Detailseite
Projekt
Maschinelles Lernen und optimale Versuchsplanung zur Modellierung thermodynamischer Stoffdaten
Antragsteller
Professor Dr. Roland Herzog; Professor Dr.-Ing. Markus Richter
Fachliche Zuordnung
Technische Thermodynamik
Mathematik
Mathematik
Förderung
Förderung seit 2021
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466528284
Für viele Aufgaben in der Chemie- und Energietechnik spielt die genaue Kenntnis der thermodynamischen Eigenschaften (z.B. Druck und Temperatur mit Dichte und Schallgeschwindigkeit) und des Phasenverhaltens der beteiligten Fluide eine Schlüsselrolle. Solche Eigenschaften sind für das grundlegende Verständnis des chemisch-physikalischen Verhaltens und für die Entwicklung von Vorhersagemodellen erforderlich. Thermodynamische Eigenschaften sind auch die Grundlage für die Gestaltung sicherer, nachhaltiger und energieeffizienter Prozesse und Maschinen. Die Qualität von Stoffdatenberechnungen hängt jedoch weitgehend von der Verfügbarkeit und der Genauigkeit der experimentellen oder simulierten Daten sowie von den verwendeten Modellierungsverfahren ab. Messungen der thermodynamischen Eigenschaften sind in der Regel die genaueste Datenquelle und werden häufig in einem dichten Raster von Messpunkten durchgeführt, was letztlich einen umfassenden Datensatz liefert. Mit dem Ziel, eine genaue Zustandsgleichung zu entwickeln, ist dieser Ansatz jedoch zeitaufwändig, während unklar ist, ob alle Daten für die Modellentwicklung tatsächlich wesentlich sind. Infolgedessen ist die Entwicklung zuverlässiger Modelle aufgrund des erforderlichen zeitlichen und finanziellen Aufwands eher begrenzt. Es ist daher sehr wünschenswert, die Modellentwicklungszeit durch Begrenzung der experimentellen Datenmenge auf das erforderliche Maß deutlich zu reduzieren. Darüber hinaus sollten die entwickelten Modelle prägnante Funktionsformen aufweisen, um effiziente Berechnungen zu ermöglichen und den Einsatz in der Prozessgestaltung zu erleichtern. Das Hauptziel des vorgeschlagenen Forschungsvorhabens besteht daher darin, die oben genannten Probleme durch einen ganzheitlichen Ansatz zu lösen. Dazu ist ein gezieltes Zusammenspiel zwischen (1) interpretierbarem maschinellen Lernen in Form symbolischer Regression zur Bestimmung geeigneter funktionale Formen, (2) optimaler Versuchsplanung, zur Bestimmung der informativsten Datenpunkte, und (3) der eigentlichen Datenerhebung vorgesehen. In der ersten Phase des Schwerpunktprogramms wurde ein Arbeitsablauf entwickelt, bei dem ausgehend von anfänglichen Daten thermodynamischer Eigenschaften mit Hilfe der Modellierung der Zustandsgleichung durch Verfahren des maschinellen Lernens eine erste funktionale Form erstellt wird. Diese Form wird verwendet, um die nächsten informativen Messungen vorherzusagen, die dann als Input für die weitere Modellierung der Zustandsgleichung verwendet werden können. In der zweiten Projektphase wird dieser Arbeitsablauf auf die Untersuchung von Mischungen angewendet. Dazu werden Flüssig-Flüssig-Gleichgewichte untersucht und anwendungsspezifische Modelle für den Einsatz im Prozessauslegung erstellt. Darüber hinaus werden mittels symbolischer Regression physikalisch begründete Fundamentalgleichungen für Reinstoffe und vor allem Gemische entwickelt.
DFG-Verfahren
Schwerpunktprogramme
Mitverantwortlich
Xiaoxian Yang, Ph.D.
