Das Projekt ist Teil des DFG-Schwerpunktprogramms SPP 2331: Maschinelles Lernen in der Chemieingenieurwissenschaft. Im Rahmen von SPP 2331 arbeiten Forscher aus verschiedenen Bereichen – darunter Chemieingenieurwesen, Informatik und Mathematik – zusammen, um den Übergang der chemischen Industrie zu erneuerbaren Energien und Rohstoffen durch den Einsatz von maschinellem Lernen als Katalysator zu ermöglichen.
Für viele Aufgaben in der Chemie- und Energietechnik spielen genaue Kenntnisse der thermodynamischen Eigenschaften (z. B. Druck und Temperatur mit Dichte und Schallgeschwindigkeit) und des Phasenverhaltens der beteiligten Fluide eine entscheidende Rolle. Diese Eigenschaften sind für das grundlegende Verständnis des chemisch-physikalischen Verhaltens und für die Entwicklung von Vorhersagemodellen erforderlich. Thermodynamische Eigenschaften bilden auch die Grundlage für die Konstruktion sicherer, nachhaltiger und energieeffizienter Prozesse und Maschinen. Die Qualität der Eigenschaftsvorhersagen hängt jedoch weitgehend von der Verfügbarkeit und Genauigkeit der experimentellen oder simulierten Daten sowie von den verwendeten Modellierungstechniken ab. Messungen thermodynamischer Eigenschaften sind in der Regel die genaueste Datenquelle und werden oft auf einem dichten Raster von Messpunkten durchgeführt, was einen scheinbar umfassenden Datensatz liefert. Mit dem Ziel, ein genaues thermodynamisches Eigenschaftsmodell zu entwickeln, ist dieser Ansatz zeitaufwendig, wobei unklar ist, ob alle Daten wesentlich zur Modellentwicklung beitragen. Obwohl dadurch grundlegende Erkenntnisse gewonnen werden können, ist die Erstellung zuverlässiger Modelle aufgrund des erforderlichen Zeit- und Finanzaufwands eher begrenzt. Es ist daher sehr wünschenswert, die Modellentwicklungszeit erheblich zu verkürzen, indem die Menge der erfassten Daten, ob experimentell oder simuliert, auf das erforderliche Maß beschränkt wird. Darüber hinaus sollten die entwickelten Modelle prägnante Funktionsformen aufweisen, um eine effiziente Bewertung zu ermöglichen und ihre Verwendung in Prozesssimulationen zu erleichtern. Daher ist es das Hauptziel des vorgeschlagenen Projekts, die oben genannten Probleme durch eine synergetische Kombination aus (1) interpretierbarem maschinellem Lernen in Form symbolischer Regression zu lösen, um bessere Funktionsformen zur Modellierung thermodynamischer Eigenschaften zu finden (ML für EOS), (2) optimalem Versuchsdesign (OED), um die am besten geeigneten Datenpunkte zu finden, und (3) der tatsächlichen Datenerfassung. In der ersten Phase des Schwerpunktprogramms wurde ein Arbeitsablauf angewendet, bei dem ausgehend von ersten thermodynamischen Eigenschaftsdaten mithilfe von maschinellem Lernen basierte Zustandsgleichungsmodelle erstellt wurden, um eine erste Funktionsform zu erzeugen. Diese Form wird verwendet, um die nächsten aussagekräftigsten Messungen zu identifizieren, die dann als Eingabe für weitere Zustandsgleichungsmodelle verwendet werden können. In der zweiten Projektphase wird dieser Arbeitsablauf zur Untersuchung von Gemischen angewendet. Zu diesem Zweck werden Flüssig-Flüssig-Gleichgewichte untersucht und anwendungsspezifische Modelle für den Einsatz in Prozessentwürfen erstellt. Darüber hinaus wird die symbolische Regression verwendet, um physikalisch basierte grundlegende Zustandsgleichungen für reine Substanzen und insbesondere Gemische zu entwickeln.
Das Projekt wird von der Deutschen Forschungsgemeinschaft (DFG) unter der Förderungsnummer 466528284 (grant number RI 2482/10-1) gefördert und gemeinsam mit der Gruppe für Wissenschaftliches Rechnen und Optimierung der Universität Heidelberg durchgeführt.
30823 Garbsen
30823 Garbsen
