NMR Fingerprinting schlecht spezifizierter Mischungen

Komplexe Mischungen, über deren Zusammensetzung nur teilweise Informationen vorliegen, sind in chemischen und biotechnologischen Prozessen weit verbreitet. Die vollumfängliche Analyse solcher schlecht spezifizierter Mischungen ist in der Praxis häufig zu aufwendig. Da klassische Modelle zur Vorhersage thermodynamischer Eigenschaften die vollständige Spezifizierung benötigen, ist deren Anwendung auf derartige Mischungen unmöglich. Um das Modellierungsproblem in Folge der unbekannten Mischungskomponenten zu umgehen, werden üblicherweise sogenannte Pseudokomponenten ohne physikalische Grundlage definiert.

Am Lehrstuhl für Thermodynamik (LTD) werden Methoden basierend auf der Kernspinresonanzspektroskopie (nuclear magnetic resonance, NMR) und Algorithmen des maschinellen Lernens zum NMR Fingerprinting und der anschließenden rationalen Definition von Pseudokomponenten auf Basis physikalischer Modelle entwickelt. Ziel meiner Arbeit ist die Weiterentwicklung dieser Methoden, um somit die thermodynamische Modellierung schlecht spezifizierter Mischungen zu ermöglichen.

Informationen zu möglichen Themen studentischer Arbeiten bei mir oder meinen Kollegen und Kolleginnen befinden sich unter: http://thermo.mv.uni-kl.de/lehre/studentische-arbeiten/.

Vorlesungsbetreuung

• Maschinelles Lernen in der Verfahrenstechnik (SS 24)
• Modellierung, Simulation und Optimierung in der Verfahrenstechnik (WS 24/25)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

-

Vorträge

• J. Wagner, J. Arweiler, Z. Romero, T. Specht, K. Münnemann, H. Hasse, F. Jirasek: Automated NMR Fingerprinting of Poorly Specified Mixtures with Machine Learning, qNMR Summit, Buchs SG, Schweiz, 18.-20.09.2024.

Poster

• J. Wagner, T. Specht, K.Münnemann, H. Hasse, F. Jirasek: Thermodynamik Modeling of Poorly Specified Mixtures Using NMR Fingerprinting and Group-Contribution Equations of State (Poster), Thermodynamik-Kolloquium, Stuttgart, 25.-27.09.2024.
• J. Wagner, T. Specht, K.Münnemann, H. Hasse, F. Jirasek: Deep Set Models for Elucidating Unknown Mixtures with NMR Spectroscopy (Poster), European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), Vilnius, Litauen, 09..09.2024.