Lehrstuhl für Thermodynamik (LTD)

Studentische Arbeiten

Wir bieten Ihnen für Ihre Projekt-, Studien-, Diplom-, Bachelor- oder Masterarbeit im Rahmen Ihres Studiums an der RPTU 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", "Elektrolytthermodynamik" oder "Maschinelles Lernen in der Verfahrenstechnik" 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:

Justus Arweiler (justus.arweiler(at)mv.uni-kl.de).

Dringender Bedarf für folgende Projekte

Weiterentwicklung hybrider Gruppenbeitragsmethdoden zur Vorhersage von Stoffeigenschaften

Hannah Mennecke

(Download PDF hier)

Automatisierung der Messung von Dampf-Flüssigkeits Gleichgewichten

Tom Schanne

(Download PDF hier)

Charakterisierung unbekannter Mischungen mittels NMR Spektroskopie und maschinellem Lernen

Jens Wagner

(Download PDF hier)

Modellierung von Diffusionskoeffizienten mittels Entropieskalierung und Maschinellem Lernen

Sebastian Schmitt und Jens Wagner

(Download PDF hier)

Fehlererkennung in Batch-Destillationsprozessen

Justus Arweiler und Indra Jungjohann

(Download PDF hier)

Mitarbeiter, die derzeit studentische Arbeiten vergeben

Dennis Alt

Schwerpunkte
  • Molekulardynamische Simulation
  • Stoffeigenschaften von Schmierstoffen
  • Tribologie
 
Beschreibung
Die Kenntnis von Schmierstoffeigenschaften ist grundlegend für die Modellierung von tribologischen Kontakten. Für die dort herrschenden extremen thermodynamischen Bedingungen gibt es jedoch kaum Stoffdaten. In diesem Projekt werden Stoffdaten von Schmierstoffen bei extremen Drücken vermessen. Außerdem werden molekular-basierte Zustandsgleichungen und molekulardynamische Simulationen eingesetzt um Stoffeigenschaften zu modellieren.

Justus Arweiler

Schwerpunkte
  • Messung und Simulation von Prozessdaten in Batch-Destillationen
  • Online-Monitoring von Prozessen
  • Entwicklung hybrider Machine Learning Methoden für die Beschreibung von Destillationsprozessen
 
Beschreibung
Methoden zur zuverlässigen und frühzeitigen Identifikation von Fehlern im Betrieb verfahrenstechnischer Anlagen sind von großer sicherheitstechnischer Bedeutung. Methoden aus dem Deep Learning sind hierfür sehr interessant, brauchen aber große Mengen geeigneter Trainingsdaten, welche für verfahrenstechnische Prozesse kaum öffentlich verfügbar sind. Daher beschäftige ich mich mit der experimentellen und simulativen Erzeugung von Prozessdaten im großen Maßstab in einer Batch-Destillationsanlage, wofür auch hybride ML Methoden entwickelt und verwendet werden.

Johannes Gutheil

Schwerpunkte
  • Feststoffausfall in Formaldehydlösungen
  • Kinetik von Oligomerwachstum und Ausfällung 
  • NMR Analytik und mathematische Modellierung
 
Beschreibung
Formaldehyd wird industriell überwiegend in wässriger Lösung eingesetzt, wo es ein dynamisches Netzwerk aus monomeren und oligomeren Spezies bildet, das zur Feststoffausfällung führen kann. Da die zugrunde liegenden Mechanismen bisher nur unzureichend verstanden sind, untersucht mein Projekt systematisch die Kinetik von Oligomerwachstum, Speziesverteilung und Feststoffbildung. Dazu werden metastabile Formaldehydlösungen in einem Dünnschichtverdampfer erzeugt, experimentell mithilfe von NMR Spektroskopie analysiert und durch mathematische Modellierung sowie Simulationen ergänzt, um ein mechanistisches Verständnis des Systems und daraus abgeleitete Strategien zur Vermeidung von Feststoffausfall zu entwickeln.

Mery Hach

Schwerpunkte
  • Nukleare Magnetresonanz (NMR) – Spektroskopie
  • Vorhersage von Mischungseigenschaften 
  • Anwendung von Methoden aus dem Maschinellen Lernen (ML)
 
Beschreibung
Stoffdaten für Mischungen sind für verfahrenstechnische Prozesse entscheidend, stehen jedoch aufgrund des hohen experimentellen Aufwands häufig nur begrenzt zur Verfügung. Ich untersuche, wie vergleichsweise einfach durchführbare NMR-Messungen genutzt und die gewonnenen Daten in ML-basierte Vorhersagemodelle integriert werden können, um neue Einblicke in das Mischungsverhalten zu gewinnen und die Genauigkeit der Modelle zu verbessern.

Jana Heiß

Schwerpunkte
  • All-Vanadium-Redox-Flow-Batterie (AVRFB)
  • Reversible Zellspannung der AVRFB
  • Isopiestische Messungen der Lösemittelaktivität
  • Entwicklung und Optimierung eines thermodynamischen Modells
 
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
  • Vorhersage thermodynamischer Eigenschaften mit Machine Learning
  • Kopplung von Machine Learning mit physikalischer Modellierung
  • Lernen physikalischer Zusammenhänge aus Daten
 
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.

Indra Jungjohann

Schwerpunkte
  • Erzeugung von Prozessdaten in Batch-Destillationen
  • Datenmanagement im Anlagenbetrieb
  • Anwendung hybrider Machine Learning Methoden in Destillationsprozessen
 
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.

Rébecca Loubet

Schwerpunkte
  • Translation von thermodynamischem Wissen auf Computer
  • Ontologie und Knowledge Graphs für Thermodynamik
  • Künstliche Intelligenz und Anwendung von Sprachmodellen
 
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.

Hannah Mennecke

Schwerpunkte
  • Vorhersage von Mischungseigenschafte
  • Kombination von Gruppenbeitragsmethoden mit einem ML-Ansatz zur Matrixvervollständigung
 
Beschreibung
Hybride ML-Modelle vereinen die Flexibilität und breite Anwendbarkeit datengetriebener ML-Ansätze mit physikalischer Konsistenz und Interpretierbarkeit physkalischer Modelle. In meiner Arbeit untersuche ich ein solches hybrides Modell, das eine physikalische Gruppenbeitragsmethode mit ML kombiniert, wodurch sich Mischungseigenschaften trotz wenig experimenteller Daten zuverlässig vorhersagen lassen. Dabei ist insbesondere von Interesse, welchen Einfluss unterschiedliche Datentypen und die zugrundeliegende Gruppeneinteilung auf die Vorhersagegüte und Anwendbarkeit des Modells haben. 

Sarah Mross

Schwerpunkte
  • Nukleare Magnetresonanz (NMR) – Spektroskopie
  • Stofftransport
  • Bildgebende NMR für Reaktions- und Prozessmonitoring
 
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
  • Nuklear Magnetresonanz (NMR) – Spektroskopie
  • Diffusion
  • Matrixvervollständigung durch Maschinelles Lernen
 
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
  • Nuklear Magnetresonanz (NMR)- Spektroskopie
  • Reaktions- und Prozessmonitoring
  • NMR Fingerprinting
 
Beschreibung
Heutzutage werden die Trauben in Weinkellereien mittels FT-IR-Spektrometrie (Fourier-Transform-Infrared) auf Zucker- und Säuregehalt sowie auf Fäulnisindikatoren untersucht. Ein großer Nachteil der etablierten FT-IR Spektroskopie liegt in der indirekten Messweise, bei der FT-IR-Spektren mit der Referenzanalytik mittels eines statistischen Modells korreliert werden. Die NMR-Analytik bietet diesbezüglich viele Vorteile, da sie die chemischen Spezies direkt misst, ohne dass eine spezielle Probenvorbereitung notwendig. Ziel des Projektes ist die Bestimmung der wichtigsten Qualitätsparameter in Most und Wein mittels Benchtop-NMR Analysen mit hoher Empfindlichkeit.

Tom Schanne

Schwerpunkte
  • Konzeptionierung automatisierter Messanlagen
  • Messung von Phasengleichgewichten
  • Versuchsplanung und Datenbanken
 
Beschreibung
In der chemischen Industrie sind zuverlässige Stoffdaten essenziell. Die Qualität der Vorhersage dieser Stoffdaten über prädiktive Modelle hängt von geeigneten experimentellen Trainingsdaten ab.
Mein Projektziel ist daher der Aufbau eines autonomen Stoffdatenlabors, das automatisierte Hochdurchsatzmessungen von Stoffeigenschaften ermöglicht. Meine Aufgaben umfassen die Konzeptionierung und Umsetzung automatisierter Messanlagen mit Laborrobotern, die effiziente Datenspeicherung in einer Datenbank sowie die Kopplung von Messungen und Modelltraining mithilfe von Versuchsplanungsmethoden.

Jens Wagner

Schwerpunkte
  • NMR Fingerprinting
  • Rationale Definition von Pseudokomponenten
  • Thermodynamische Modellierung schlecht spezifizierter Mischungen
 
Beschreibung
Schlecht spezifizierte Mischungen wie Fermentationsbrühen oder die Produkte komplexer Reaktionen sind in der Verfahrenstechnik weit verbreitet. Da eine vollständige Analyse häufig zu aufwendig ist, können diese nicht mit klassischen thermodynamischen Modellen beschrieben werden. Daher entwickele ich Methoden basierend auf der Kernspinresonanzspektroskopie (nuclear magnetic resonance, NMR) und Algorithmen des maschinellen Lernens, um die thermodynamische Modellierung schlecht spezifizierter Mischungen zu ermöglichen.

Max Wagner

Schwerpunkte
  • Modellierung von Mischungen
  • Entwicklung hybrider Zustandsgleichungen
  • Kopplung von thermodynamischen Modellierungen mit Machine Learning Methoden
 
Beschreibung
Die Modellierung von Mischungen über ein breites Temperatur- und Druckspektrum ist für die Auslegung und Optimierung verfahrenstechnischer Anlagen in der chemischen Industrie von zentraler Bedeutung. Etablierte, rein physikalische Modellierungsansätze stoßen dabei jedoch hinsichtlich Vorhersagegenauigkeit und Anwendungsbreite an ihre Grenzen. Methoden des Maschinellen Lernens (ML) eröffnen hingegen vielversprechende neue Möglichkeiten. Vor diesem Hintergrund befasst sich meine Arbeit mit der Entwicklung hybrider Ansätze, die physikalische Zustandsgleichungen mit ML-Methoden kombinieren, um die Vorhersage zentraler Eigenschaften von Mischungen zu verbessern.

Pascal Zittlau

Schwerpunkte
  • Machine Learning und hybride Methoden
  • Federated Learning
  • Anwendung von Sprachmodellen
 
Beschreibung
Stoffdaten sind entscheidend für verfahrenstechnische Prozesse, doch nur für wenige bekannte Stoffe sind relevante Experimentaldaten verfügbar. Etablierte Vorhersagemethoden scheitern oft an unvollständigen Parametersätzen, weshalb Methoden aus dem maschinellen Lernen (ML) und hybride Kombinationen beider Methoden an Bedeutung gewinnen. Meine Forschung konzentriert sich darauf, vertrauliche Industriedaten für das ML-Training zu nutzen, ohne eine Offenlegung zu erfordern.