Im maritimen Verkehrssektor kommen zunehmend erneuerbare Kraftstoffe zum Einsatz. Diese Entwicklung trägt zur Reduzierung von CO₂- und Schadstoffemissionen bei und fördert somit die nachhaltige Transformation der Schifffahrt hin zu einem klimafreundlicheren Verkehrssystem. Zur Unterstützung dieser Umstellung sind Motorentechnologien erforderlich, die auf die neuen Kraftstoffe abgestimmt sind, sowie präzise und rückverfolgbare Messsysteme, mit denen sich Fortschritte nachweisen und Leistungen validieren lassen. In dem Projekt „MaritimeMET“ wird zur qualitativeren Bewertung dieser neuen Kraftstoffe an der Erforschung eben dieser verbesserten Messsystemen gearbeitet. Unter der Leitung der Physikalisch-Technischen Bundesanstalt (PTB) forschen die siebzehn Projektpartner neben der neuen Messsysteme auch an optimierten Simulationsmodellen. Diese Modelle dienen der detaillierten Beschreibung des Emissionsverhaltens und des Brennverlaufs von Verbrennungsmotoren beim Betrieb mit alternativen Kraftstoffen.
Die Schifffahrtsbranche muss zur Erreichung der neuen Emissionsziele der Internationalen Seeschifffahrts-Organisation (IMO) bis 2030 emissionsarme oder -freie Treibstoffe wie regenerativ erzeugtes Methanol, Dimethylether und Ammoniak einsetzen. Dafür sind zuverlässige und rückverfolgbare Emissionsmessungen erforderlich. Bestehende Mess- und Kalibrierverfahren stoßen hierbei an ihre Grenzen, insbesondere hinsichtlich Genauigkeit, Betriebsbedingungen und der Verfügbarkeit geeigneter Standards. Zur Unterstützung von Forschung und Wirtschafft werden neue, präzise Sensoriklösungen und Messdaten für Machine-Learning-Modelle benötigt, um Unsicherheiten zu verringern und kosteneffiziente Überwachungskonzepte zu ermöglichen.
Das Projekt hat das Ziel, die Emissionskontrolle durch rückverfolgbare Messungen und maschinelles Lernen nachhaltig zu verbessern. Das Institut für Verbrennungskraftmaschinen und Brennstoffzellen entwickelt dafür ein Numerisches Vorhersagemodell für einen mit Methanol und Diesel betriebenen Dual-Fuel Motor. Das Modell wird anschließend anhand der an einem Motorprüfstand ermittelten Messdaten kalibriert und insbesondere rechenaufwendigen Bereiche durch maschinelles Lernen vereinfacht. Durch das Simulationsmodell können dann schwer zu messenden Größen abgeschätzt oder kostspielige Sensoren ersetzt werden.