AI-PRE: Künstliche Intelligenz für erklärbares Roundtrip Polymer Reaction Engineering der Emulsionspolymerisation

• Antragstellerinnen: Professorin Dr. Sabine Beuermann; Dr.-Ing. Jelena Fiosina
• Fachliche Zuordnung: Technische Chemie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466601458

Die Emulsionspolymerisation (EP) ist ein vielseitiges Verfahren mit hoher technischer Relevanz zur Herstellung von Polymerkolloiden, dessen Anwendungsbereiche von der Kosmetik bis zum Bauwesen reichen. Vorteilhaft ist die Prozessführung in Wasser mit guter Wärmeabführung und Skalierbarkeit der exothermen radikalischen Polymerisation. Es sind Produkte mit komplexen Polymerstrukturen und Polymere mit gezielten Eigenschaften zugänglich, die entscheidend vom Emulsions-polymerisationsprozess geprägt sind. Daher ist die Modellierung der Polymerisation und die Vorhersage der Reaktionsbedingungen im Rahmen des polymer reaction engineering (PRE) von großem Interesse. Das wesentliche Ziel des Projekts ist die Integration von künstlicher Intelligenz (artificial intelligence, AI) in das polymer reaction engineering der Emulsionspolymerisation. Damit soll ein reverse engineering des Polymerisationsprozesses etabliert werden mit dem optimale Rezepturen und Prozessbedingungen gefunden werden, die auf gewünschte Produkteigenschaften der Polymere (Molmassenverteilungen, Mikroarchitekturen) fokussieren. Dafür ist (1) die Beschreibung des multiskaligen Emulsionspolymerisationsprozesses durch einen kinetischen Monte Carlo Ansatz (kMC) mit einer detaillierten Reaktionskinetik und Berücksichtigung von Phasentransferprozesse und (2) die Entwicklung eines kohärenten AI basierten, integrierten Modellsystems zur Modellierung des Emulsionspolymerisationsprozesses mit der Fähigkeit des reverse engineering notwendig. Ein bereits entwickelter open source kMC Simulator für die Simulation der Reaktionskinetik in homogener Phase soll für die Beschreibung der EP erweitert werden und die erforderlichen Trainings- und Testdaten für die KI-Modelle generieren. Im Einzelnen werden folgende wissenschaftliche Ziele verfolgt: (1) Die Schaffung einer kohärenten Suite skalierbarer AI-basierter Modelle für die Multiskalenmodellierung der EP, die ein effizientes Lernen der AI-Modelle auf Basis der Trainingsdaten aus der kMC-Simulation ermöglicht. (2) Die Etablierung von AI-basierten Modellansätzen für das reverse engineering von EP-Prozessen mit Modellierungs- und Optimierungsfähigkeiten auf den unterschiedlichen Skalen (Makro- und Mikroskala) auf Basis von experimentellen Daten und Daten aus der kMC-Simulation. (3) Die Erarbeitung einer allgemeinen Methodik zur Erklärbarkeit der AI-Modelle. (4) Die experimentelle Untersuchung der Kinetik der Dibutylitaconat-Polymerisation mit Ausweitung auf Itaconate mit sehr unterschiedlichen Estergruppen. (5) Die Etablierung einer kMC-Simulationsumgebung für die multiskalige Homo- und Copolymerisationen von Itaconat-Monomeren in Emulsion. (6) Die Bereitstellung experimenteller Daten zur Validierung der kMC- und AI-Modelle. Der stoffliche Schwerpunkt des Projekts liegt auf biobasierten Itaconatmonomeren und die erhaltenen neuartigen Polymere werden hinsichtlich ihrer Eigenschaften umfassend charakterisiert.

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