Studentische Arbeiten
Wir bieten Ihnen für Ihre Projekt-, Studien-, Diplom-, Bachelor- oder Masterarbeit im Rahmen Ihres Studiums an der TU Kaiserslautern gerne Themen aus den Bereichen Thermodynamik und Verfahrensentwicklung an. Ihre Arbeit am LTD ist immer in eines unserer laufenden Forschungsprojekte eingebunden. Sie werden dabei von einem unserer wissenschaftlichen Mitarbeiter betreut.
Unsere wissenschaftlichen Mitarbeiter sind immer auf der Suche nach guten, motivierten und engagierten Studierenden. Mitarbeiter, die generell studentische Arbeiten zu vergeben haben, sind im Folgenden mitsamt einem kurzen Umriss ihrer Tätigkeit aufgeführt. Falls Sie Interesse an einem Themengebiet haben, kontaktieren Sie bitte direkt den jeweiligen Mitarbeiter. Weitere Informationen finden Sie auch auf den Seiten der Mitarbeiter.
Für die meisten Arbeiten sind keine besonderen Vorkenntnisse erforderlich. Wir sorgen für eine effiziente Einarbeitung. Vorkenntnisse sind allerdings willkommen. Für viele Arbeiten ist es von Vorteil, wenn Sie die Vorlesung "Thermodynamik der Mischungen" gehört haben. Je nach fachlichem Schwerpunkt der studentischen Arbeit ist es empfehlenswert an den entsprechenden weiterführenden Veranstaltungen wie "Prozessthermodynamik", "Molekulare Thermodynamik" und "Computerlabor Molekulare Simulation" teilgenommen zu haben.
Neben der fachlichen Betreuung erhalten Sie Unterstützung im Projektmanagement und bei der Darstellung ihrer Ergebnisse. Hierzu gehört nicht nur die Zusammenschrift, sondern auch ein Vortrag, den Sie im LTD Seminar über Ihre Arbeit bei uns halten werden.
Wir legen hohen Wert auf eine engagierte Zusammenarbeit zwischen Studierendem und wissenschaftlichem Mitarbeiter. Zu Beginn Ihrer Arbeit werden die Ziele und der Ablauf besprochen. Dann erhalten Sie eine schriftliche Aufgabenstellung, die den Umfang der Arbeit und die Ziele klar beschreibt. Der Umfang richtet sich dabei nach der für Sie gültigen Studien-/ Prüfungsordnung. Wir gestalten die Rahmenbedingungen Ihrer Arbeit bei uns so, dass Sie die Ziele in dem abgesprochenen Zeitrahmen erreichen können.
Im Folgenden finden Sie Beschreibungen der Tätigkeitsfelder von Mitarbeitern, die derzeit studentische Arbeiten vergeben. Melden Sie sich bei Interesse direkt bei diesen Mitarbeitern.
Sollten Sie allgemeine Fragen zu studentischen Arbeiten haben, wenden Sie sich bitte an unseren Beauftragten für studentische Arbeiten:
Dringender Bedarf für folgende Projekte
Automatisiertes NMR Fingerprinting komplexer Mischungen mit PFG-NMR-Spektroskopie
(Download PDF hier)
NMR-Spektroskopische Untersuchung des Reaktionsnetzwerks insbesondere der Cannizzaro Reaktion im Stoffsystem Formaldehyd, Wasser, Isoprenol
(Download PDF hier)
Modellierung von synthetischen OME Kraftstoffen mittels molekular-basierten Zustandsgleichungen
(Download PDF hier)
Mitarbeiter, die derzeit studentische Arbeiten vergeben
Dennis Alt
Schwerpunkte | |||
| |||
Beschreibung | |||
|
Justus Arweiler
Schwerpunkte | |||
| |||
Beschreibung | |||
|
Florian Fleckenstein
Schwerpunkte | |||
| |||
Beschreibung | |||
|
Dominik Gond
Schwerpunkte | |
| |
Beschreibung | |
Das Finden von Mischungsgrößen ist aufwändig und teuer, weshalb entsprechende Datensätze lückenhaft sind. Vorhersagemethoden für solche physikalisch-chemischen Eigenschaften, wie Matrixvervollständigungsmethoden, besitzen ein großes Potential, sind aber weitestgehend unverstanden. Zur Weiterentwicklung hybrider Ansätze und zur Stärkung des Anwendervertrauens in diese Methoden ist eine Untersuchung solcher Modelle und ihrer Ergebnisse hinsichtlich Erklärbarkeit und Interpretierbarkeit unabdingbar. Ich beschäftige mich deshalb mit dem Verständis von rein datengetriebenen Ansätzen und deren Zusammenhang mit molekularen und phänomenologischen Reinstoffdeskriptoren. |
Jana Heiß
Schwerpunkte | |
| |
Beschreibung | |
Die AVRFB ist ein vielversprechender Energiespeicher. In bisherigen Untersuchungen und Modellierungen wurden die Aktivitätskoeffizienten der Elektrolytlösung bei der Beschreibung der reversiblen Zellspannung vernachlässigt, da verlässliche Daten fehlen. Ziel ist es, Stoffdatenmessungen durchzuführen und basierend darauf ein thermodynamisches Modell zur Beschreibung der AVRFB zu erstellen. Dieses dient im Anschluss der Optimierung der AVRFB. |
Marco Hoffmann
Schwerpunkte | |
| |
Beschreibung | |
Mithilfe von Machine Learning (ML) Methoden können Zusammenhänge in großen Datenmengen entdeckt werden, die über herkömmliche Vorgehensweisen nur schwierig oder gar nicht abzuleiten sind. In der Thermodynamik können so z.B. Eigenschaften bisher nicht vermessener Stoffe aus denen ähnlicher Stoffe vorhergesagt werden. Wichtige Fragen hierbei sind u.a. die Verlässlichkeit der Trainingsdaten, die Vorhersagequalität und die Anwendungsbreite der entwickelten Modelle. Neben rein datengetriebenen Modellen entwickle ich auch Ansätze, um ML mit bestehenden physikalischen Modellen zu kombinieren. |
Shaharyar Jamali
Focus | |
| |
Description | |
The project aims to investigate the adsorption behavior of phosphate ions on adsorbent surfaces using molecular simulations based on classical force fields. These simulations provide detailed insights into the fundamental processes at the interface that are difficult to observe experimentally. The project starts with the development of a model for the bulk phase of aqueous phosphate solutions, the macroscopic properties of which will be compared with experimental data. This model will then be used to predict adsorption and desorption processes on adsorbent surfaces, thus gaining a clearer understanding of the interfacial structure and the kinetics of these processes. |
Indra Jungjohann
Schwerpunkte | |
| |
Beschreibung | |
Eine frühzeitige und zuverlässige Erkennung von Anomalien im verfahrenstechnischen Anlagenbetrieb ist von großer sicherheitstechnischer Bedeutung. Anomaliedetektions-Methonden aus dem Deep Learning sind hierfür sehr interessant, benötigen jedoch eine Vielzahl geeigneter Trainingsdaten, welche als chemische Prozessdaten kaum öffentlich verfügbar sind. Daher beschäftige ich mich mit der experimentellen und simulativen Erzeugung von Prozessdaten an einer Batch-Destillationsanlage, der Anwendung hybrider Machine Learning Methoden, sowie der Entwicklung geeigneter Datenmanagementstrukturen für die Integration der Deep Learning Methoden in den laufenden Anlagenbetrieb. |
Katharina Köhler
Schwerpunkte | |
| |
Beschreibung | |
Zum einen beschäftige ich mich mit Phasengleichgewichten von Mischungen, wie zum Beispiel dem Fest-flüssig Gleichgewicht (SLE) von Formaldehyd und Wasser. Zum anderen soll Formaldehyd in monomerer Form mit NMR- Spektroskopie quantifiziert sowie sehr schnelle Reaktionskonstanten von Formaldehyd mit anderen Komponenten mittels Exchange Spectroscopy (EXSY) bestimmt werden. |
Rébecca Loubet
Schwerpunkte | |
| |
Beschreibung | |
Ein einfacher Zugang zu thermodynamischem Wissen ist wünschenswert, aber derzeit nicht verfügbar. Aktuelle Systeme, die auf thermodynamische Probleme angewandt werden, sind oft nicht vielseitig genug, um ein breites Spektrum thermodynamischer Probleme zu behandeln. Meine Forschung konzentriert sich auf ein Softwaresystem, KnowTD, das entwickelt wurde, um thermodynamische Probleme unter Verwendung von Ontologien und Knowledge Graphs dynamisch zu lösen. Ziel ist es dann, die Benutzerinteraktion und -freundlichkeit mittels Sprachmodellen (LLMs) zu verbessern, um die Interaktion zu rationalisieren und die Lösung thermodynamischer Probleme intuitiv zu gestalten. |
Sarah Mross
Schwerpunkte | |
| |
Beschreibung | |
Stofftransport auf der mikroskopischen und makroskopischen Ebene. Ich beschäftige mich mit der experimentellen Bestimmung von Diffusionskoeffzienten. Dabei wird die NMR-Spektroskopie als zeit- und ortsauflösende Methode eingesetzt. Einen zweiten Schwerpunkt stellt der Einsatz von Bildgebender NMR-Spektroskopie zum Reaktions- und Prozessmonitoring dar. |
Zeno Romero
Schwerpunkte | |
| |
Beschreibung | |
Diffusionsvorgänge spielen in der Verfahrenstechnik eine wichtige Rolle. Dennoch gibt es in der Literatur wenig Daten zu Diffusionskoeffizienten. Die NMR-Spektroskopie stellt eine präzise Methode zu deren Messung dar. Zudem ermöglichen Matrixvervollständigungsmethoden aus dem Maschinellen Lernen deren Vorhersage. Durch Kombination der beiden Methoden kann die Datenlage zu Diffusionskoeffizienten verbessert, der experimentelle Aufwand verringert und existierende Modelle zu deren Bestimmung verbessert werden. |
Billy Salgado
Schwerpunkte | |||
| |||
Beschreibung | |||
|
Jens Staubach
Schwerpunkte | |||
| |||
Beschreibung | |||
|
Jens Wagner
Schwerpunkte | |||
| |||
Beschreibung | |||
|
Xueqi Zhang
Schwerpunkte | |||
| |||
Beschreibung | |||
|
Pascal Zittlau
Schwerpunkte | |||
| |||
Beschreibung | |||
|