Temnova Deguy, Diana

Thema

Die Transformation zur klimaneutralen Industrie erfordert hocheffiziente Power-to-Liquid (PtL) Prozesse. Um die "ideale Raffinerie" zu finden, muss eine komplexe Superstruktur; ein Netzwerk aus zahlreichen technologischen Pfaden, mathematisch gelöst werden. Ziel dieser Arbeit ist es, ein bestehendes Python-Tool (MILP) von einer rein technischen Betrachtung zu einer vollumfänglichen Techno-Ökonomischen Analyse (TEA) weiterzuentwickeln.

Aufgaben

Modell-Integration: Einarbeitung in das bestehende Python-Framework und die Pyomo-Modellierung des Netzwerkflussproblems.

Ökonomische Erweiterung: Implementierung von CAPEX- und OPEX-Parametern in die mathematische Zielfunktion.

Algorithmische Anpassung: Erweiterung des MILP-Modells, um Zielkonflikte zwischen Investitionskosten, Betriebskosten und technischen Erträgen (Yield) aufzulösen.

GUI-Update: Anpassung der bestehenden Python-Benutzeroberfläche zur Eingabe ökonomischer Szenarien und Visualisierung der TEA-Ergebnisse.

Sensitivitätsanalyse: Untersuchung der Auswirkungen von volatilen Energiepreisen und Lernkurveneffekten auf die optimale Anlagenkonfiguration.

Herausforderungen

Komplexitätsmanagement: Die mathematische Abbildung der Superstruktur als Netzwerkfluss erfordert ein tiefes Verständnis für die Verknüpfung von binären Entscheidungen (Anlage bauen: ja/nein) und kontinuierlichen Stoffströmen.

Daten-Harmonisierung: Technische Prozessdaten müssen konsistent mit ökonomischen Kostenfunktionen verknüpft werden, um valide Aussagen über die Wirtschaftlichkeit treffen zu können.

Solver-Performance: Sicherstellung einer effizienten Rechenzeit des Modells trotz erhöhter Variablenanzahl durch die ökonomischen Parameter.

Anforderungen

Studium: (Wirtschafts-) Ingenieurwesen, Mathematik, Informatik, Chemieingenieurswesen oder vergleichbar mit Fokus auf Operations Research.

Programmierkenntnisse: Fortgeschrittene Kenntnisse in Python sowie Erfahrung mit Pyomo (oder GAMS/AMPL).

Methodik: Sicherer Umgang mit der Formulierung von MILP-Problemen und Interesse an techno-ökonomischen Fragestellungen.

Soft Skills: Analytische Schärfe, die Fähigkeit, bestehenden Code kritisch zu hinterfragen, und eine strukturierte Arbeitsweise.