Wann ACCIONA und Siemens Als das Unternehmen 2020 die Entsalzungsanlage Al Khobar 1 in Saudi-Arabien in Betrieb nahm, taten sie etwas, was die Branche noch nie gesehen hatte: Sie ließen die gesamte Startsequenz von Madrid aus über einen digitalen Zwilling laufen, der auf der SIMIT-Simulationsplattform von Siemens aufgebaut war und das gesamte Hydrauliksystem vom Meerwassereinlass bis zum Produktwassertank nachbildete. Da die Ingenieure während COVID-19 nicht reisen konnten, hielt die Simulationsplattform die Anlage zusammen, testete virtuell Steuerprogramme, führte Startsequenzen durch und schulte Bediener, bevor auch nur ein einziger Liter Wasser produziert wurde. Die Anlage erreichte planmäßig ihren ersten Wassermeilenstein und erreichte einen Energieverbrauch von unter 4 kWh/m³.

Auf der anderen Seite der Welt, Der digitale Zwilling von IDE Technologies in der Carlsbad-Entsalzungsanlage in Kalifornien, der größten der westlichen Hemisphäre, verwendet fünf Jahre Betriebsdaten, um Membran-Biofouling auf der Ebene einzelner Elemente zu modellieren, und prognostiziert bis zu 1,5 Millionen US-Dollar an Wartungseinsparungen über fünf Jahre. In Singapur, Die SmartOps-KI-Plattform von Gradiant strebt eine Demonstrationsanlage mit einem Energieverbrauch von weniger als 2 kWh/m³ an, verglichen mit einem Branchen-Richtwert von 3,5 kWh/m³.

Dies sind heute die ausgefeiltesten digitalen Zwillings-Einsätze in der Entsalzung. Keiner von ihnen nutzt Reinforcement Learning (RL). Das wird sich bald ändern.

Was digitale Zwillinge können und was nicht

Die aktuelle Generation digitaler Entsalzungszwillinge arbeitet in drei großen Modi. Das erste ist Ingenieursimulation: eine physikbasierte Nachbildung der Anlage, die für die Inbetriebnahme, Bedienerschulung und Steuerungssystemtests verwendet wird, am Beispiel von ACCIONA Siemens SIMIT-Plattform in Al Khobar 1, das jedes hydraulische System vom Meerwassereinlass bis zum Produktwassertank modelliert. Das zweite ist vorausschauende Überwachung: Modelle des maschinellen Lernens, die auf Betriebsdaten trainiert werden, um das Geräteverhalten vorherzusagen, beginnende Verschmutzungen zu erkennen und Anomalien zu kennzeichnen, bevor sie zu Ausfällen führen. Das Membrandegradationsmodell von IDE in Carlsbad befindet sich hier, ebenso wie die Membranreinigungsvorhersage von Gradiant in der Bedok NEWater Factory von PUB Singapore, einer Wasserwiederverwendungsanlage, in der die KI eine Genauigkeit von 98,1 % bei der Vorhersage erreichte, wann eine Reinigung erforderlich war. Speziell im Bereich der Entsalzung arbeitet Gradiant mit PUB an einer separaten Demonstrationsanlage in Ulu Pandan, die einen Energieverbrauch von unter 2 kWh/m³ anstrebt. Der dritte ist Optimierung: KI-Tools, die Betriebssollwerte empfehlen oder automatisch anpassen, um den Energie- oder Chemikalienverbrauch zu reduzieren. Das ACRRO®-System von ACCIONA nutzt Differentialgleichungsmodelle, um optimale Konfigurationen für Umkehrosmose-Racks zu identifizieren, gepaart mit einem Echtzeit-ML-Tool namens Insight, das Prozessparameter kontinuierlich anpasst und zusammen ein sogenanntes Dual-Modell-Optimierungssystem bildet, das in einer Anlage in Katar eingesetzt wird. Gradiant-Algorithmenabgeleitet aus der Übernahme des kanadischen ML-Startups Synauta im Jahr 2022, liefert Sollwertempfehlungen für Betreiber in Anlagen von ENGIE, PUB Singapore und anderen; In einer großen SWRO-Anlage im Nahen Osten erzielten sie bis zu 5 % Energieeinsparungen, die durch das ISO IPMVP®-Messprotokoll bestätigt wurden, wobei die Einsparungen bei kleineren Anlagen in Australien 18 % erreichten.