Verallgemeinerung der automatisierten, neuronalen Fließbildsynthese auf neue Stoffsysteme

• Antragsteller: Professor Dr.-Ing. Jakob Burger; Professor Dr. Dominik Grimm
• Fachliche Zuordnung: Chemische und Thermische Verfahrenstechnik ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466387255

Die Fließbildsynthese ist Teil des konzeptionellen Designs in der Verfahrenstechnik (VT). In der ersten Förderperiode des SPPs haben wir ein Reinforcement Learning (RL)-Verfahren für die automatisierte Fließbildsynthese von stationären chemischen Prozessen entwickelt und implementiert. Die RL-Umgebung besteht aus einem Prozesssimulator, der physikalisches Wissen enthält: physikalisch-chemische Stoffdaten und eine Reihe Apparatemodelle. Schritt für Schritt erstellt der RL-Agent Fließbilder, modifiziert sie und bewertet sie im Prozesssimulator, um einen Reward in Bezug auf ein bestimmtes Ziel (z.B. den Kapitalwert) zu erhalten. Der Agent hat keine Vorkenntnisse in der VT und ist darauf trainiert, Fließbilder ausschließlich durch automatische Interaktion mit dem Simulator zu erstellen. Er ist mittlerweile in der Lage ist, Fließbilder für komplexe Trennprozesse zu entwickeln: z.B. Azeotrop- oder Entrainer-Destillationen mit Lösemittelauswahl und Rückführungsströmen. Das RL-Setup ist auf Augenhöhe mit klassischen mathematischen Optimierungsmethoden für die Fließbilderstellung, wie z.B. die Reduktion von Superstrukturen. Es besteht jedoch ein großes Potenzial für das RL-Setup, gelernte Strategien auf neue, unbekannte chemische Systeme zu übertragen. In unserem Projekt für die zweite Förderperiode werden wir systematisches Training einsetzen, um das Lernen an einzelnen Stoffsystemen auf weitere, neue Stoffsysteme zu verallgemeinern. Wir setzen auf unseren Methoden aus der ersten Förderperiode auf und verbessern diese mit dem Ziel, einen generalisierten Ansatz zu entwickeln: Die Aufgabenstellung gibt einen Zulaufstrom und dessen Zusammensetzung vor. Das im Projekt entwickelte Modell des maschinellen Lernens (ML) schlägt dann nahezu optimale Fließbilder zur Trennung des Stroms vor, auch wenn das Stoffsystem nicht im Trainingsprozess einbezogen war. Um dies zu erreichen, wird die AG Burger (VT) den Fließbildsimulator flexibler gestalten (mehr Prozesseinheiten, Multikomponentenmischungen, detailliertere Kostenfunktionen). Die AG Grimm (ML) leitet die Entwicklung verallgemeinerter Fließbildrepräsentationen, skalierbarer und flexibler ML-Modellarchitekturen und effizienter Trainingsstrategien. Das Training wird hauptsächlich im Raum der thermodynamischen Eigenschaften durchgeführt, die das Verhalten der Stoffe in den Prozesseinheiten charakterisieren. Eine enge Zusammenarbeit zwischen den beiden Gruppen hat sich bereits in der ersten Förderperiode als erfolgreich erwiesen. Das Projekt ist im Feld F der Kooperationsmatrix des SPPs angesiedelt, hauptsächlich im Forschungsbereich #6 Kreativität. Es besteht ein großes Potenzial für die Zusammenarbeit mit anderen Projekten. U. a. können wir die Vorhersage von Eigenschaften aus Molekülstrukturen in unseren Prozesssimulator integrieren. Außerdem werden wir weiterhin Methoden (RL, Short-Cut-Modelle) mit den Projekten austauschen, die sich mit Prozessdesign, Optimierung oder anderen Planungsproblemen beschäftigen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2331: Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen