Verfahrenstechnik 4.0: Maschinelles Lernen und Physikalische Modellierung

Presseerkläerung

Download

Beschreibung

Für die Weiterentwicklung der Digitalisierung in der Produktion ist das Zusammenführen von maschinellem Lernen und physikalischer Modellierung von zentraler Bedeutung. Entsprechende Methoden fehlen jedoch derzeit. In diesem von der Carl-Zeiss-Stiftung geförderten Projekt wird daher erforscht, wie ein gewinnbringender Brückenschlag zwischen maschinellem Lernen und physikalischer Modellierung erfolgen kann, wobei als Beispiel verfahrenstechnische Prozesse betrachtet werden. Der Blick reicht dabei von der Entwicklung prädiktiver thermodynamischer Modelle zur Vorhersage von grundlegenden Stoffdaten von Reinstoffen und Mischungen über die Einführung von Methoden der Text- und Bilderkennung im verfahrenstechnischen Kontext bis hin zur Modellierung und Simulation von Apparaten und Prozessen für industrielle Verfahren. Erwartet werden tiefgreifende Auswirkungen auf die Entwicklung, die Optimierung und den Betrieb verfahrenstechnischer Produktionsanlagen. Weder die physikalische Modellierung allein, noch das maschinelle Lernen allein sind in der Lage, solche Änderungen zu bewirken.

Zur Erreichung der Projektziele arbeiten zwei Nachwuchsgruppen an den Fachbereichen Informatik (INF) bzw. Maschinenbau und Verfahrenstechnik (VT) an der RPTU Kaiserslautern als Tandem. Sie sind eingebettet in eine starke interdisziplinäre Projektgruppe. Die Nachwuchsgruppe INF erforscht und entwickelt die benötigten Algorithmen und maschinellen Lernmethoden, die von der Nachwuchsgruppe VT zur Bearbeitung bis dato ungelöster Aufgaben aus der Verfahrenstechnik eingesetzt werden.

Kontakt

Jun. Prof. Dr.-Ing. Fabian Jirasek

Carl-Zeiss-Stiftungs-Juniorprofessor für

Maschinelles Lernen in der Verfahrenstechnik

Email: fabian.jirasek(at)rptu.de

Jun. Prof. Dr. Sophie Fellenz

Carl-Zeiss-Stiftungs-Juniorprofessorin für

Maschinelles Lernen

Email: fellenz(at)cs.uni-kl.de