Wer große Chemieanlagen betreibt, muss ständig Tausende Entscheidungen treffen. Welche Temperaturen sind optimal? Wie sollte eine Kolonne gefahren werden? Welche Auswirkungen haben schwankende Rohstoffqualitäten? Und wie lässt sich ein optimales Produkt mit möglichst wenig Energieaufwand erreichen?
In vielen Anlagen sind solche Fragen alles andere als trivial. Die einzelnen Prozessschritte beeinflussen sich gegenseitig, die Zusammensetzung der Rohstoffe verändert sich ständig und häufig gibt es nicht nur eine richtige Antwort, sondern zahlreiche Möglichkeiten die Anlage korrekt zu fahren. Die Herausforderung besteht dementsprechend darin, unter ungezählten Optionen die jeweils beste zu finden.
Daran arbeitet die Evonik Oxeno. Mit dem Projekt COMPAS hat das Unternehmen eine Technologie entwickelt, die jahrzehntelanges verfahrenstechnisches Wissen mit Methoden der künstlichen Intelligenz verbindet.
Das Ziel: Produktionsanlagen noch effizienter betreiben, schneller auf veränderte Bedingungen reagieren und Potenziale zur Energieeinsparung erschließen. An den Standorten Marl und Antwerpen kommt die Technologie bereits zum Einsatz.
ELEMENTS-Newsletter
Erhalten Sie spannende Einblicke in die Forschung von Evonik und deren gesellschaftliche Relevanz - ganz bequem per E-Mail.
Wenn Erfahrung allein nicht mehr genügt
Chemische Produktionsanlagen gehören zu den komplexesten technischen Systemen. Viele Vorgänge im Inneren lassen sich nicht direkt beobachten. Gleichzeitig wirken sehr viele Einflussgrößen aufeinander ein. Bereits kleine Veränderungen bei Temperatur, Druck oder Stoffströmen können erhebliche Auswirkungen auf den Gesamtprozess haben.
Fachleute nutzen deshalb seit Jahrzehnten Prozesssimulationen. Solche Modelle beschreiben chemische und physikalische Zusammenhänge mathematisch und ermöglichen Vorhersagen über das Verhalten einer Anlage. Allerdings sind diese Berechnungen meist rechenintensiv. Für schnelle Entscheidungen im laufenden Betrieb eignen sie sich daher nur begrenzt.
Lernen mit Physik im Hintergrund
Das COMPAS-Team verfolgte deshalb einen anderen Ansatz. Statt jeden denkbaren Anlagenzustand immer wieder neu zu berechnen, simulierte es zunächst mehr als eine Million möglicher Betriebssituationen. Auf dieser Grundlage wurden KI-Modelle entwickelt, die die Ergebnisse der aufwendigen Simulationen in Sekundenbruchteilen reproduzieren können.
„Wir verbinden unser langjähriges Wissen über chemische Prozesse mit den Möglichkeiten künstlicher Intelligenz. So können wir komplexe Prozesssimulationen direkt für den Anlagenbetrieb nutzbar machen und auch bei wechselnden Betriebsbedingungen eine möglichst effiziente Steuerungsweise unterstützen“, sagt Dr. Niklas Paul, Leiter Engineering bei Evonik Oxeno.
Der Begriff künstliche Intelligenz weckt häufig die Vorstellung von Algorithmen, die ausschließlich aus Daten lernen. Im industriellen Umfeld stößt dieser Ansatz jedoch schnell an Grenzen. Historische Betriebsdaten zeigen nur einen Teil aller möglichen Anlagenzustände. Manche Situationen treten selten auf, andere wurden bislang überhaupt nicht beobachtet.
Grey-Box-Modelle
Deshalb setzt COMPAS auf sogenannte Grey-Box-Modelle. Sie verbinden die Stärken klassischer Prozesssimulationen mit den Möglichkeiten künstlicher Intelligenz. Im ersten Schritt wird der Prozess mithilfe klassischer Simulationen, die auf physikalischen Modellen und experimentell ermittelten Stoffdaten basieren, beschrieben und anhand realer Betriebsdaten validiert. Auf dieser Grundlage entsteht ein möglichst präzises digitales Abbild des Verfahrens. Mit der validierten Simulation erzeugen die Forschenden anschließend einen umfangreichen Trainingsdatensatz, der weit über die in der Praxis verfügbaren Datenmengen hinausgeht. Dieser Datensatz dient schließlich als Grundlage für das Training speziell entwickelter, selbst programmierter KI-Modelle.
Das Ergebnis ist eine Art digitaler Zwilling, der die wichtigsten Gesetzmäßigkeiten des Prozesses kennt und gleichzeitig schnell genug reagiert, um im laufenden Betrieb eingesetzt zu werden. Statt stundenlanger Berechnungen liefert das System innerhalb weniger Sekunden einen Vorschlag, welche Fahrweise unter den aktuellen Bedingungen besonders effizient ist.
Was sind Grey-Box-Modelle?
Grey-Box-Modelle verbinden zwei Welten: klassische naturwissenschaftliche Prozessmodelle und künstliche Intelligenz. Die physikalischen Modelle liefern das grundlegende Verständnis eines Prozesses. Die KI nutzt dieses Wissen, um Muster zu erkennen und sehr schnelle Vorhersagen zu treffen. Dadurch entstehen Modelle, die sowohl belastbar als auch praxistauglich sind.
Millionen Simulationen für bessere Trennung
Besonders eindrucksvoll zeigt sich der Nutzen der Technologie bei der Herstellung von 1-Buten. Dieser wichtige chemische Grundstoff wird aus komplexen C4-Kohlenwasserstoffgemischen gewonnen. Die Herausforderung: Viele der enthaltenen Moleküle besitzen ähnliche Eigenschaften und lassen sich nur mit erheblichem Energieeinsatz voneinander trennen.
Traditionell werden solche Anlagen häufig mit Sicherheitsreserven betrieben, um die erforderliche Produktqualität unter allen Umständen einzuhalten. Das erhöht jedoch den Energiebedarf. Die COMPAS-Modelle helfen dabei, genau jene Betriebspunkte zu identifizieren, an denen Produktspezifikation und Energieverbrauch optimal ausbalanciert sind.
Dazu verarbeitet das System kontinuierlich aktuelle Prozessdaten und stellt den Anlagenfahrenden die Ergebnisse über ein Dashboard zur Verfügung. Die endgültige Entscheidung bleibt beim Menschen, doch die Software liefert eine wissenschaftlich fundierte Empfehlung.
Der Effekt ist messbar: In den ersten Anwendungen sank der spezifische Dampfverbrauch um rund sechs Prozent. Gleichzeitig konnten die CO₂-Emissionen um mehr als 8,8 Prozent reduziert werden. Langfristig sieht das Team sogar Einsparpotenziale zwischen 9 und 18 Prozent. Durch diese Einsparungen konnte auch der zuletzt stark gestiegene Energiepreis teilweise kompensiert werden.
Optimierung im Herzstück des C4-Verbunds
Ein weiteres Anwendungsfeld ist die Olefinoligomerisierung. Dabei werden kleinere Moleküle zu größeren Bausteinen zusammengefügt, die später in unterschiedlichsten chemischen Produkten eingesetzt werden. Aus Butenen entstehen beispielsweise Octene, Dodecene oder Hexadecene.
Auch dieser Prozess wird von zahlreichen Einflussfaktoren bestimmt. Rohstoffzusammensetzungen verändern sich, Katalysatoren altern und verschiedene Prozessparameter stehen in engem Zusammenhang miteinander. Die Optimierung gleicht deshalb einem hochkomplexen Puzzle.
Die KI-Modelle ermöglichen es, solche Zusammenhänge deutlich schneller und umfassender zu analysieren als mit konventionellen Methoden. In historischen Betriebsdaten identifizierte COMPAS mehrere Fahrweisen, die den Energiebedarf spürbar senken würden, ohne Produktionsziele oder Sicherheitsanforderungen zu gefährden. Teilweise genügten bereits kleine Änderungen einzelner Parameter, um eine deutlich effizientere Betriebsweise zu erreichen.
Der Mensch bleibt entscheidend
So leistungsfähig die Modelle auch sind: Die Verantwortung verbleibt bewusst bei den Menschen in den Anlagen. Die Empfehlungen werden nicht automatisch umgesetzt, sondern von erfahrenen Fachleuten bewertet und freigegeben. Gerade diese Kombination aus menschlicher Erfahrung und datengetriebener Optimierung sehen die Entwickler als einen wesentlichen Erfolgsfaktor. Die Software soll das Wissen der Mitarbeitenden nicht ersetzen, sondern erweitern. Gleichzeitig entstehen neue Einblicke in die Zusammenhänge komplexer Produktionsprozesse.
„COMPAS zeigt: Das Wissen, das Betrieb, Engineering und Forschung in vielen Jahren gemeinsam aufgebaut haben, schafft mit künstlicher Intelligenz neuen Wert in der Prozessoptimierung. Auf Basis dieser Technologie arbeiten wir Schritt für Schritt an einem C4-Verbund, der sich künftig selbst optimiert“, sagt Professor Robert Franke, Leiter Simulation & Kinetics bei Evonik Oxeno.
Der Weg zur selbstoptimierenden Chemieanlage
Noch gibt COMPAS lediglich Empfehlungen. Doch die Technologie zeigt bereits, wie die Zukunft chemischer Produktion aussehen könnte. Perspektivisch sollen die entwickelten Modelle direkt mit digitalen Regelungssystemen zusammenarbeiten. Anlagen könnten dann fortlaufend analysieren, welche Betriebsweise unter den aktuellen Bedingungen optimal ist, und entsprechende Anpassungen nahezu in Echtzeit vornehmen.
Die langfristige Vision reicht sogar über einzelne Anlagen hinaus. Künftig könnten ganze Produktionsverbünde ihre Fahrweise selbstständig koordinieren und optimieren. Rohstoffschwankungen, Energieeinsatz und Produktausbeuten würden dabei gleichzeitig berücksichtigt. Was heute noch als Zukunftsszenario erscheint, nimmt mit Technologien wie COMPAS bereits konkrete Formen an.