h1

h2

h3

h4

h5
h6
http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Inverse deep learning raytracing for scalable heliostat surface prediction = Inverses Deep Learning Raytracing für skalierbare Heliostatoberflächenprognose



Verantwortlichkeitsangabevorgelegt von Jan Pascal Lewen

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen


Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University


Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
;

Tag der mündlichen Prüfung/Habilitation
2026-07-07

Online
DOI: 10.18154/RWTH-2026-07163
URL: https://publications.rwth-aachen.de/record/1039383/files/1039383.pdf

Einrichtungen

  1. Lehrstuhl für Solartechnik (DLR) (412910)

Projekte

  1. ZT-I-PF-5-069 - GANCSTR: GAN-based calculation of concentrated radiation on solar tower receivers (ZT-I-PF-5-069) (ZT-I-PF-5-069)

Inhaltliche Beschreibung (Schlagwörter)
deep learning (frei) ; generative AI (frei) ; heliostat surface characterization (frei) ; inverse problem solving (frei) ; machine learning (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Konzentrierende Solarkraft (CSP) ist aufgrund der Fähigkeit, regelbaren Strom und Hochtemperaturwärme für thermochemische Prozesse bereitzustellen, eine Schlüsseltechnologie der Energiewende. In einem Turmsystem werden zehntausende Heliostaten kontinuierlich ausgerichtet, um Sonnenlicht auf einen zentralen Empfänger zu konzentrieren. Für einen autonomen, sicheren und effizienten Betrieb ist die räumliche Flussdichteverteilung auf dem Empfänger entscheidend: Lokale Flussdichtespitzen müssen unter den Materialgrenzen bleiben, um Schäden zu verhindern. Heliostatbrennflecken sind jedoch unregelmäßig und variieren zwischen den Heliostaten aufgrund Oberflächenfehler, was die Integration von Oberflächencharakterisierung und Flussvorhersage in die Anlagenregelung erforderlich macht, um Sicherheitsmargen zu verringern und die Empfängereffizienz zu erhöhen. Klassische Methoden–manuelle Oberflächenmessverfahren gefolgt von Raytracing–sind kostenintensiv, fehleranfällig und skalieren nicht auf kommerzielle Feldgrößen. Diese Arbeit führt inverses Deep Learning Raytracing (iDLR) ein, einen datengetriebenen Ansatz, der die Oberfläche eines Heliostaten direkt aus Bildern seines Brennflecks prognostiziert, einer Datenquelle, die während des Routinebetriebs aufgenommen wird. Validiert anhand realer Messungen vom Solar Tower Jülich (STJ) rekonstruiert iDLR den Großteil der Heliostatoberflächen mit sehr hoher Ähnlichkeit zur Deflektometrie, dem Stand der Technik für Heliostatenoberflächenmessungen, und erreicht einen median Index Struktureller Ähnlichkeit (SSIM) von 0.77 mit einem Interquartilsabstand (IQR) von 0.32 sowie einen median Mittleren Absoluten Fehler (MAE) von 0.17 mm mit einer IQR von 0.08 mm; und einem Mittleren Abweichungsquadrat (RMSE) von 0.65 mrad ± 0.18 mrad zu den Normalenvektoren. Aufgrund der unterbestimmten Natur des Problems können jedoch gelegentlich schlechtere Vorhersagen in ungefähr 13% bis 20% der Fälle auftreten. Darüber hinaus wird zur Ermöglichung kompakter Repräsentationen ein Non-Uniform Rational B-spline (NURBS)-Modell als eigenständige Oberflächenparametrisierung eingesetzt, wodurch die Anzahl der Parameter um 99.97% und der Speicherbedarf um 99.91% gegenüber Normalvektoren reduziert wird, bei nur minimalem Parametrisierungsfehler (mittlere Abweichung 0.09 mrad ± 0.03 mrad). Werden iDLR-Oberflächenvorhersagen in eine Raytracing-Umgebung integriert, erreichen die resultierenden Flussdichtevorhersagen einzelner Heliostaten eine Genauigkeit von 89%±5%. Auf Receiver-Ebene reicht die Vorhersagegenauigkeit der Flussdichteverteilung je nach Feldgröße von 96.5%±2.5% bis 98.9%±2.2%. Analysen auf Ebene der Kraftwerksregelung zeigen, dass die Integration von iDLR in die Anlagenregelung Effizienzgewinne von 3%–8%liefern kann. Zusammenfassend liefert diese Arbeit eine skalierbare und präzise Methodik zur Charakterisierung von Heliostatenoberflächen und Flussdichten, die ausschließlich Daten aus dem Routinebetrieb von Kraftwerken nutzt und damit–für die Inferenz–nahezu ohne zusätzliche Kostenauskommt. Die Einbindung von iDLR in Charakterisierungsroutinen und Kraftwerksregelung kann die Leistung von CSP-Anlagen verbessern und die breitere Einführung der Technologie unterstützen.

Concentrating solar power (CSP) is a key technology for the energy transition due to its ability to deliver dispatchable electricity and high-temperature heat for thermochemical processes. In a tower system, tens of thousands of heliostats are continuously aligned to concentrate sunlight onto a central receiver. For autonomous, safe, and efficient operation, the spatial flux density distribution on the receiver is critical: local peaks must remain below material limits to prevent damage. However, single heliostat focal spots are irregular and vary across heliostats because of surface errors, which necessitates integrating surface characterization and flux prediction into plant control to reduce safety margins and increase receiver efficiency. Classical workflows–manual surface measurements followed by raytracing–are costly, error-prone, and do not scale to commercial field sizes. This thesis introduces inverse Deep Learning Raytracing (iDLR), a data-driven approach that infers a heliostat’s surface directly from target images of its focal spot, a data source readily available during routine operation. Validated on real measurements from the Solar Tower Jülich (STJ), iDLR reconstructs the majority of the heliostat surface with very high similarity to deflectometry, the state of the art for heliostat surface measurement, achieving a median Structural Similarity Index Measure (SSIM) of 0.77 with an Inter-Quartile-Range (IQR) of 0.32 and a median mean absolute error (MAE) of 0.17 mm with IQR of 0.08 mm and when comparing normal vectors a Root Mean Square Error (RMSE) of 0.65 mrad±0.18 mrad. However, due to the ill-posed nature of the inverse problem, degraded predictions can occur in approximately 13% to 20% of the predictions. Additionally, to enable compact representations, a Non-Uniform Rational B-spline (NURBS) model is deployed as a stand alone surface parameterization, reducing parameter count by 99.97% and memory by 99.91% relative to normal-vector fields, with only minimal parameterization error (mean angular deviation of 0.09 mrad±0.03 mrad). When iDLR surface predictions are integrated in a raytracing environment, the resulting single heliostat flux density predictions reach an accuracy of 89% ± 5% compared to deflectometry-based predictions. For the superposed flux density distribution on the receiver, prediction accuracy ranges from 96.5% ± 2.5%to 98.9% ± 2.2%. Power-plant-control-level analyses indicate that integrating iDLR into plant control can yield efficiency gains of 3%–8%. In summary, this work provides a scalable and precise methodology for heliostat surface- and flux density characterization using only data available from routine power plant operation, thereby coming–for inference–at nearly zero additional cost. Incorporating iDLR into standard characterization routines and power plant control can improve CSP plant performance and support the broader deployment of the technology.

OpenAccess:
Download fulltext PDF
(additional files)

Dokumenttyp
Dissertation / PhD Thesis

Format
online

Sprache
English

Externe Identnummern
HBZ: HT031579698

Interne Identnummern
RWTH-2026-07163
Datensatz-ID: 1039383

Beteiligte Länder
Germany

 GO


OpenAccess

QR Code for this record

The record appears in these collections:
Document types > Theses > Ph.D. Theses
Faculty of Mechanical Engineering (Fac.4)
Publication server / Open Access
Public records
Publications database
412910

 Record created 2026-07-27, last modified 2026-09-09


OpenAccess:
Download fulltext PDF
(additional files)
Rate this document:

Rate this document:
1
2
3
 
(Not yet reviewed)