Ruß-Check für Kraftstoffe per KI

Kondensstreifen am Himmel wirken harmlos, sind aber ein ernstes Klimaproblem: Feine Rußpartikel in großer Höhe fungieren als Keime für Eiskristalle, die Wärmestrahlung zurück zur Erde reflektieren. Auch am Boden verschlechtern Rußemissionen aus fossilen und synthetischen Kraftstoffen die Luftqualität und können gesundheitliche Schäden verursachen. 

Stand der Technik

Wie stark ein Kraftstoff Ruß bildet, zeigt der Yield Sooting Index (YSI). Er ist wichtig für energieintensive Branchen wie Luftfahrt, Automobil und Chemie sowie für die Entwicklung sauberer Kraft- und Treibstoffe. Die herkömmliche experimentelle Bestimmung des YSI beruht auf Versuchen in einer aufwändigen Laborapparatur mit kostenintensiver Lasermesstechnik. Diese Vorgehensweise mit Verbrennungsversuchen ist zeitintensiv (Messdauer oft mehrere Stunden) und erfordert viel Fachwissen. Dadurch ist der breite Einsatz erschwert.

Technologie

Forschenden am Engler-Bunte-Institut des KIT ist es gelungen, ein KI-basiertes Modell zu entwickeln, das mithilfe eines künstlichen neuronalen Netzwerks (KNN) den YSI direkt aus Infrarotspektren von Kraftstoffproben vorhersagt. Zum Messen werden nur einige Tropfen benötigt. Das Prinzip ist einfach: Ein Fourier-Transform-Infrarotspektrometer (FTIR) liefert für jede Probe ein charakteristisches Spektrum – eine Art „Fingerabdruck“ des Kraftstoffs. Danach kommt KI zum Einsatz: Das KNN ist mit über 300 Mischungen und Reinstoffen verschiedenster Stoffgruppen (n/iso-Paraffine, Naphthene und Aromaten) trainiert und bildet das Herzstück des Verfahrens. Die intelligente Auswertung erkennt Muster in den Spektren und sagt so zuverlässig und präzise den YSI der Probe voraus.

Vorteile

Die eingesetzte FTIR-Technik ist vergleichsweise günstig und so gut wie in jedem Analyselabor zu finden. Die Messdauer beträgt nur wenige Minuten pro Probe, was schnelle Iterationen und Screenings ermöglicht. Durch die geringe Probenmenge ist das Verfahren besonders für Forschungslabore mit begrenztem Materialangebot ideal.

Optionen für Unternehmen

Neben der YSI-Vorhersage eröffnet das KI-basierte Modell Potenziale für die Ermittlung weiterer physikalisch-chemischer Kraftstoffeigenschaften wie Dichte, Viskosität, Flammpunkt oder Trübungspunkt (Cloud Point). Die Methode ist flexibel skalierbar und kann mit wachsender Datenbasis durch neue Trainingsproben weiter verbessert werden, z.B. durch die Erweiterung auf sauerstoffhaltige Verbindungen. Das KIT sucht Partner für anwendungsspezifische Entwicklungsprojekte und gemeinsame Forschungsarbeit.