Deutsche Unternehmen sehen großes Potenzial für grünen Wasserstoff im chilenischen Bergbausektor

Die Vorteile von grünem Wasserstoff werden nicht nur in Deutschland als wichtig für die Zukunft eingeschätzt, sondern dem Thema wird auch in Chile immer mehr Aufmerksamkeit gewidmet.
Eine von der AHK Chile organisierte deutsche Delegation von Wasserstoffunternehmen im März 2020 analysierte die wirtschaftlichen und industriellen Vorteile von grünem Wasserstoff und nutzte die Gelegenheit für wichtige Ankündigungen aus dem öffentlichen und privaten Sektor, um die Forschung und Anwendungen dieses Energieträgers zu intensivieren, wovon beide Länder profitieren. Was den privaten Sektor betrifft, so gab Siemens die Entscheidung des deutschen Unternehmens bekannt, sein neues lateinamerikanisches Energie-HUB in Chile, speziell in der Stadt Santiago, zu installieren.

Während des virtuellen „Chilenisch-Deutschen Forums für Technologien für die Wasserstoffwirtschaft“ der AHK Chile bewertete der Energieminister Juan Carlos Jobet den Fall Chiles, wobei er das Potential im Land für die Produktion und damit auch den Export von grünem Wasserstoff hervorhob:

„Wie Sie wissen, wird Wasserstoff seit vielen Jahren durch Elektrolyse hergestellt, aber die Möglichkeit, dies mit erneuerbaren Energien zu tun, bedeutet, dass wir schrittweise zu Produktionsprozessen übergehen können, die keine CO2-Emissionen erzeugen“, sagte er.

GRÜNER WASSERSTOFF IM BERGBAU

Nach einem Treffen mit chilenischen Unternehmen aus verschiedenen Bereichen hoben die Vertreter der deutschen Unternehmen das Potenzial von grünem Wasserstoff in Chile, insbesondere für den Bergbau, hervor. José Romero, Business Development Manager von ReiCat, einem Unternehmen, das Lösungen für die Gasreinigung anbietet, ist der Ansicht, dass:

„Chile über die größte Flotte von Bergbau-Lkw der Welt verfügt, so dass das Potenzial enorm ist, aber auch die damit verbundenen Herausforderungen. Auf der anderen Seite kann grüner Wasserstoff über die Bergbau-Lkw-Flotte hinaus eine Lösung für viele andere Bereiche der Bergbauaktivitäten sein“.

Es gibt daher auch noch Hürden bei der Anwendung von grünem Wasserstoff im chilenischen Bergbau. Thomas Schulthess, Leiter des Bereichs Business Development der deutschen Firma Sowitec, einem Entwickler von Projekten für grüne Wasserstoffproduktionsanlagen, sieht die Hauptlücke für die Wasserstoffnutzung in der kostengünstigen Speicherung und den Kosten von Brennstoffzellen.

Seitens der chilenischen Bergbauindustrie betonte Vicente Olguin, Ingenieur für technologische Innovation bei Minera Los Pelambres, dass auch Barrieren bezüglich Sicherheit und Vorschriften bewältigt werden müssen:

„Ich glaube, dass die Risikohürde, die mit den hohen Investitionen verbunden ist, die grüne Wasserstoffproduktionsprojekte und die Ausrüstung für ihre Nutzung erfordern, überwunden werden muss“.

Thomas Schulthess weist auch auf ein weiteres Potenzial für die Produktion von grünem Wasserstoff in der Nähe von Abbaustätten hin:

„Neben dem Wasserstoff für die Lastwagen kann der während des Elektrolyseprozesses erzeugte Sauerstoff doppelt so viel genutzt werden wie der Wasserstoff selbst. Dieser Sauerstoff könnte z.B. in der Kupferhütte verwendet werden“.

All dies zeigt, dass die binationale Zusammenarbeit ein großes Potenzial an Synergien bieten kann, um Barrieren im Bereich des grünen Wasserstoffs zu überwinden. Deutschland verfügt über ein großes Know-how in relevanten Bereichen der grünen Wasserstofferzeugung und -verarbeitung. Auf der anderen Seite hat Chile begünstigende Bedingungen für Wasserstoff, sowohl in Bezug auf seine Produktion, den Export als auch die lokale Nutzung.

Prognosetool für einen ansteigenden spezifischen Verbrauch in halbautogenen Mühlen

DIE HERAUSFORDERUNG

Innerhalb des Verkleinerungsprozesses von Kupfererz hat sich vor allem die halbautogene Mahlung als ein relevantes Verfahren herausgestellt, welche eine effiziente Verkürzung der Brech- und Mahlstufen im Vergleich zur konventionellen Mahlung ermöglicht. Gleichzeitig weisen halbautogene betriebene Mühlen innerhalb der verschiedenen Bergbauprozesse einen der höchsten Werte für ihren elektrischen Energiekonsum auf. Daher ist es unabdingbar, ihren Betrieb energieeffizient zu optimieren. Ein effizienter Einsatz von halbautogenen Mühlen hängt von der adäquaten Kenntnis und Verwaltung von Kontrollvariablen ab, wie z.B. dem Leistungsfluss und der Leistungsdichte, der Mahlfeinheit und Härte des Materials, der Kugelbelastung und der Rotationsgeschwindigkeit, etc.

Diese Variablen beeinflussen die Produktion und das Betriebspotenzial der Mühlen, was wiederum auf direktem Wege den spezifischen Energieverbrauch (SEV) bestimmt, ein Indikator für Betriebseffizienz. Die große Bandbreite von existierenden Variablen, welche den SEV einer Mahlanlage beeinflussen können, erschwert eine Feststellung darüber, ob gewisse Tendenzen spezifischer Variablen den Anstieg des SEV über einen als angemessen erachteten Grenzwert hinaus beeinflussen könnten oder nicht. Wenn der SEV in Echtzeit berechnet wird, ist es nur dann möglich, auf eine kritische Erhöhung dessen Wertes zu reagieren, wenn der ineffiziente Betriebszustand bereits eingetreten ist, das heißt, wenn Zeit und Energie für einen normalen Leistungszustand verloren gehen.

VORGESCHLAGENE LÖSUNG

Um das Eintreffen von Situationen mit einem spezifische Energieverbrauch der halbautogenen Mühlen über einer gewissen Grenze oder Ziel zu vermeiden, ist es notwendig, ein System zur Vorhersage des Verhaltens des SEV unter Berücksichtigung der Betriebskonditionen der Mühle zu entwickeln. Dies bedarf einer korrekten Modellierung der komplexen Interaktion zwischen den einzelnen Betriebsvariablen und ihrer jeweiligen Effekte auf den SEV. Für diese Aufgabe erscheint es uns als angemessen, einen Modellierungsansatz unter Verwendung von Techniken des maschinellen Lernens (Machine Learning) zu berücksichtigen.

Techniken des „Machine Learning“ erzielen jedes Mal bessere Ergebnisse in der Modellierung industrieller Prozesse. Diese Techniken ermöglichen eine Abstraktion für eine einfachere Modellierung komplexer Prozesse, wenn diese anhand klassischer Methodik nur schwer zu analysieren sind oder wenn es keine theoretischen oder analytischen Modelle gibt, um eine adäquate Erklärung des Verhaltens eines Phänomens eines solchen Prozesses zu ermöglichen. So wie dies bei der Modellierung des spezifischen Energieverbrauchs der halbautogenen Mühlen der Fall ist.

JHG ist ein Unternehmen mit 35 Jahren spezifischer Erfahrung in der Diagnostik und Optimierung von thermoenergetischen Prozessen, das seine Kunden bei der Optimierung ihres Betriebs sowie bei der Erfüllung von normativen Anforderungen innerhalb der chilenischen Industrie und des Bergbaus unterstützt.

Das Unternehmen agiert aus dem Kontext heraus, durch Mittel der Energieoptimierung in Bergbauprozessen, komplementiert durch innovative Werkzeuge zur Produktivitätserhöhung, stets für die Entwicklung eines nachhaltigeren Bergbaus beitragen zu wollen. JHG entwickelte daher ein Verwaltungstool für einen energieeffizienten Betrieb von halbautogenen Mühlen mittels Machine Learning-Techniken.

DIE FALLSTUDIE

Unter der Anwendung von Machine Learning-Techniken entwickelte JHG ein mathematisches Modell, welches fähig ist, die Ereignisse eines erhöhten spezifischen Energieverbrauchs einer halbautogenen Mühle minutenschnell vorherzusagen. Dieses Modell generiert eine Warnung, bevor ein Phänomen eintritt. Dies ermöglicht dem Betreiber, rechtzeitig Maßnahmen zu ergreifen und Kontrollsysteme anzupassen, um einen Anstieg des Energieverbrauchs zu vermeiden.

In dieser Fallstudie wurde anhand der Realdaten des Betriebs einer halbautogenen Mühle von 7 MWe ein Modell zur Vorhersage des SEV erstellt. Insgesamt standen Betriebsdaten der Mühle für 32 Tage zu je einer Minute zur Verfügung, von denen die ersten 25 Tage für das Training des Modells genutzt wurden und 7 Tage als Validierungsdaten vorgesehen wurden. Die Validierungsdaten werden nie in das Modell eingegeben, welches eine Ermittlung der reellen Kapazität ermöglicht, um das gewünschte Phänomen zu erfassen und nicht in „Overfitting“ zu geraten.

Die in diesem Fall verwendeten Leistungskennzahlen entsprechen:

  • Recall: Anzahl der gut antizipierten Ereignisse aus der Gesamtzahl der tatsächlichen Ereignisse
  • Genauigkeit: Anzahl der gut vorhergesagten Ereignisse im Verhältnis zur Gesamtzahl der gemachten Vorhersagen.

ERGEBNISSE

In den Validierungsdaten über einen Zeitraum von 7 Tagen ergab sich das reelle Ereignis eines spezifisch hohen Konsums insgesamt 29 Mal. In diesem Szenarium war es unter Anwendung des Algorithmus möglich, 24 Ereignisse korrekt zu erfassen. Dies ergibt eine Recall-Quote von 83 %. Auf der anderen Seite hat das Modell insgesamt 33 Warnungen ausgelöst, von denen nur 9 falsch waren, was eine Trefferquote / Genauigkeit von 73% ergibt.  Das Modell sagt Ereignisse mit hohem spezifischem Konsum im Durchschnitt 5 Minuten im Voraus (zwischen 2 und 15 Minuten) korrekt voraus. Die folgende Darstellung zeigt einen Auszug aus diesen Prognosen des Modells, im Vergleich zu den reellen Daten des spezifisch hohen Konsums der Mühle.

Die korrekt vorhergesagten Ereignisse des spezifischen Konsums können durch den Betreiber vermieden werden. Es ist daher möglich, die potenziellen Einsparungen zu bestimmen, die durch die Einführung dieses Instruments erzielt werden können. Die Ergebnisse dieser 7 Tage der Validierung und ihre Jahresprojektion können der folgenden Tabelle entnommen werden:

  7 Tage der Validierung Jahresprojektion
Gebrauchte Energie der Mühle [MWh] 989 51.443
Energie der Ereignisse mit hohem SEV [MWh] (1) 16,1 (1,63%) 837,2
Energie vorhergesagter Ereignisse  [MWh] (2) 15,7 (1,59%) 816,4
Ersparnis pro vorhergesagtem Ereignis 1.256 65.312 (3)
  • Verlorengegangene gesammelte Energie aller Ereignisse mit hohem spezifischen Verbrauch der Mühle.
  • Ersparte gesammelte Energie bei einer Vermeidung der vorausgesagten Ereignisse mit hohem spezifischem Verbrauch der Mühle.
  • Geschätzte jährliche Einsparungen durch die Vermeidung von Ereignissen mit hohem spezifischem Verbrauch. Ein monomischer Strompreis von 80 [USD/MWh] wird in Betracht gezogen.

SCHLUSSFOLGERUNG

Die Modellergebnisse, die anhand realer Produktionsdaten aus einer halbautogenen Mühle ausgewertet wurden, erreichen eine korrekte Vorhersage von 83 % der Phänomene mit hohem spezifischem Verbrauch. Der Einsatz dieser Methodik in der Produktion hätte die Früherkennung dieser Ereignisse mit hohem spezifischem Verbrauch ermöglicht, was bei Vermeidung dieser Ereignisse eine prognostizierte jährliche Einsparung von 2% der elektrischen Energie bedeutet hätte, was mehr als 65 Tausend Dollar entspricht.

Die von JHG verwendeten Methoden des Machine Learning können auf jeden anderen Prozess angewandt werden, bei dem eine ausreichende Datenmenge zur Verfügung steht, nicht nur im Energiebereich, sondern auch in anderen Ansätzen. Als Beispiele können die Vorhersage von anomalem Verhalten oder Ausfällen, die Simulation der Reaktion eines komplexen Prozesses auf Variationen seiner Inputs sowie die Ausbildung von Personal mit Hilfe simulierter Prozesse genannt werden.

*Von Unternehmen eingereichte Beiträge liegen in deren alleiniger Verantwortung und spiegeln nicht unbedingt die Position der AHK Chile wider.

Spektralanalyse der Wirkungsgrade von Industriekesseln

Das Unternehmen GASCO wurde 1856 gegründet und war über diesen Zeitraum hinweg einflussgebender Akteur für viele Erneuerungen in der chilenischen Energieindustrie. Von lang zurückliegenden Zeiten der gasbetriebenen Straßenbeleuchtung bis zur Einführung von Erdgas und Flüssiggas. Aktuell beteiligt sich das Unternehmen aktiv in der chilenischen Industrie in Form von Design und Einführung von integrierten Energielösungen: effizient, sicher, sauber und rentabel. GASCO ist daher ein wichtiger Player innerhalb des Transformationsprozesses der chilenischen Energiematriz. Vorheriges basiert auch auf der permanenten Suche und Anpassung von Technologien, um Industrieprozesse zu optimieren und auch im Sinne der Kunden nachhaltiger zu gestalten. Die Spektralanalyse der Wirkungsgrade von Industriekesseln ist eines von vielen Beispielen, wie GASCO zu einem nachhaltigeren und effizienten Bergbau beitragen möchte.

SPEKTRALANALYSE DER WIRKUNGSGRADE VON INDUSTRIEKESSELN

Ohne Zweifel ist innerhalb des thermischen Raum-Energiemanagements die effiziente Gestaltung von Industriekesseln eine Schlüsselkomponente. Normalerweise zielt der Begriff darauf ab, in einem bestimmten Zeitraum relativ einfache Messungen der in den Kessel eintretenden Wassermenge (q_Wasser) und der Temperatur, die dieser hat ( T°_Wasser), durchzuführen und auf der anderen Seite den Brennstoffverbrauch des Kesselbrenners (Q_Brennstoff) zu messen. Dabei wird das Wasser in Dampf umgewandelt.

Mit diesen Messungen, addiert zu der Enthalpie des Wassers ( h_Enthalpie ) und dem Heizwert
( PCi _Brennstoff ), wird dann eine Berechnung wie die folgende durchgeführt:

Bedauerlicherweise nimmt man üblicherweise an, dass der Wasserverbrauch in Bezug auf gesättigtem Dampf ähnlich hoch ist wie der vom Kessel erzeugte, wenn man z.B. Kesselabschlämmungen und andere Verluste außer Acht lässt.  Dies liegt an den Kosten für die direkte Messung des Dampfes am Auslass der Anlage.

Daraus ergibt sich eine Reihe von Daten, welche schließlich ein mögliches „Bild“ über den Wirkungsgrad eines Kessels bieten, welcher normalerweise bei etwa 85 % und bei sehr guten Kesseln bei über 90 % liegt. All dies ist für die Menschen, die diese Anlagen zu verwalten haben, nichts Neues. Es muss jedoch auch festgestellt werden, in welchem Verhältnis dieser Wirkungsgrad zu den Variablen steht, die diese Zahl über lange Produktionszeiträume hinweg variieren lassen. Was man bei dieser Betrachtungsweise schließlich erhält, ist ein Profil oder eine Kurve des Wirkungsgrades des Kessels, welches beispielsweise so aussehen könnte:

Schließlich wird ein Datensatz im Zeitbereich dargestellt, mit der Aussage, dass eine unbekannte Funktion die Form dieser Kurve bestimmt. Dieser könnte mit jenen verschiedener Zeiträume verglichen werden. Dadurch könnte zum Beispiel eine Reihe sehr nützlicher Statistiken über den Wirkungsgrad oder vielleicht die Reihenfolge in Perzentilen erhalten werden. Dies würde ermöglichen durch Intervalle herauszufinden, wie oft ein bestimmter Wirkungsgrad erzeugt wird.

FOURIER-REIHEN

Es scheint eine Grundform des Wirkungsgrades zu geben, wenn alle Betriebsvariablen in einer gut bestimmten Weise korrekt synchronisiert sind, der Wirkungsgrad einen Basiswert annimmt und der Rest nur die Summe kleiner Änderungen ist.

Eine Methodik, welche möglicherweise helfen kann, diese abzuschätzen, ist das „Transformieren“ unserer Funktion in einen anderen Bereich, zum Beispiel den Frequenzbereich.

Wenn wir das von dem französischen Mathematiker Jean-Baptiste Fourier ausgearbeitete Konzept verwenden, bei dem jede Funktion auf gewöhnliche Art und Weise aus einer unendlichen Summe von trigonometrischen Funktionen konstruiert werden kann, sind wir in der Lage, die gleiche Funktion des Wirkungsgrades neu zu konfigurieren, jedoch im gewöhnlichen Bereich seiner Frequenzen.

Das zuvor Beschriebene ist eine mögliche Hilfe, das Profil eines Wirkungsgrades zu verstehen. Diese Grundfrequenz ist aus mechanischer Sicht zusammen mit einer Reihe von anderen Oberwellen der Basis-Wirkungsgradwert und beschreibt in seiner Gesamtsumme die Energieleistung eines Kessels.

Tatsächlich kann dieses Frequenzprofil aus einer Zeitperiode mit einem anderen Profil aus einer anderen Periode verglichen werden. Somit können wir verstehen, ob der Wirkungsgradfunktion neue Oberwellen hinzugefügt wurden und welche diese spezifisch sein könnten – Bedingung ist eine adäquate Sensorisierung aller am Dampfproduktionsbetrieb beteiligten Variablen.

Um interessanterweise festzustellen, welche Betriebsvariablen sich auf den Wirkungsgrad auswirken, müssen wir verstehen, wie oft und in welchem Zeitrahmen dies geschieht. Leider ist es nicht möglich, beides gleichzeitig zu analysieren, da ein Hochfrequenzsignal eine kurze Lesezeit benötigt, ein Niederfrequenzsignal hingegen eine längere Lesezeit.

Genau diese Themen stehen bei GASCO im Fokus. Das Unternehmen sucht stets den Weg hin zu mehr Effizienz, beispielsweise indem ein komplexer und reichhaltiger Datensatz einfacher und verständlicher dargestellt wird. Dadurch wird auch das Energiemanagement handlicher und produktiver.

*Von Unternehmen eingereichte Beiträge liegen in deren alleiniger Verantwortung und spiegeln nicht unbedingt die Position der AHK Chile wider.