Das Speichern von thermischer Energie im Haushalt über lange Zeiträume ist wichtig, um den Energieverbrauch zu optimieren und Heizkosten zu senken. Poröse Materialien wie Zeolithe und metallorganische Gerüstverbindungen (MOFs) können als effiziente Speichermedien dienen.

Zeolithe und MOFs sind besondere Materialien mit vielen kleinen Löchern und einer großen Oberfläche – der Fachbegriff lautet: poröse kristalline Materialien. Sie können eine große Menge an Wasser oder anderen Stoffen aufnehmen und speichern. Dabei entsteht Wärme, die im Winter zum Heizen verwendet werden kann. Im Sommer kann die Energie der Sonne genutzt werden, um die Materialien zu erwärmen und das gespeicherte Wasser wieder freizusetzen.

Mit Simulationen geht's schneller und besser

Um eine optimale Wärmeaufnahme und -abgabe zu erreichen, müssen passende Zeolithe oder MOFs ausgewählt werden. Computer-Simulationen können dabei helfen, das Verhalten dieser Materialien vorherzusagen und die vielversprechendsten Kandidaten für die Herstellung im Labor auszuwählen.

Die Auswahl der Materialien muss aber auch die Bedingungen des Ein- und Ausspeicherungsprozesses berücksichtigen, wie z. B. die gewünschten Temperaturen. Andere Aspekte wie die Stabilität und Lebensdauer der Materialien müssen ebenfalls frühzeitig in die Planung einbezogen werden.

Ganz schön viele Faktoren und ganz schön kniffelig!

Probier es doch mal selbst an unserem Spielautomaten aus. Schaffst du es, die Computer-Simulation zu schlagen?

Wahrscheinlich nicht, denn ohne Computer-Simulationen wäre es nicht möglich, dieses komplexe Optimierungsproblem zu lösen. Man kann die Simulation in verschiedene Teilaufgaben unterteilen: Z. B. kann das Verhalten der Materialien vorab berechnet werden. Die Prozesssimulation nutzt dann diese Daten. Eine gleichzeitige Verbesserung von Material und Prozess ist ebenfalls möglich, erfordert aber sehr effiziente und genaue Methoden. Die Entwicklung solcher Methoden treiben wir im Exzellenzcluster „Daten-integrierte Simulationswissenschaft“ voran.

Der Einsatz von computergestützten Methoden und Simulationen erlaubt ein virtuelles Design von Materialien mit spezifischen Eigenschaften, z. B. für den Einsatz in Batterien oder für die Energiespeicherung. Im Gegensatz zum traditionellen empirischen Ansatz, bei dem Materialien experimentell hergestellt und getestet werden, kann durch das virtuelle Materialdesign der Entwicklungsprozess beschleunigt werden.

Dies erfordert ein skalenübergreifendes Verständnis der physikalischen Vorgänge. Skalenübergreifend bedeutet, dass die Analyse auf mehreren Längen- und Zeitskalen erfolgt: von der atomaren Ebene über die Mikrostrukturebene bis hin zu makroskopischen Dimensionen. Die verschiedenen Ebenen liefern unterschiedliche Informationen, die in geeigneter Weise kombiniert werden müssen. Im Folgenden stellen wir zwei Beispiele für das datenintegrierte und skalenübergreifende Design von Materialien vor.

Beispiel 1: Ein molekularer Ansatz für die Optimierung von Adsorbentien

Bei der Materialauswahl für Adsorbentien in Adsorptionswärmepumpen spielt das Adsorptionsverhalten eine wichtige Rolle. Das Adsorbens kann gasförmige oder flüssige Stoffe an seiner Oberfläche anlagern und dadurch Wärme freisetzen.

Die Wärme und die aufnehmbare Stoffmenge hängen von den molekularen Wechselwirkungen zwischen dem Feststoff und dem Fluid ab. Mithilfe von molekularen Simulationen können Adsorptionsisothermen berechnet werden, die den Zusammenhang zwischen adsorbierter Stoffmenge und äußerem Druck beschreiben.

Aufgrund der Rechenintensität werden sogenannte Surrogat-Modelle entwickelt, die eine vereinfachte Beschreibung des Fluids durch eine thermodynamische Zustandsgleichung nutzen. Die klassische Dichtefunktionaltheorie ermöglicht eine effizientere Berechnung der Adsorptionsisothermen. Dadurch kann das Feststoffmaterial optimiert werden, indem verschiedene Freiheitsgrade wie geometrische oder chemische Eigenschaften im Hinblick auf die gewünschte Adsorptionswärme betrachtet werden. Aktuelle Forschungsfragen befassen sich mit der Entwicklung solcher Surrogatmodelle und der effizienten numerischen Lösung der mathematischen Gleichungen.

Beispiel 2: Daten-integrierte Multi-Skalen-Simulation von Lithium-Batterien

Um die Betriebssicherheit und die Leistung von Lithium-basierten Batterien zu verbessern, wird intensiv an sogenannten All-Solid-State-Batterien geforscht. Anders als herkömmliche Batterien enthalten diese Zellen kein flüssiges Elektrolyt, was Brandgefahren extrem reduziert. Stattdessen bewegen sich Lithium-Ionen beim Laden und Entladen durch ein kristallines Gefüge. Die Unterschiede in der Diffusion innerhalb der Kristalle sowie an den Grenzen zwischen den nur µm (1 µm = 0,001 mm) großen Kristallen beeinflussen das Lade- und Entladeverhalten. Die Forschung konzentriert sich auf den Lithium-Transport an den Korngrenzen. Dazu werden komplexe und zeitaufwendige Simulationen auf atomistischer Ebene durchgeführt, deren Ergebnisse in maschinellem Lernen verwendet werden, um größere Atomkonfigurationen und Zeitschritte zu untersuchen. Mit den wenigen verfügbaren Daten von der atomistischen/molekularen Ebene werden dann datenintegrierte Materialmodelle entwickelt. Gleichzeitig wird eine spezielle Modellierung vorgenommen, die auch den Lithium-Transport entlang der Korngrenzen berücksichtigt. Diese Modelle ermöglichen es schließlich, Simulationen auf Zellebene mit fundierten Materialmodellen zu versorgen.

Die Informationen und Daten werden im Projekt kontinuierlich zwischen Zell- und Kristallebene ausgetauscht, um die Qualität der Vorhersagen zu verbessern. Dies geschieht auf allen Längen- und Zeitskalen.