DERIEL (De-risking Elektrolyseur) bildet das Bindeglied zwischen den beiden Aspekten der Serienproduktion von Wasserelektrolyseuren und der Anwendung in Serie produzierter Wasserelektrolyseure im industriellen Umfeld. Voraussetzung für eine zuverlässige Serienproduktion und einen reibungsarmen Markthochlauf ist ein grundlegendes Verständnis der Degradations-, Fehler- und Schnittstellenmechanismen auf allen technischen und ökonomischen Ebenen. In DERIEL wird die technische Ebene grundlegend bezogen auf den Betrieb des Elektrolyseurs bis zur Einzelmodulgröße auf einer Skala von 0.75 – 1 MW untersucht. Dabei werden alle Komponenten des Elektrolyseurs beginnend von den Elektrokatalysatoren, über Membranelektrodeneinheit (MEA – Membrane Elektrode Assembly), Zelle, Zellstapel bis hin zur elektrolyseurspezifischen Verfahrenstechnik betrachtet. Ein ergänzendes Projekt zur Nutzung der Ergebnisse entlang einer ganzen Wertschöpfungskette (Strom zu Kerosin, Gesamtelektrolyseurgröße 8 MW) befindet sich in Planung (DERIVA – De-risiking Value Chain). Die Skalierung des Elektrolyseurs in die Anwendung erfolgt ausschließlich durch Parallelisierung von Einzelmodulen mit angepasster Gesamtverfahrenstechnik (8 Stück). Diese Art der Qualifizierung wird allgemein im industriellen Bereich als De-risking bezeichnet. Im Automobilbau werden derartige Vorserienmodelle Erlkönige genannt, die sich vor allem durch eine umfassende Sensorausstattung auszeichnen.

Das OFFIS entwickelt zusammen mit den Partnern den einen Digital Twin, der datengetriebene Modelle mit physiko-chemischen Modellen verzahnt um das Verhalten des DERIEL-Teststands bestmöglich abzubilden. Die Funktionen des Twins umfassen dabei eine Prozessanalyse/-diagnose und eine Alterungsmodellierung. Der Fokus von OFFIS liegt auf den folgenden Themen: erstens auf einem Vergleich von Architekturkonzepten für den Aufbau des Twins (insbesondere die Kopplung der unterschiedlichen Modellarten), zweitens auf der datengetriebenen Entwicklung von Teilmodellen für den Twin (z.B. in Bezug auf die Alterung), drittens auf Konzepten zur echtzeitfähigen Modellauswahl zwischen datengetriebener und physiko-chemische Modellierung, viertens auf dem Vergleich konventioneller Ansätze wie dem Lernen von Parametern für das physiko-chemische Modell mit Ansätzen aus dem Bereich des maschinellen Lernens und fünftens auf Simulationen zur Identifizierung relevanter Parametersätze in Unterscheidung von Initial-/Auslegungsphase, Produktion und Operation.

• Wasserstoffelektrolyse
• Digitaler Zwilling