Machine Learning in der Thermodynamik

Modelle zur Beschreibung und Vorhersage von physikalisch-chemischen Eigenschaften von Mischungen sind von fundamentaler Bedeutung in der Verfahrenstechnik, z. B. bei der Auslegung und Optimierung von Prozessen. Etablierte thermodynamische Modelle müssen aufwendig an die verfügbaren Daten angepasst werden und stoßen in vielen Fällen an ihre Grenzen. Zusätzlich nimmt im Zuge der Digitalisierung die Menge an verfügbaren Daten stark zu. Neben neuen Herausforderungen bietet dies auch vielversprechende Möglichkeiten, insbesondere bei der Verwendung von Machine Learning (ML) Methoden.

Meine Aufgabe ist es, das Potenzial von ML Methoden zur Vorhersage von physikalisch-chemischen Eigenschaften von Mischungen zu untersuchen. Neben der Anwendung von rein datengetriebenen Methoden erforsche ich zudem Wege, wie grundlegendes thermodynamischem Wissen sinnvoll in ML Methoden integriert werden kann. Mein Ziel ist es, hybride Ansätze zu entwickeln, die sowohl aus großen Datensätzen lernen können, dabei aber auch physikalische Deskriptoren und bekannte Zusammenhänge berücksichtigen. Ein Anwendungsbeispiel ist die Vorhersage von Gaslöslichkeiten und die Kopplung von ML Methoden mit dem physikalischen Modell PSRK.

Vorlesungsbetreuung

• Datenauswertung und Versuchsplanung (SS 2020)
• Thermodynamik der Transportprozesse (WS 2020/2021)
• Prozessthermodynamik (SS 2021)
• Labor Grundlagenfächer (SS 2021)
• Thermodynamik I (WS 2021/2022)
• Labor Thermische Verfahrenstechnik I (WS 2021/2022)
• Labor Grundlagenfächer (SS 2022)
• Thermodynamik der Mischungen (WS 2022/2023)
• Labor Thermische Verfahrenstechnik I (WS 2022/2023)
• Labor Grundlagenfächer (SS 2023)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• N. Hayer, M. Kohns: Thermodynamically Rigorous Description of the Open Circuit Voltage of Redox Flow Batteries, Journal of the Electrochemical Society 167 (2020) 110516. [DOI]
• N. Hayer, F. Jirasek, H. Hasse: Prediction of Henry's law constants by matrix completion, AIChE Journal 68 (2022) e17753. [DOI]
• O. Großmann, D. Bellaire, N. Hayer, F. Jirasek, H. Hasse: Database for liquid phase diffusion coefficients at infinite dilution at 298 K and matrix completion methods for their prediction, Digital Discovery 1 (2022) 886-897. [DOI]
• F. Jirasek, N. Hayer, R. Abbas, B. Schmid, H. Hasse: Prediction of Parameters of Group Contribution Models of Mixtures by Matrix Completion, Physical Chemistry Chemical Physics (2022). [DOI]
• M. Hoffmann, N. Hayer, M. Kohns, F. Jirasek, H. Hasse: Prediction of pair interactions in mixtures by matrix completion, Physical Chemistry Chemical Physics (2024). [DOI]

Vorträge

• F. Jirasek, N. Hayer, T. Specht, J. Damay, M. Bortz, R. Abbas, B. Schmid, H. Hasse: Hybrid Predictive Fluid Property Models – Integration of Physical Knowledge in Data-driven Matrix Completion Methods, 13th European Congress of Chemical Engineering and 6th European Congress of Applied Biotechnology, Web-Conference, 20.-23.09.2021.
• N. Hayer, F. Jirasek: Learning from Netflix – Recommender Systems for Predicting Thermodynamic Properties, Young Researchers Symposium, Kaiserslautern, 22.07.2022.
• N. Hayer, T. Specht, J. Arweiler, H. Hasse, F. Jirasek: Prediction of Activity Coefficients by Similarity-Based Imputation using Quantum-Chemical Descriptors, Thermodynamik-Kolloquium, Chemnitz, 26.-28.09.2022.
• N. Hayer, F. Jirasek, H. Hasse: Combining Machine Learning with Thermodynamic Group-Contribution Methods, ECTP2023 – 22nd European Conference on Thermophysical Properties, Venice, Italy, 10.-13.09.2023.
• N. Hayer, F. Jirasek, H. Hasse: Hybrid Group-Contribution Methods for Predicting Thermodynamic Properties of Mixtures, 14th European Congress of Chemical Engineering and 7th European Congress of Applied Biotechnology, Berlin, 17.-21.09.2023.
• N. Hayer, H. Hasse, F. Jirasek: Extending the Scope of Thermodynamic Group-Contribution Methods by Machine Learning, Thermodynamik-Kolloquium, Hannover, 25.-27.09.2023.
• N. Hayer, H. Hasse, F. Jirasek: Advancing Group-Contribution Methods for Thermophysical Properties of Mixtures, 22nd Symposium on Thermophysical Properties, Boulder (CO), USA, 24.-28.06.2024.
• N. Hayer, S. Mandt, H. Hasse, F. Jirasek: Embedding Machine Learning Methods in Physical Thermodynamic Models, European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases 2024, Vilnius, Lithuania, 09.-13.09.2024.

Poster

• N. Hayer, M. Kohns: Thermodynamically Rigorous Description of the Open Circuit Voltage of Redox Flow Batteries, Annual Meeting on Reaction Engineering, Web-Conference, 10.-12.05.2021.
• N. Hayer, F. Jirasek, H. Hasse: Prediction of Henry's Law Constants by Matrix Completion, European Symposium on Applied Thermodynamics (ESAT), Web-Conference, 05.-09.07.2021.
• N. Hayer, M. Kohns: Thermodynamically Rigorous Description of the Open Circuit Voltage of Redox Flow Batteries, Thermodynamik-Kolloquium, Web-Conference, 27.-29.09.2021.
• N. Hayer, F. Jirasek, H. Hasse: Prediction of Henry's Law Constants by Matrix Completion, Thermodynamik-Kolloquium, Web-Conference, 27.-29.09.2021.
• O. Großmann, D. Bellaire, N. Hayer, F. Jirasek, H. Hasse: Establishment of a Database and Prediction of Diffusion Coefficients at Infinite Dilution, Thermodynamik-Kolloquium, Web-Conference, 27.-29.09.2021.
• N. Hayer, F. Jirasek, H. Hasse: Prediction of Temperature-Dependent Henry's Law Constants by Matrix Completion, European Symposium on Applied Thermodynamics (ESAT), Graz, Austria, 17.-20.07.2022.
• N. Hayer, F. Jirasek, H. Hasse: Prediction of Henry's Law Constants by Matrix Completion, ProcessNet and DECHEMA-BioTechNet Jahrestagungen 2022 together with 13th ESBES Symposium, Aachen, 12.-15.09.2022.
• O. Großmann, D. Bellaire, N. Hayer, F. Jirasek, H. Hasse: Prediction of Diffusion Coefficients at Infinite Dilution by Matrix Completion, ProcessNet and DECHEMA-BioTechNet Jahrestagungen 2022 together with 13th ESBES Symposium, Aachen, 12.-15.09.2022.
• N. Hayer, F. Jirasek, H. Hasse: Prediction of Temperature-Dependent Henry's Law Constants by Matrix Completion, Thermodynamik-Kolloquium, Chemnitz, 26.-28.09.2022.
• N. Hayer, M. Kohns, F. Jirasek, H. Hasse: Active Learning for the Prediction of Second Virial Coefficients in Mixtures, Thermodynamik-Kolloquium, Hannover, 25.-27.09.2023.
• N. Hayer, S. Mandt, H. Hasse, F. Jirasek: Embedding Machine Learning Methods in Physical Thermodynamic Models, European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases 2024, Vilnius, Lithuania, 09.-13.09.2024.
• N. Hayer, S. Mandt, H. Hasse, F. Jirasek: Advancing Group Contribution Models by Machine Learning: UNIFAC 2.0, Thermodynamik-Kolloquium, Stuttgart, 25.-27.09.2024.