Planung optimaler Bioraffinerien unter Berücksichtigung von Standort, Kapazität und Konfiguration mit Hilfe Evolutionärer Algorithmen

– Welche Bioreffinerie sollte wo errichtet werden, damit sie möglichst profitabel betrieben werden kann? –

Die Substitution von fossilen durch erneuerbare Ressourcen ist eine der großen Herausforderungen der Gegenwart. Eine sehr umfassende und vielseitige Nutzung verschiedener Biomassen kann durch Bioraffinerien erreicht werden. Je nach Konfiguration weisen Bioraffinerien ein Produktportfolio auf, das dem fossiler Erdölraffinerien ähnelt. Obwohl die grundlegende Technik der Biomassevergasung mit anschließender Fischer-Tropsch-Synthese bereits seit Anfang des 20. Jahrhunderts zur Verfügung steht, existieren aufgrund mangelnder Wirtschaftlichkeit bis dato keine Umsetzungen im industriellen Maßstab. In diese Arbeit wird daher ein Ansatz entwickelt, um eine Bioraffinerie in Hinblick auf Standort, Kapazität und Konfiguration im stetigen Lösungsraum unter Beachtung des geografischen Anfalls der Biomasse in ökonomischer Hinsicht zu optimieren.

Hauptdatenquelle der Betrachtung ist die Corine Land Cover Erhebung aus dem Jahr 2006. Dieser Datensatz teilt die Bodenbedeckung in der EU in 44 Kategorien ein, von denen 37 in Deutschland existieren. Etwa 15 davon sind relevant für die Bereitstellung von Residualbiomasse, also von Biomasse für die es keine Möglichkeit der anderweitigen, höherwertigen Verwendung gibt. Durch die Zuweisung von Biomasseerträgen zu den verschiedenen Bodenbedeckungskategorien lässt sich die geografische Verteilung von Biomassepotenzialen als Grundlage der Modellierung ermitteln.

Das Optimierungsproblem weist eine hohe Anzahl von Entscheidungsvariablen auf, die in realer und binärer Form vorliegen. Evolutionäre Algorithmen, speziell Evolutionsstrategien, sind geeignete Heuristiken um die optimale, oder in jedem Fall eine sehr gute Lösung zu finden. An die Zielfunktion werden dabei keinerlei formelle Anforderungen wie Konkavität oder Kontinuität gestellt.

Nach der Initialisierung der Heuristik durch zufälliges setzen einer bestimmten Anzahl zulässiger Lösungen werden durch Rekombination und Mutation neue Lösungen erzeugt. Die jeweils besten Lösungen werden ausgewählt und stellen die Eltern für die nächste Generation neuer Lösungen. Über eine große Anzahl von Iterationen konvergieren Standort, Kapazität und Konfiguration im Idealfall auf das Optimum, in jedem Fall aber auf sehr gute Lösungen.