Beschreibung von thermodynamischen Eigenschaften schlecht spezifizierter Mischungen

Die Bedeutung von biotechnologischen Methoden in der Prozessindustrie ist stetig am Wachsen. Dies führt zu neuen Herausforderungen im Prozessdesign. Biotechnologische Mischungen sind oft schlecht spezifiziert, das bedeutet, dass die Zusammensetzung der Mischung nicht genau bekannt ist. Klassische thermodynamische Methoden zur Beschreibung der physikalisch-chemischen Eigenschaften von solchen Mischungen schlagen hier fehl.

Meine Aufgabe ist es daher, neue Methoden zu entwickeln, um die physikalisch-chemischen Eigenschaften von schlecht spezifizierten Mischungen beschreiben zu können. Ein erfolgsversprechender und bereits getesteter Ansatz ist dabei die Kopplung von Gruppenbeitragsmethoden wie UNIFAC mit der NMR-Spektroskopie.

 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.

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, 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.

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 2019, 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 Kolloquium2022, 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.