Im Zuge der Digitalisierung der chemischen Prozessindustrie wird zurzeit intensiv untersucht, wie Methoden der Künstlichen Intelligenz zur Optimierung industrieller Produktionsprozesse genutzt werden können. Besonders vielversprechend sind dabei neuartige Ansätze wie World Models, Causal AI und Reinforcement Learning, mit denen sich dynamische Prozesszustände vorhersagen, verstehen und gezielt beeinflussen lassen. Im Rahmen einer Kooperation des Lehrstuhls für Thermodynamik mit BASF sollen solche Methoden für reale chemische Produktionsprozesse entwickelt und erprobt werden. Ein zentraler Schwerpunkt des Forschungsvorhabens liegt auf der Entwicklung robuster, interpretierbarer und übertragbarer digitaler Zwillinge für chemische Prozesse. Hierzu sollen datengetriebene Modelle mit physikalischem Prozesswissen und kausalen Zusammenhängen verknüpft werden. Die so entstehenden hybriden Modelle sollen nicht nur stationäre Betriebspunkte beschreiben, sondern insbesondere auch dynamische und nicht-stationäre Situationen wie Anfahrvorgänge, Abfahrvorgänge und Lastwechsel abbilden können. Darauf aufbauend sollen KI-Agenten entwickelt werden, die mit Methoden des Reinforcement Learning geeignete Betriebsstrategien vorschlagen und zur Optimierung der Prozessführung beitragen. Die Arbeiten erfolgen in enger Zusammenarbeit mit Expertinnen und Experten aus der industriellen Praxis. Dadurch können Messdaten industrielle Produktionsanlagen, reale Randbedingungen und anwendungsnahe Optimierungsziele direkt in die Modellentwicklung einbezogen werden. Ziel ist es, einen Beitrag zur nächsten Generation intelligenter, physikalisch fundierter und industriell einsetzbarer Methoden für die modellbasierte Prozessoptimierung zu leisten.

[zurück]