Maschinelles Lernen für Gruppenbeitragsmethoden

Für die Auslegung und Optimierung verfahrenstechnischer Prozesse ist die Kenntnis der Stoffeigenschaften von Mischungen von zentraler Bedeutung. Da experimentelle Daten jedoch für viele Stoffe und Mischungen nicht verfügbar sind, muss häufig auf Vorhersagemethoden zurückgegriffen werden. Physikalische Gruppenbeitragsmethoden, welche Stoffe und Mischungen auf Basis von Strukturgruppen als deren Bausteine modellieren, sind in der industriellen Praxis weit verbreitet, leiden aber unter mangelnder Flexibilität und Anwendungsbreite, da ihre Parametersätze häufig unvollständig sind. Flexible Methoden des Maschinellen Lernens (ML) bieten spannende neue Möglichkeiten, reinen ML-Ansätzen fehlt aber in der Regel die physikalische Interpretierbarkeit, Robustheit und Konsistenz.

Daher entwickle ich hybride Modelle, welche die Vorteile von physikalischen Gruppenbeitragsmethoden mit denen flexibler ML-Methoden kombinieren. Dies ermöglicht es, die Vorhersagegenauigkeit zu erhöhen, den Anwendungsbereich zu erweitern und zugleich thermodynamisch konsistente Ergebnisse sicherzustellen. Dabei untersuche ich u.a., wie sich diese hybriden Methoden effizient an unterschiedliche Datentypen trainieren lassen, welche Einflussfaktoren für die Güte der Modellvorhersagen sind und wie sich die zugrundeliegenden Strukturgruppen optimieren lassen.

Vorlesungsbetreuung

-

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

-

Vorträge

-

Poster

-