Der Verkehrssektor ist seit Jahrhunderten einer der größten Verursacher globaler CO2-Emissionen. Um dieses Problem anzugehen, untersuchen derzeit viele Forschungsgruppen, wie Technologie dazu beitragen kann, Verkehrssysteme nachhaltiger und umweltfreundlicher zu gestalten.
Zu den derzeit vielversprechendsten Technologien gehört die Magnetschwebebahn (Maglev), bei der starke Magnete Züge antreiben, während sie knapp über den Schienen schweben. Durch die nahezu vollständige Beseitigung der Reibung auf den Schienen können Maglev-Züge mit sehr wenig Energieaufwand schnell auf unglaublich hohe Geschwindigkeiten beschleunigen.
Obwohl Maglev-Systeme schon seit einiger Zeit umfassend untersucht werden, ist es für Forscher immer noch schwierig, die von ihren Magneten ausgeübten Kräfte genau zu messen. Diese mangelnde Präzision ist einer der Gründe, warum Maglev herkömmlichere, kohlenstoffintensivere Transportmittel noch nicht ersetzt hat.
Durch Forschung veröffentlicht in Physica C: Supraleitung und ihre Anwendungenein Team unter der Leitung von Erkan Caner Ozkat an der Recep Tayyip Erdogan Universität in Rize, Türkei, zeigt, wie künstliche Intelligenz dazu beitragen kann, die Genauigkeit dieser Kraftmessungen zu verbessern. Ihre Ergebnisse könnten den flächendeckenden Einsatz von Maglev-Systemen der Realität einen Schritt näher bringen und letztlich dazu beitragen, dass der globale Transportsektor seine CO2-Emissionen drastisch senkt.
„Da die Weltbevölkerung und der Energieverbrauch rapide zunehmen, sind energieeffiziente Systeme von großer Bedeutung“, sagt Ozkat. „Supraleitende Magnetschwebebahnen erfüllen diesen Zweck aufgrund ihrer Eigenschaft der reibungslosen Bewegung.“
In Maglev-Systemen bestehen die Magnete aus Hochtemperatur-Supraleitern, die elektrischen Strom selbst bei Umgebungstemperaturen ohne Widerstand übertragen können. Zwei verschiedene Kräfte haben einen besonders starken Einfluss auf ihre Leistung: Während Levitationskräfte Züge vertikal nach oben heben und so ihre Reibung mit den darunter liegenden Gleisen verringern, wirken seitliche Kräfte senkrecht zu den Gleisen und lassen Züge von einer Seite auf die andere schaukeln.
Um eine ausreichende Tragfähigkeit und sichere Bewegung zu gewährleisten, ist es entscheidend, sowohl die Schwebe- als auch die seitliche Führungskraft von Maglev-Systemen zu erhöhen. Bisher haben sich Mehrflächenwechselwirkungen zwischen den Supraleitern und der permanenten Magnetspur als wirksam erwiesen. Bislang erschwerten jedoch mechanische Einschränkungen die experimentelle Messung des Systems.
Ozkats Team untersuchte, wie dies mithilfe künstlicher Intelligenz gelingen könnte. „Uns motivierte die Idee, dass einige der Forschungsherausforderungen im Zusammenhang mit Maglev-Systemen durch maschinelles Lernen überwunden werden können“, erklärt Ozkat.
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, der auf Grundlage früherer Erfahrungen mit realen Daten genaue Vorhersagen über die Eigenschaften von Systemen trifft. Durch ihre Analyse identifizierten die Forscher ein maschinelles Lernmodell, das besonders gut sowohl Kräfte auf Grundlage der Eigenschaften supraleitender Magnete als auch die seitlichen und horizontalen Bewegungen von Magnetschwebebahnen vorhersagen konnte.
Auf der Grundlage dieses Modells entwickelten die Forscher dann einen schrittweisen Prozess zur Beurteilung, wie Maglev-Systeme angepasst werden könnten, um die Schwebekräfte zu maximieren und gleichzeitig die seitlichen Kräfte innerhalb einer bestimmten Toleranz zu halten. „Wir glauben, dass die verallgemeinerbare Methodik, die wir vorgestellt haben, ein Leit- und Problemlösungsinstrument für Forscher ist, die auf diesem Gebiet arbeiten“, sagt Ozkat.
Sie hoffen nun, dass ihr Ansatz dazu beitragen kann, die Effizienz und Leistung echter Maglev-Systeme zu verbessern und sie praktischer und wirtschaftlicher zu machen. Wenn das gelingt, könnte dies dazu beitragen, ihre Einführung in Transportsystemen auf der ganzen Welt zu beschleunigen – und das Ziel der Netto-Null-Kohlenstoffemissionen vielleicht einen Schritt näher an die Realität bringen.
Mehr Informationen:
Erkan Caner Ozkat et al., Maschinelles Lernen getriebene Optimierung und Parameterauswahl von mehrflächigen HTS-Maglevs, Physica C: Supraleitung und ihre Anwendungen (2023). DOI: 10.1016/j.physc.2023.1354430