Auf dem ISOC 2026 in Kyoto, Japan, stellen wir ein neues Verfahren für das KI-Spray-Monitoring von Kohlepartikeln in Tropfen eines Slurry-Sprays vor. Das Verfahren kombiniert optische Spray-Messung, kontinuierliche Lichtstreusignale und ParticleTensorAI®. Dadurch lassen sich partikelbeladene Tropfen in komplexen Sprayprozessen analysieren.
Ein Slurry-Spray ist ein anspruchsvolles Mehrphasensystem. Es enthält Flüssigkeitstropfen und Feststoffpartikel. Beide Komponenten beeinflussen das optische Signal, das Sprayverhalten und die Prozessstabilität. Daher liefert die klassische Tropfenmessung allein oft nicht genügend Informationen.
Aus diesem Grund bietet KI-Spray-Monitoring einen wichtigen Vorteil: Es kann zusätzliche Materialinformationen aus komplexen Lichtstreusignalen gewinnen. Zudem unterstützt es die Echtzeitanalyse partikelbeladener Sprays.
https://publikationen.bibliothek.kit.edu/1000196272
ParticleTensorAI® für die Analyse von Slurry-Sprays
ParticleTensorAI® wandelt kontinuierliche Detektorsignale in tensorbasierte Datenformate um. In dieser Studie bilden die Detektorsignale bildähnliche Darstellungen. So können verschiedene Detektorkanäle beispielsweise RGB-Bilder erzeugen, wobei jeder Farbkanal einen optischen Signalstrom repräsentiert.
Diese ParticleTensorAI®-Darstellungen enthalten Informationen über die Größe und Massenkonzentration der Kohlepartikel in den Tropfen des Slurry-Sprays. Convolutional Neural Networks analysieren diese Daten. Anschließend klassifiziert das KI-Modell unterschiedliche Materialzustände.
Optische Messung und KI-Spray-Monitoring
Das Messsystem erfasst kontinuierliche Lichtstreusignale von Tropfen. Diese Tropfen durchqueren einen geformten Lichtstrahl. Vier optische Detektoren erfassen das Streulicht unter verschiedenen Winkeln.
Auf diese Weise erzeugt das System synchronisierte Signalströme. Diese Signale beschreiben die Tropfenströmung und partikelbezogene Eigenschaften. So erweitert KI-Spray-Monitoring die klassische optische Spraydiagnostik.
Das Verfahren ermöglicht zudem eine triggerfreie Auswertung von Lichtstreudaten. Es bewahrt daher mehr Information aus dem kontinuierlichen Signalstrom als viele klassische Ansätze.
Anwendungspotenzial für Slurry-Sprayprozesse
Dieses Verfahren eröffnet neue Möglichkeiten für das Monitoring von Slurry-Sprays, die Partikelcharakterisierung, die Spray-Messtechnik und die industrielle Prozessdiagnostik. Obwohl sich die Studie auf ein Slurry-Spray aus Kohle und Monoethylenglykol konzentriert, lässt sich das Konzept auch auf andere partikelbeladene Flüssigkeitssprays übertragen.
Die Arbeit zeigt, wie optische Messtechnik und künstliche Intelligenz zusammenwirken können. Darüber hinaus demonstriert sie, wie ParticleTensorAI® prozessrelevante Informationen in Echtzeit aus komplexen Lichtstreusignalen gewinnen kann.
AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray
Abstract: Wir stellen ein neuartiges Verfahren zur Charakterisierung der mittleren Größe und der Massenkonzentration von Kohlepartikeln in Tropfen eines Slurry-Sprays aus Kohle und Monoethylenglykol vor. Das Verfahren beruht auf der Analyse kontinuierlicher Lichtstreusignale einzelner Tropfen, die mit einem geformten Lichtstrahl wechselwirken. Der Versuchsaufbau verwendet vier Detektoren, die das Streulicht unter verschiedenen Winkeln erfassen und so vier separate Datenströme der Tropfenströmung erzeugen. Diese Signale werden in Particle-Tensor-AI-(PTA-)Darstellungen überführt, die in verschiedenen Formaten aufgebaut werden können. In dieser Arbeit wird ein Format umgesetzt, bei dem die Detektorsignale auf RGB-Bilder abgebildet werden, wobei jeder Farbkanal einen bestimmten Detektor repräsentiert. Die PTAs, gelabelt mit der mittleren Kohlepartikelgröße und der Massenkonzentration, werden zum Training von Convolutional Neural Networks (CNNs) für Klassifikationsaufgaben verwendet. Untersucht wurden verschiedene Detektorkombinationen, Downsampling-Strategien und Materialzustände. Validierungsexperimente belegten die grundsätzliche Machbarkeit mit Vorhersagegenauigkeiten von bis zu 95%. Dieser Ansatz ermöglicht eine triggerfreie, informationserhaltende Analyse von Lichtstreudaten und bietet großes Potenzial für eine fortgeschrittene Diagnostik – nicht nur in Sprays aus Kohle und Monoethylenglykol, sondern auch in anderen Tropfen- und Partikelströmungen.
