Beschreibung
Die mit dem Aufbau einer regionalen Wasserstoffwirtschaft verbundenen wissenschaftlichen Fragestellungen sind von hoher Komplexität und zeichnen sich durch ein stark ausgeprägtes multiphysikalisches Verhalten aus. Turbulente Strömungsphänomene, Phasenübergänge, Wärmeübertragung sowie elektrochemische Reaktionen wirken auf unterschiedlichen räumlichen und zeitlichen Skalen zusammen und erfordern ein tiefgehendes Verständnis ihrer transienten Dynamik. Eine rein experimentelle Herangehensweise stößt dabei schnell an ihre methodischen und praktischen Grenzen, insbesondere hinsichtlich räumlicher und zeitlicher Auflösung, Kosten und Skalierbarkeit. Zur belastbaren Analyse dieser komplexen Zusammenhänge und zur Entwicklung praxisorientierter Lösungen ist der Einsatz numerischer Simulationsverfahren heute unverzichtbar. Diese Methoden erfordern jedoch erhebliche Rechenleistung und stellen höchste Anforderungen an die Datenverarbeitung. Der beantragte GPU-Rechencluster stellt eine leistungsfähige Forschungsinfrastruktur dar, die als zentrale Entwicklungsplattform dient und es den Antragstellenden ermöglicht, praxisorientierte Lösungen entlang der gesamten Wasserstoffwertschöpfungskette gezielt voranzutreiben. Im Mittelpunkt stehen dabei Schlüsseltechnologien einer nachhaltigen Energieversorgung, insbesondere die elektrochemische Wasserspaltung mittels Nieder- und Hochtemperatur-Elektrolyse (NTE, HTE), die Erzeugung von Prozessdampf aus nicht-frischwasserbasierten Quellen sowie innovative Konzepte zur zentralen und dezentralen Energiespeicherung. Die Jade Hochschule erkennt zudem das transformative Potenzial künstlicher Intelligenz (KI) für Lehre, Studium und Forschung an und hat sich im Rahmen ihrer KI-Strategie das Ziel gesetzt, KI-Technologien verantwortungsvoll, nachhaltig, ethisch reflektiert und zukunftsorientiert in allen hochschulischen Forschungsfeldern zu etablieren. Der geplante GPU-Cluster unterstützt dieses Ziel unmittelbar: Er ermöglicht nicht nur den Einsatz KI-basierter Analyse- und Prognoseverfahren in der Forschung und Lehre, sondern schafft auch die technische Grundlage für das Training datengetriebener Modelle auf Basis umfangreicher Simulations- und Experimentaldaten.