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:

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

Dringender Bedarf für folgende Projekte

Automatisiertes NMR Fingerprinting komplexer Mischungen mit PFG-NMR-Spektroskopie

Jens Wagner

(Download PDF hier)

Automatisierte Dekonvolution von komplexen NMR Spektren mittels maschinellem Lernen

Justus Arweiler und Thomas Specht

(Download PDF hier)

Active Learning Strategien zur Verbesserung von Stoffdatenvorhersagen mit Ähnlichkeitsmodellen

Nicolas Hayer und Zeno Romero

(Download PDF hier)

Molekulare Simulationsstudie zum Verhalten von SARS-CoV-2 Viren in Aerosolen

Florian Fleckenstein

(Download PDF hier)

Instationäre Wärmeübertragung im ultraschallüberlagerten Druckversuch

Simon Stephan

(Download PDF hier)

Modellierung von synthetischen OME Kraftstoffen mittels molekular-basierten Zustandsgleichungen

Simon Stephan

(Download PDF hier)

Mitarbeiter, die derzeit studentische Arbeiten vergeben

Dennis Alt

Schwerpunkte
  • Molekulardynamische Simulation
  • Stoffeigenschaften von Schmierstoffen
  • Tribologie
Beschreibung
Die Kenntniss 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.

Florian Fleckenstein

Schwerpunkte
  • Molekulardynamische Simulation
  • Phasengrenzflächen
Beschreibung
Molekulardynamische Simulationen von Biomembranen und Proteinen, insbesondere des Spike-Proteins des SARS-CoV-2 Virus. Die Spike-Proteine spielen eine wichtige Rolle beim Eindringen des Virus in menschliche Wirtszellen und stehen daher im Fokus der Impfstoffentwicklung. Insbesondere untersuche ich in den Simulationen das Verhalten der Proteine an der Dampf-Flüssig Phasengrenze von Aerosolen.

Dominik Gond

Schwerpunkte
  • Erklärbarkeit und Interpretierbarkeit von Machine Learning Methoden
  • Molekulare Deskriptoren für Matrixvervollständigungsmethoden
  • Weiterentwicklung hybride Ansätze (ML Methoden mit Rückgriff auf physikochemisches Vorwissen)
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.

Nicolas Hayer

Schwerpunkte
  • Vorhersage physikalisch-chemischer Eigenschaften (z.B. Gaslöslichkeiten)
  • Machine Learning Methoden
  • Hybride Ansätze (Machine Learning und physikalische Modelle)
Beschreibung

Vorhersagemethoden für physikalisch-chemische Eigenschaften sind von zentraler Bedeutung in der Verfahrenstechnik. Etablierte Ansätze sind jedoch aufgrund unvollständiger Parametersätze in vielen Fällen nicht anwendbar. Methoden aus dem Machine Learning (ML) bieten als Alternativen ein enormes Potenzial, z.B. zur Vorhersage von Aktivitätskoeffizienten oder Gaslöslichkeiten. Neben der Anwendung von rein datengetriebenen ML Methoden beschäftige ich mich mit der Entwicklung hybrider Ansätze, bei welchen ML Methoden mit physikalischen Modellen kombiniert werden.

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
  • Datnemanagement 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.

Katharina Köhler

Schwerpunkte
  • Phasengleichgewichte
  • Nukleare Magnetresonanz (NMR) - Spektroskopie
  • Formaldehyd
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.

Babette Kunstmann

Schwerpunkte
  • Thermodynamische Eigenschaften flüssiger Mischungen
  • Transportprozesse
  • Phasengleichgewichte
Beschreibung

Für das detaillierte Verständnis des Tropfenverdampfungsprozesses bei der Herstellung hochdisperser Nanopartikel mittels Flammensprühpyrolyse ist die Kenntnis der thermodynamischen Eigenschaften der eingesetzten Precursorlösungen erforderlich. Die Wärme- und Stofftransporteigenschaften sowie Phasengleichgewichte, insbesondere Dampf-Flüssigkeits Gleichgewichte (VLE), der Precursorlösungen sollen experimentell ermittelt werden. Die Stoffdaten der untersuchten Mischungen, die aus Lösungsmitteln, metallhaltigen Verbindungen und gegebenenfalls Hilfsstoffen bestehen, können anschließend zur Modellierung verwendet werden.

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.

Johnnie Phuong

Schwerpunkte
  • Nuklear Magnetresonanz (NMR) – Spektroskopie
  • NMR mit Overhauser DNP (ODNP)
  • Reaktions- und Prozessmonitoring
Beschreibung
Die Kernspinresonanzspektroskopie (NMR Spektroskopie) ermöglicht eine nichtinvasive quantitative Untersuchung von komplexen Mehrkomponentenmischungen. Aufgrund der Kompaktheit und den geringen Betriebskosten, eignen sich vor allem Mittelfeld NMR Spektrometer (Benchtop Geräte) für industrielle Anwendungen im Online Reaktions- und Prozessmonitoring. Nachteil der Benchtop Geräte gegenüber herkömmlichen Hochfeld NMR Spektrometern ist die geringe Sensitivität. Dieser Nachteil soll durch Hyperpolarisationstechniken, wie die dynamische Kernpolarisation (engl.: Dynamic Nuclear Polarization: DNP), die eine erhebliche Steigerung der Sensitivität versprechen, behoben werden.

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.

Jens Staubach

Schwerpunkte
  • Grenzflächeneigenschaften
  • Phasengleichgewichte
  • Zustandsgleichungen
  • Molekulardynamische Simulation
Beschreibung

Anwendung von Zustandsgleichungen und Molekulardynamischen Simulationen zur Untersuchung von Grenzflächeneigenschaften. Insbesondere wird die Anreicherung von Komponenten an Phasengrenzflächen und der Zusammenhang mit dem Phasenverhalten von Gemischen untersucht.

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.

Pascal Zittlau

Schwerpunkte
  • Machine Learning und hybride Methoden
  • Federated Learning
  • Anwendung von Sprachmodelle
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.