TU Darmstadt / ULB / TUprints

Digital Twins for Autonomous Thermal Food Processing

Kannapinn, Maximilian (2023)
Digital Twins for Autonomous Thermal Food Processing.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00024386
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
Dissertation-Maximilian-Kannapinn-Digital-Twin.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (28MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Digital Twins for Autonomous Thermal Food Processing
Language: English
Referees: Schäfer, Prof. Dr. Michael ; Weeger, Prof. Dr. Oliver
Date: 2023
Place of Publication: Darmstadt
Collation: xiii, 161 Seiten
Date of oral examination: 27 June 2023
DOI: 10.26083/tuprints-00024386
Abstract:

Developing sustainable and efficient food processing technologies is paramount to reducing greenhouse gas emissions and food waste. Autonomous food processing technologies, driven by artificial intelligence, offer a promising solution for achieving these goals while maintaining high-quality standards. In this context, digital twins have emerged as a powerful tool to model and optimize complex systems, providing accurate predictions of the system behavior to allow optimization of the process variables live during operation. This work proposes a software framework that combines multi-physical, conjugate simulations and data-driven reduced-order modeling to develop physics-based, data-driven digital twins for autonomous thermal food processing. The framework is independent of the modeling approach and simulation software and aims at the immediate application in the industry.

Physics-based, data-driven digital twins are highly accurate and fast-solving virtual replications of a physical product or process, giving information on the current processing variables that cannot easily or feasibly be measured during operation. Generally, the concept of digital twins stands for a paradigm shift in computational engineering. In past decades, knowledge gained from simulations remained in the hands of highly skilled product and process development experts. Digital twins attempt to provide access to this knowledge even during operation to enable potential process autonomy. This work demonstrates how multi-physical simulation models of realistic size and dimension form the basis for physics-based, data-driven digital twins. To model thermal food processing inside a convection oven, non-isothermal flow and thermal radiation are coupled with mechanistic food processing models in one setup. This approach captures the couplings between the food process variables and the heat transfer mechanisms much better than heat- and mass-transfer-coefficient-based modeling approaches that still dominate within food science.

A challenge for modern-day computational engineering is that computing power does not keep pace with the progressively increasing complexity and computational cost of multi-physical simulation models. So far, real-time simulations of such models are not feasible, especially when the models should be executed on low-end processors. In this work, neural-ODEs, a novel data-driven reduced-order modeling technique, is applied to generate an accurate and fast-solving surrogate of simulation models, which also exhibits low computational cost. The resulting reduced-order models are stored in an encrypted container format to protect the developer’s intellectual property when deployed in the final appliance. The container files are executed at the device level without cluster, edge or cloud computing. For the presented generation of a digital twin for a convection oven, fewer errors are caused by the reduced-order models than by the underlying food processing models. As coupled, multi-physical models of realistic dimensions still require considerable solution times on modern cluster PCs, generating many data sets for data-driven reduced-order modeling is not economically feasible. This work proposes an efficient design of experiments that enables data-driven reduced-order modeling with only one-to-two training data sets. Finally, the performance of fast-solving and highly accurate digital twins is demonstrated within a model predictive control algorithm. The latter autonomously handles two scenarios during thermal food processing in a convection oven.

Alternative Abstract:
Alternative AbstractLanguage

Die Entwicklung nachhaltiger und effizienter Technologien für die Lebensmittelverarbeitung ist von entscheidender Bedeutung für die Reduzierung von Treibhausgasemissionen und Abfällen. Autonome Technologien für die Lebensmittelverarbeitung, die durch künstliche Intelligenz vorangetrieben werden, bieten eine vielversprechende Lösung, um diese Ziele zu erreichen und gleichzeitig hohe Qualitätsstandards zu wahren. In diesem Zusammenhang haben sich digitale Zwillinge als leistungsstarkes Werkzeug zur Modellierung und Optimierung komplexer Systeme erwiesen. Digitale Zwillinge können das zukünftige Systemverhalten genau vorhersagen, um so die Optimierung der Prozessvariablen während des Betriebs zu ermöglichen. In dieser Arbeit wird ein Software-Framework vorgeschlagen, das multiphysikalische, konjugierte Simulationen und datengesteuerte Modellierung reduzierter Ordnung kombiniert, um physikbasierte, datengesteuerte digitale Zwillinge für die autonome thermische Lebensmittelverarbeitung zu entwickeln. Das Framework ist unabhängig vom Modellierungsansatz und der Simulationssoftware und zielt auf unmittelbare Anwendbarkeit in der Industrie ab.

Physikalisch basierte, datengesteuerte digitale Zwillinge sind hochpräzise und schnell lösende virtuelle Replikationen eines physischen Produkts oder Prozesses, die Informationen über die aktuellen Prozessvariablen liefern, welche während des Betriebs nicht einfach oder praktikabel gemessen werden können. Generell steht das Konzept der digitalen Zwillinge für einen Paradigmenwechsel in der Simulationstechnik. In den vergangenen Jahrzehnten blieben die aus Simulationen gewonnenen Erkenntnisse in den Händen von hoch qualifizierten Experten im Bereich der Produkt- und Prozessentwicklung. Digitale Zwillinge versuchen, dieses Wissen auch während des laufenden Betriebs zugänglich zu machen, um Prozessautonomie potenziell zu ermöglichen. Diese Arbeit zeigt, wie multiphysikalische Simulationsmodelle von realistischer Größe und Dimension die Grundlage für physikbasierte, digitale Zwillinge bilden. Um die thermische Verarbeitung von Lebensmitteln in einem Konvektionsofen zu modellieren, werden erzwungene Konvektion und Wärmestrahlung mit mechanistischen Modellen der Lebensmittelverarbeitung in einem Setup gekoppelt. Dieser Ansatz erfasst die Kopplungen zwischen den Prozessvariablen der Lebensmittel und den Mechanismen der Wärmeübertragung viel besser als die auf Wärme- und Stoffübergangskoeffizienten basierenden Modellierungsansätze, die immer noch die Lebensmittelwissenschaft dominieren.

Eine Herausforderung für moderne Computertechnik besteht darin, dass die Rechenleistung nicht mit der zunehmenden Komplexität und dem Rechenaufwand von multiphysikalischen Simulationsmodellen Schritt hält. Bislang sind Echtzeitsimulationen solcher Modelle nicht möglich, insbesondere wenn die Modelle auf Low-End-Prozessoren ausgeführt werden sollen. In dieser Arbeit wird eine neuartige datengetriebene Modellierungstechnik reduzierter Ordnung vom Typ der neuronalen ODE angewandt, um ein genaues und schnelles Ersatzmodell von Simulationsmodellen zu generieren, das zudem einen geringen Rechenaufwand aufweist. Die resultierenden Modelle reduzierter Ordnung werden in einem verschlüsselten Containerformat gespeichert, um das geistige Eigentum des Entwicklers zu schützen, wenn sie auf den Endgeräten ausgeliefert werden. Diese können auf der Geräteebene ohne Cluster-, Edge- oder Cloud-Computing ausgeführt werden. Bei der vorgestellten Entwicklung eines digitalen Zwillings für einen Umluftofen sind die zusätzlichen Fehler, die durch die Modelle reduzierter Ordnung verursacht werden, geringer als die Fehler der zugrunde liegenden Modelle für die Lebensmittelverarbeitung. Da gekoppelte, multiphysikalische Modelle realistischer Dimensionen immer noch beträchtliche Berechnungszeiten auf modernen Cluster-PCs erfordern, ist die Erzeugung vieler Datensätze für die datengesteuerte Modellierung reduzierter Ordnung wirtschaftlich nicht machbar.  In dieser Arbeit wird ein effizientes Design von Experimenten vorgeschlagen, das eine datengetriebene Modellierung reduzierter Ordnung mit nur ein bis zwei Trainingsdatensätzen ermöglicht. Abschließend wird die Leistungsfähigkeit schnell lösender und hochpräziser digitaler Zwillinge in Verbindung mit einem modellprädiktiven Kontrollalgorithmus demonstriert. Letzterer bewältigt autonom zwei Szenarien während der thermischen Lebensmittelverarbeitung in einem Umluftofen.

German
Uncontrolled Keywords: Digital Twin, Neural ODE, Model Predictive Control, System Identification, Design of Experiments, FEM, CFD, Food, Porous Media, Conjugate Heat Transfer, Conjugate Mass Transfer
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-243866
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 16 Department of Mechanical Engineering > Institute of Numerical Methods in Mechanical Engineering (FNB)
Exzellenzinitiative > Graduate Schools > Graduate School of Computational Engineering (CE)
Date Deposited: 10 Aug 2023 07:07
Last Modified: 11 Aug 2023 05:57
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/24386
PPN: 510492983
Export:
Actions (login required)
View Item View Item