Ein geothermisches Hochtemperatur-Kraftwerk verliert auf unerklärliche Weise Druck. Die Leistung sinkt und die Techniker vermuten innere Verstopfungen. Mithilfe eines digitalen Zwillings, der mit 3D-Scans gespeist wird, wird der Übeltäter identifiziert: ausfallende Silikatkristalle, die den Fluss blockieren. Dieser Artikel beschreibt den technischen Arbeitsablauf zur Diagnose der chemischen Veränderung des Fluids und zur Optimierung der vorausschauenden Wartung.
Arbeitsablauf: Digitalisierung, Simulation und Diagnose 🔧
Der Prozess beginnt mit der Erfassung der inneren Geometrie der Leitungen und Ventile mittels eines Leica Cyclone-Laserscanners, wodurch eine hochpräzise Punktwolke erzeugt wird. Diese Punktwolke wird in CloudCompare zur Ausrichtung, Rauschbereinigung und Segmentierung der kritischen Bereiche, in denen Ablagerungen vermutet werden, importiert. Anschließend wird das bereinigte geometrische Modell an Ansys Fluent übertragen, um numerische Strömungssimulationen (CFD) durchzuführen. Hier wird das geothermische Fluid mit seinen realen thermochemischen Eigenschaften modelliert. Die Simulation zeigt Bereiche mit niedriger Geschwindigkeit und hoher Temperatur, in denen Silikat zur Keimbildung und zum Wachstum neigt, und korreliert den Druckverlust mit der kristallinen Verstopfung. Der digitale Zwilling wird mit diesen Daten aktualisiert, was die Vorhersage der Ablagerungsentwicklung und die Planung lokalisierter Reinigungseingriffe ermöglicht.
Der Vorhersagewert des virtuellen chemischen Modells ⚗️
Über die Erkennung der Verstopfung hinaus ermöglicht der digitale Zwilling die Bewertung der chemischen Veränderung des Fluids im Laufe der Zeit. Durch die Integration der Scandaten mit der CFD-Simulation kann der Sättigungsindex von Silikat modelliert und kritische Punkte der Ausfällung vorhergesagt werden. Dies verwandelt die reaktive Wartung in eine vorausschauende Strategie, reduziert ungeplante Stillstände und verlängert die Lebensdauer der Komponenten. Die Synergie zwischen Leica Cyclone, CloudCompare und Ansys Fluent zeigt, dass ein digitaler Zwilling nicht nur die Geometrie nachbildet, sondern die Chemie des Prozesses simuliert.
Wie kann ein digitaler Zwilling historische Produktionsdaten und Vorhersagemodelle integrieren, um in Echtzeit zwischen einer Verstopfung durch Silikat und einem mechanischen Defekt einer Tiefpumpe zu unterscheiden?
(PS: Mein digitaler Zwilling ist gerade in einer Besprechung, während ich hier modelliere. Also bin ich technisch gesehen an zwei Orten gleichzeitig.)