Deep learning Methoden in der Verfahrenstechnik

Der Einsatz von Methoden des maschinellen Lernens, insbesondere von tiefen neuronalen Netzen, ist in der Verfahrenstechnik, z. B. zur Vorhersage von Stoffdaten, nicht mehr wegzudenken. Aufgrund ihrer großen Flexibilität bieten neuronale Netze viele Vorteile. Rein datengetriebene neuronale Netze liefern aber in der Regel keine physikalisch konsistenten Vorhersagen und werden daher in der Praxis oft vermieden.

Ich beschäftige mich daher damit, wie physikalische Nebenbedingungen sowie allgemein physikalisches Wissen in neuronale Netze eingebaut werden kann, damit die Modelle vertrauenswürdige Vorhersagen liefern. Ziel ist es dabei, Modelle zu entwickeln, bei denen die physikalischen Randbedingungen exakt erfüllt werden – anders als wie bei bereits etablierten Ansätzen wie den physikalisch informierten neuronalen Netzen (PINNs).

 Vorlesungsbetreuung

• Datenauswertung und Versuchsplanung (SS 19)
• Anwendungen der Magnetresonanz für Naturwissenschaftler und Ingenieure (WS 19/20)
• Laborpraktikum Anwendungen der Magnetresonanz für Naturwissenschaftler und Ingenieure (WS 19/20)
• Laborpraktikum Anwendungen der Magnetresonanz für Naturwissenschaftler und Ingenieure (WS 20/21)
• Thermodynamik I (WS 20/21)
• Laborpraktikum Anwendungen der Magnetresonanz für Naturwissenschaftler und Ingenieure (WS 21/22)
• ChemCar-Wettbewerb (WS 21/22)
• Maschinelles Lernen in der Verfahrenstechnik (SS 22)
• Laborpraktikum Anwendungen der Magnetresonanz für Naturwissenschaftler und Ingenieure (WS 22/23)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• A. Friebel, T. Specht, E. von Harbou, K. Münnemann, H. Hasse: Prediction of flow effects in quantitative NMR measurements, J. Magn. Reson. 312 (2020) 106683.
• T. Specht,K. Münnemann, F. Jirasek, H. Hasse: Estimating activity coefficients of target components in poorly specified mixtures with NMR spectroscopy and COSMO-RS, Fluid Phase Equilib. 516 (2020) 112604.
• T. Specht,K. Münnemann, H. Hasse, F. Jirasek: Automated methods for identification and quantification of structural groups from nuclear magnetic resonance spectra using support vector classification, J. Chem. Inf. Model. 61 (2021) 143-155.
• T. Specht, H. Hasse, F.Jirasek: Predictive Thermodynamic modeling of poorly specified mixtures and applications in conceptual fluid separation process design, Ind. Eng. Chem. Res. 62 (2023) 10657–10667.
• T. Specht, J. Arweiler, J. Stüber, K. Münnemann, H. Hasse, F. Jirasek: Automated nuclear magnetic resonance fingerprinting of mixtures,Magn. Reson. Chem. 1-12.
• T. Specht, K.Münnemann, F. Jirasek, H. Hasse: Rational method for defining and quantifying pseudo-components based on NMR spectroscopy, PCCP (25) 10288-10300.
• M. Nagda, P. Ostheimer, T. Specht, F. Rhein, F. Jirasek, M. Kloft, S. Fellenz: PITs: Physics-Informed Transformers for Predicting Chemical Phenomena, ECML (Workshop on Machine Learning for Chemistry and Chemical Engineering).
• M. Nagda, P. Ostheimer, T. Specht, F. Rhein, F. Jirasek, M. Kloft, S. Fellenz: SetPINNs: Set-based Physics-informed Neural Networks, arXiv preprint, arXiv:2409.20206.
• T. Specht, M. Nagda, S. Fellenz, S. Mandt, H. Hasse, F. Jirasek: HANNA: hard-constraint neural network for consistent activity coefficient prediction, Chem. Sci. (15) 19777-19786.
• N. Hayer, T. Specht, J. Arweiler, D. Gond, H. Hasse, F. Jirasek: Prediction of Activity Coefficients by Similarity-Based Imputation using Quantum-Chemical Descriptors, arXiv preprint, arXiv:2412.04993.

Vorträge

• T. Specht, K. Münnemann, F. Jirasek, H. Hasse: Quantitative Fingerprinting and Thermodynamic Modeling of Poorly Specified Mixtures with NMR Spectroscopy and Machine Learning, European Symposium of Applied Thermodynamics (ESAT), Web-Conference, 05.07-09.07.2021.
• T. Specht, K. Münnemann, F. Jirasek, H. Hasse: NEAT 2.0 – Thermodynamic Modeling of Poorly Specified Mixtures with NMR Spectroscopy and Machine Learning, Thermodynamik-Kolloqium 2021, Web-Conference, 27.09-29.09.2021.
• F. Jirasek, D. Gond, N. Hayer, T. Specht, H. Hasse: Hybrid Models for Predicting Fluid Properties of Mixtures, European Symposium on Applied Thermodynamics, Graz (Österreich), 17.07.-20.07.2022.
• F. Jirasek, N. Hayer, D. Gond, T. Specht, H. Hasse: Combining Machine Learning and Physical Modeling of Mixtures, Thermodynamik-Kolloqium 2022, Chemnitz, 26.-28.09.2022.
• N. Hayer, T. Specht, J. Arweiler, H. Hasse, F. Jirasek: Prediction of Activity Coefficients by Similarity-Based Imputation using Quantum-Chemical Descriptors (Tandem-Vortrag), Thermodynamik-Kolloqium 2022, Chemnitz, 26.-28.09.2022.
• T. Specht, K. Münnemann, F. Jirasek, H. Hasse: How Machine Learning Facilitates Thermodynamic Modeling of Complex Mixtures, 6. Tag der Verfahrenstechnik, Kaiserslautern, 04.11.2022.
• J. Arweiler, N. Hayer, T. Specht, H. Hasse, F. Jirasek: Similarity-based Prediction of Activity Coefficients, European Conference on Thermophysical Properties, Venice, Italy, 10.-13.09.2023.
• J. Arweiler, N. Hayer, T. Specht, H. Hasse, F. Jirasek: Prediction of Activity Coefficients with Similarity-based Imputation using Quantum-chemical Descriptors and Machine Learning, 14th European Congress of Chemical Engineering , Berlin, 17.-21.09.2023.
• T. Specht, J. Arweiler, Z. Romero, J. Wagner, K. Münnemann, H. Hasse, F. Jirasek: Thermodynamic Modeling of Poorly Specified Mixtures using NMR Spectroscopy and Machine Learning, European Symposium on Applied Thermodynamics, Edinburgh (GB), 09.06.-12.06.2024.
• T. Specht, H. Hasse, F. Jirasek: Thermodynamic modeling of poorly specified mixtures using NMR fingerprinting and machine learning (MegaWATT-Vortrag), Thermodynamik Kolloquium, 25.09-27.09.2024, Stuttgart.
• M. Hoffmann, T. Specht, S. Mandt, H. Hasse, F. Jirasek: Thermodynamically consistent prediction of vapor-liquid equilibria using machine learning (Tandem Vortrag), Thermodynamik Kolloquium, 25.09-27.09.2024, Stuttgart.
• T. Specht, M. Hoffmann, S. Mandt, H.Hasse, F. Jirasek: Hard-Coding of Physical Constraints in Neural Networks,Mathematical Methods in Process Engineering, 10.10-11.10.2024, Kaiserslautern.

Poster

• T. Specht, F. Jirasek, H. Hasse: NEAT - NMR spectroscopy for the estimation of activity coefficients of target components in poorly specified mixtures, NMRPM, 31.01-1.02.2019, Kaiserslautern.
• T. Specht, F. Jirasek, H. Hasse: NEAT - Estimation of Activity Coefficients of Target Components in Poorly Specified Mixtures with NMR Spectroscopy and COSMO-RS (Ol). Thermodynamik Kolloquium, 30.09-02.10.2019, Duisburg.
• T. Specht, K. Münnemann, H. Hasse, F. Jirasek: The NEAT Toolbox for Thermodynamic Modeling of Poorly Specified Mixtures. Thermodynamik Kolloquium, 26.09-28.09.2022, Chemnitz.
• J. Arweiler, T. Specht, K. Münnemann, H. Hasse, F. Jirasek: Automated NMR Fingerprinting and Thermodynamic Modeling of Poorly Specified Mixtures, Thermodynamik-Kolloquium, 25.-27.09.2023, Hannover.
• T. Specht, S. Mandt, H. Hasse, F. Jirasek: Hard-Constraint Neural Network for Thermodynamically Consistent Mixture Property Prediction, Thermodynamik Kolloquium, 25.09-27.09.2024, Stuttgart.
• T. Specht, S. Mandt, H. Hasse, F. Jirasek: Hard-Constraint Neural Network for Thermodynamically Consistent Mixture Property Prediction. Annual Meeting of Process Engineering and Materials Technology, 10.11-11.11.2024, Frankfurt.