In unserer Arbeitsgruppe entwickeln wir Methoden und Algorithmen des Maschinellen Lernens (ML) für verfahrenstechnische Anwendungen. Ein besonderer Fokus liegt dabei auf dem Zusammenführen von flexiblen, datengetriebenen ML Algorithmen mit explizitem physikalischem Wissen oder etablierten physikalischen Modellen, um mächtige hybride Methoden zu entwickeln. Neben theoretisch-methodischen Arbeiten führen wir in großem Umfang Laborexperimente durch, u.a. zur Messung von Stoffeigenschaften, der NMR Analytik komplexer Mischungen und dem Betrieb verfahrenstechnischer Anlagen.

Derzeit hat die Arbeitsgruppe drei Forschungsschwerpunkte:

• Entwicklung datengetriebener und hybrider ML Methoden zur Vorhersage von Stoffeigenschaften sowie deren Interpretation und zielgerichtete Verbesserung mittels Design-of-Experiment
• Thermodynamische Modellierung komplexer Mischungen unbekannter Zusammensetzung auf Basis NMR-spektroskopischer Fingerprints und ML Algorithmen
• Maschinelles Lernen auf chemischen Prozessdaten, insbesondere zur automatischen Fehlererkennung in verfahrenstechnischen Prozessen und zur Entwicklung selbstlernender Anlagen

• DFG Emmy-Noether Nachwuchsgruppe "Hybrid Thermodynamic Models"
  Integration explizten physikalischen Wissens in ML Algorithmen zur Vorhersage der Stoffeigenschaften von Mischungen und Design of Experiments mittels Active Learning Strategien
• DFG Forschungsgruppe KI-FOR 5359 "Deep Learning on Sparse Chemical Process Data"
  Automatisierte Fehlererkennung in verfahrenstechnischen Prozessen, selbstlernende Anlagen, Generation von chemischen Prozessdaten mit physikalischen, datengetriebenen und hybriden Ansätzen
• DFG Graduiertenkolleg GRK 2908 "Wertstoff Abwasser"
  Thermodynamische Modellierung der Phosphorrückgewinnung aus Abwasser, Vorhersage der Stoffeigenschaften von Elektrolytlösungen, Fingerprinting unbekannter Mischungen
• DFG Schwerpunktprogramm SPP 2331 "Machine Learning in Chemical Engineering"  (assoziiert)
  Interpretierbarkeit und Erklärbarbeit von ML Methoden in der Thermodynamik, Erkenntnisgewinn aus Daten und Modellen
• DFG Schwerpunktprogramm SPP 2363 "Molecular Machine Learning"
  Interpretierbarkeit und Erklärbarbeit von ML Methoden in der Thermodynamik, Erkenntnisgewinn aus Daten und Modellen
• CZS Perspektiven-Projekt "Process Engineering 4.0"
  Zusammenführen physikalischer Modellierung mit ML Methoden, Text- und Bilderkennung im verfahrenstechnischen Kontext, Apparate und Prozessmodellierung
• FEI Projekt "Benchtop-NMR in der Weinbereitung"
  Entwicklung einer modellgestützen Analytik zur Qualitätsbeurteilung von Trauben für die Weinbereitung mittels Benchtop-NMR