Informationen zu den Stoffeigenschaften von Mischungen sind eine zentrale Voraussetzung für die Auslegung und die Optimierung verfahrenstechnischer Prozesse. Experimentelle Daten sind jedoch häufig nur begrenzt verfügbar, weshalb in vielen Fällen auf Vorhersagemodelle zurückgegriffen wird. Neben klassischen Methoden kommen dabei heute zunehmend auch Ansätze des maschinellen Lernens (ML) zum Einsatz, die jedoch ebenfalls auf geeignete experimentelle Daten für deren Entwicklung und Training angewiesen sind. 

In meinem Projekt beschäftige ich mich mit der Frage, wie sich die Kernspinresonanzspektroskopie (engl. Nuclear Magnetic Resonance, NMR) zur Bestimmung von Stoffeigenschaften von Mischungen nutzen lassen. Ziel ist es dabei unter anderem, Daten aus NMR-Messungen in ML-basierte Vorhersagemodelle zu integrieren, um neue Einblicke in das Mischungsverhalten zu gewinnen und gleichzeitig die Genauigkeit der Vorhersagemethoden zu verbessern.

Vorlesungsbetreuung

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• -

Vorträge

• -

Poster

• -