Im Zuge der Digitalisierung der Prozessindustrie wird zurzeit intensiv diskutiert, wie sich Methoden des Maschinellen Lernens (ML) in der Verfahrenstechnik nutzen lassen. In Vorarbeiten am LTD konnte bereits das Potenzial datengetriebener ML Methoden zur Vorhersage thermodynamischer Eigenschaften von Mischungen demonstriert werden. Dabei wurde das Konzept der sogenannten Recommender Systems, welche im Onlinehandel und bei Streamingdienstleistern bereits etabliert sind, erfolgreich auf die Thermodynamik übertragen. Auch in anderen Teilgebieten der Verfahrenstechnik ergeben sich durch ML Methoden neue Möglichkeiten; die Übertragung von ihren klassischen Anwendungsgebieten auf Fragestellungen in der Verfahrenstechnik ist allerdings nicht trivial. Besonders wichtig ist die Frage, wie datengetriebene ML Ansätze mit grundlegendem thermodynamischem Wissen sinnvoll zu hybriden Modellen zusammengeführt werden können. Im Rahmen des Forschungsvorhabens sollen solche neuartigen hybriden Modelle zur Vorhersage und Beschreibung von Stoffdaten entwickelt werden. Die Hybridisierung soll dabei auf mehreren Ebenen untersucht werden: i) Erzeugung und Verwendung von hybriden Datensätzen zum Training der Modelle, z.B. experimentelle Daten, molekulare Simulationen, Vorhersagen physikalischer Modelle. ii) Erzwingen physikalischer Randbedingungen in ML Modellen, z.B. durch Physics-Informed Neural Networks. iii) Zusammenführen physikalischer Theorien und Modelle mit flexiblen ML Algorithmen.

[zurück]