentationen. Diese Vereinfachungen erfassen nicht die nichtlinearen thermodynamischen Zusammenhänge und zusammensetzungsabhängigen Verhaltensweisen, die für die SAF-Synthese entscheidend sind, insbesondere in Prozessen wie der Fischer-Tropsch-Konversion (FT), bei der die Produktselektivität stark von Betriebsparametern abhängt. Darüber hinaus fehlt es bestehenden Methoden oft an der Flexibilität, diskrete Prozessentscheidungen und kontinuierliche Betriebsvariablen (z. B. Temperatur, Druck, Einsatzstoffzusammensetzung) gleichzeitig zu optimieren, während detaillierte Gemischzusammensetzungen und Kohlenstoffmanagementstrategien berücksichtigt werden.

Methodik
Die Autoren schlagen ein fortschrittliches multiobjektives Optimierungsframework vor, das Künstliche Neuronale Netze (KNN) als datengesteuerte Ersatzmodelle in eine gemischt-ganzzahlige quadratisch restringierte Programmierung (MIQCP) integriert.

• Überstrukturformulierung: Das Framework modelliert das Produktionsnetzwerk als generalisierter Graph mit expliziten Ein- und Auslassports für Prozesse. Im Gegensatz zu traditionellen Ansätzen werden Ströme als Gemische dargestellt, bei denen die Massenanteile Entscheidungsvariablen sind. Dies ermöglicht die gleichzeitige Optimierung der Prozess-Topologie und der Stromzusammensetzungen.
• Einbettung von KNN: Um die Nichtlinearität kritischer Teilprozesse zu adressieren, ohne die Optimierung unlösbar zu machen, werden drei Schlüsselprozesse – Biomassevergasung, Reverse Water-Gas Shift (RWGS) und FT-Synthese – mittels KNN modelliert, die auf rigorosen Aspen Plus®-Simulationsdaten trainiert wurden. Diese KNN erfassen die nichtlineare Abhängigkeit der Ausgangszusammensetzungen, der Selektivität und des Energiebedarfs von den Betriebsbedingungen (z. B. Reaktortemperatur, Druck, Eingangsverhältnisse).
• Mathematische Integration: Die trainierten, mit ReLU aktivierten KNN werden unter Verwendung von Umformulierungen der gemischt-ganzzahligen linearen Programmierung (MILP) (via dem Optimization & Machine Learning Toolkit, OMLT) in das MIQCP-Problem eingebettet. Dieser Ansatz bewahrt die rechnerische Lösbarkeit der globalen Optimierung, während komplexe nichtlineare Verhaltensweisen präzise abgebildet werden.
• Optimierungsziele: Das Framework löst ein multiobjektives Problem, bei dem die gesamten annualisierten Kosten (CAPEX und OPEX) minimiert werden, während die gesamten CO2-Emissionen (einschließlich Produktion und Verbrennung) systematisch restringiert werden. Die ε-Constraint-Methode wird zur Generierung pareto-optimaler Fronten verwendet.
• Systemgrenzen: Die Studie betrachtet eine umfassende Überstruktur, die Biomassevergasung (Miscanthus, Weizenstroh, Kiefernschnitzel), autotherme Reformierung (ATR) von Erdgas, Direct Air Capture (DAC), Wasserelektrolyse und Kohlenstoffspeicherung (CS) einschließt.

Hauptbeiträge

1. Fortschrittliche MIQCP-Formulierung: Entwicklung einer Überstrukturformulierung, die Stromzusammensetzungen explizit als Entscheidungsvariablen integriert und so die Optimierung der Massenanteile im gesamten Netzwerk ermöglicht.
2. Eingebettete Ersatzmodellierung: Erfolgreiche Integration von KNN in ein globales Optimierungsframework zur Modellierung nichtlinearer Prozessverhalten, wodurch Betriebsbedingungen (Temperatur, Druck, Einsatzstoffzusammensetzung) als Entscheidungsvariablen und nicht als feste Parameter behandelt werden können.
3. Anwendung auf FT-basierte SAF: Anwendung dieses Frameworks auf die Synthese von Kerosin via FT, was die Fähigkeit demonstriert, komplexe Gemischrestriktionen und Kohlenstoffmanagement zu handhaben.
4. Demonstration der Flexibilität: Nachweis, dass eine größere Freiheitsgrade auf Ebene der Apparate, ermöglicht durch neuronale Netz-Ersatzmodelle, zu einer überlegenen Systemleistung in Bezug auf Kosten und CO2-Intensität im Vergleich zu Designs mit festen Parametern führt.

Ergebnisse

• Kosten-Nachhaltigkeits-Abwägung: Bei unbeschränkten CO2-Emissionen basiert die kostengünstigste Konfiguration ausschließlich auf der fossilbasierten ATR-Route (0,79 $/kg Kerosin) mit hohen Emissionen (4,47 kg CO2/kg). Die Auferlegung von Kohlenstoffrestriktionen erfordert die Integration von Biomassevergasung und DAC-CS.
• Optimale Pfade: Am Null-Emissions-Limit erreichen hybride Konfigurationen, die ATR und Biomassevergasung kombinieren, die niedrigsten Kosten (2,38 $/kg), gefolgt von reinen Biomassevergasungspfaden (2,43 $/kg). Beide schneiden besser ab als der reine ATR-Pfad mit DAC-CS (~2,65 $/kg).
• Einschränkungen von DAC-Alleen: Pfade, die ausschließlich auf atmosphärischem CO2 (DAC) und Wasserelektrolyse basieren, erweisen sich als prohibitiv teuer (~10,8 $/kg), was die thermodynamischen und wirtschaftlichen Nachteile der Verwendung vollständig oxidieter Kohlenstoffquellen unterstreicht.
• Kohlenstoffreduktion: Die Kosten zur CO2-Reduktion für biobasierte SAF werden auf etwa 390 $/tCO2 geschätzt. Die Erreichung von Netto-Null oder negativen Emissionen erfordert Kohlenstoffspeicherung; Biomasse allein ist aufgrund von Emissionen in der Lieferkette unzureichend.
• Anpassungsfähigkeit vs. Festes Design: Eine Sensitivitätsanalyse, die „anpassbare" (optimierte Betriebsbedingungen) mit „festen" (vorbestimmten Bedingungen) Designs vergleicht, zeigt, dass Anpassungsfähigkeit bis zu 20 % Kosteneinsparungen bringt. Optimale Betriebsparameter (z. B. FT-Reaktordruck, Vergasungstemperatur) verschieben sich signifikant als Reaktion auf externe Faktoren wie Strompreise.
• Wärmeintegration: Der wirtschaftliche Nutzen der Wärmeintegration ist designabhängig. Er bietet marginale Einsparungen (7 %) in biobasierten Systemen, wird jedoch in Systemen, die auf DAC angewiesen sind, aufgrund des hohen thermischen Bedarfs der CO2-Desorption kritisch (14 % Einsparungen).

Bedeutung und Behauptungen
Die Autoren behaupten, dass die vorgeschlagene Methodik die inhärenten Grenzen konventioneller überstrukturbasierter Ansätze überwindet, indem sie die gemeinsame Optimierung diskreter Systementscheidungen und kontinuierlicher Betriebsparameter innerhalb eines rigorosen mathematischen Rahmens ermöglicht. Durch die Einbettung datengesteuerter Ersatzmodelle zeigt die Studie, dass die Berücksichtigung variabler Stromzusammensetzungen und nichtlinearer Prozessverhalten unerlässlich ist, um wirklich optimale SAF-Produktionsrouten zu identifizieren. Die Ergebnisse unterstreichen, dass eine kosteneffektive, klimakonforme SAF-Produktion davon abhängt, Kohlenstoff in thermodynamisch günstigen Formen (Biomasse oder Methan) einzuführen und nicht als vollständig oxidiertes CO2. Darüber hinaus hebt die Studie hervor, dass die Flexibilität, Prozessbetriebsbedingungen an sich ändernde techno-ökonomische Umgebungen anzupassen, ein kritischer und oft übersehener Treiber der wirtschaftlichen Leistung ist, der im Vergleich zu statischen Designansätzen erhebliche Kostensenkungen bietet. Die Autoren weisen darauf hin, dass das Framework zwar robust ist, seine Genauigkeit jedoch von der Zuverlässigkeit der zugrunde liegenden Prozesssimulationen abhängt, die zum Training der KNN verwendet wurden, und dass zukünftige Arbeiten den Umfang erweitern könnten, um weitere Teilprozesse und nachgeschaltete Aufbereitungstechnologien einzubeziehen.