SPP 2331:  Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen

• Fachliche Zuordnung: Wärmetechnik/Verfahrenstechnik ; Biologie ; Chemie ; Informatik, System- und Elektrotechnik ; Mathematik ; Physik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 441958259

Die Verfahrenstechnik (VT) steht an einem Scheideweg. Eine Umstellung der chemischen Industrie auf regenerative Energie- und Rohstoffversorgung ist in Deutschland als drittgrößtem Chemielieferanten der Welt von größter Bedeutung. Erneuerbare Ressourcen fluktuieren in Zeit und Raum, was einen dynamischen Betrieb und neue Paradigmen für das Design flexibler Anlagen erfordert. Gleichzeitig muss die chemische Industrie ihren Anlagenbetrieb kontinuierlich optimieren, die Anlagenverfügbarkeit erhöhen und die Time-to-Market verkürzen, um die Wettbewerbsfähigkeit zu sichern. VT ist derzeit nicht in der Lage, diesen grundlegenden Wandel mit etablierten Methoden zu ermöglichen. VT ist tief in der Physik und Chemie verwurzelt und kombiniert Modelle und Simulation mit Experimenten. Modelle decken Skalen von Molekülen bis hin zu Unternehmen und der Umwelt ab. Experimente spielen eine wichtige Rolle bei der Identifizierung, Kalibrierung oder Validierung von Modellen für Prozessdesign und -betrieb. Die Entwicklung von Modellen und geeigneten mathematischen Methoden ist jedoch teuer und viele Phänomene lassen sich nicht vollständig durch nachvollziehbare Modelle beschreiben. Um den Wandel in der chemischen Produktion anzugehen, stellen wir uns eine enge Zusammenarbeit zwischen dem aufstrebenden Gebiet des maschinellen Lernens (ML) und VT mit seiner breiten Palette an Methoden aus der Physik und Chemie vor. ML hat eine großartige Erfolgsbilanz bei der Arbeit mit heterogenen und großen Datensätzen und der Durchführung kreativer Aufgaben. Anwendungen wie AlphaGo und autonomes Fahren zeigen beeindruckende Ergebnisse. Bisher konzentrieren sich ML-Anwendungen innerhalb von VT meist auf die Datenanalyse und das Ersetzen bestehender physikochemischer Modelle durch Surrogate. Die gemeinsame interdisziplinäre Forschung zwischen ML und VT hat das Potenzial für bahnbrechende Ergebnisse. VT hat eine Erfolgsgeschichte in der Zusammenarbeit mit angewandter Mathematik und Informatik und in der gemeinsamen Entwicklung von Methoden, die weit über VT hinaus anwendbar sind, z.B. in partiellen Differentialgleichungen, algebraischen Differentialgleichungen und deterministischer (globaler) Optimierung.Wir haben für dieses Schwerpunktprogramm sechs Bereiche der Verbundforschung identifiziert, die neue Methoden für VT erschließen, neue Problemtypen für ML formulieren und gemeinsam Fortschritte für Methoden in ML und VT generieren. Diese Bereiche sind #1 Optimale Entscheidungsfindung, #2 Einführung physikalischer Gesetze in ML-Modellen, #3 Heterogenität von Daten, #4 Informations- und Wissensrepräsentation, #5 Sicherheit und Vertrauen in ML-Anwendungen, und #6 Kreativität. Unter dem Dach dieser Bereiche wird das SPP Kooperationsprojekte zwischen Gruppen aus dem Chemieingenieurwesen und ML haben, die Fortschritte bei der Prozesssynthese, der Prozessflexibilität, der Materialauswahl, der Generierung von Alternativen und der Aufdeckung von verborgenen Informationen versprechen.

• DFG-Verfahren: Schwerpunktprogramme
• Internationaler Bezug: Großbritannien

Projekte

• Graph-Basiertes Generatives Maschinelles Learnen für optimale Moleküle (Antragsteller Grohe, Martin ;  Mitsos, Ph.D., Alexander )
• Hybride Physik-Neuronales Netzwerk Softsensoren für den dynamischen Betrieb von Flüssig-flüssig-Trennprozessen (Antragsteller Dahmen, Manuel ;  Jupke, Andreas )
• Kern-Methoden für Konfidenzbereiche zur optimalen Versuchsplanung und Parameterschätzung (Antragsteller Bortz, Michael ;  Esche, Erik )
• Koordinationsfonds (Antragsteller Mitsos, Ph.D., Alexander )
• Maschinelles Lernen für das Design von Grundoperationen im Chemieingeneurwesen - von Mikroverdampfern zu 3D-strukturierten Mehrphasenreaktoren (Antragsteller Dittmeyer, Roland ;  Friederich, Pascal ;  Stroh, Alexander )
• Maschinelles Lernen für den Entwurf und die Regelung von Power2X-Prozessen am Beispiel der Methanolsynthese (Antragsteller Kienle, Achim ;  Sager, Sebastian ;  Seidel-Morgenstern, Andreas )
• Maschinelles Lernen für Erklärbares Roundtrip Polymer Reaction Engineering (Antragstellerinnen Beuermann, Sabine ;  Fiosina, Jelena )
• Maschinelles Lernen und optimale Versuchsplanung zur Modellierung thermodynamischer Stoffdaten (Antragsteller Herzog, Roland ;  Richter, Markus )
• Reinforcement Learning für automatisierte Fließbildsynthese von stationären Prozessen (Antragsteller Burger, Jakob ;  Grimm, Dominik )
• Sicheres Reinforcement Learning für Anfahr- und Betriebsstrategien Chemischer Prozesse (Antragsteller Lucia Gil, Sergio ;  Repke, Jens-Uwe )
• Translation von thermodynamischem Wissen auf Computer (Antragstellerinnen / Antragsteller Fellenz, Sophie ;  Hasse, Hans ;  Leitte, Heike )
• Verbesserung der Simulationen von großen, mit dichten Partikeln beladenen Strömungen durch maschinelles Lernen: ein genetischer Programmieransatz (Antragstellerinnen / Antragsteller Mostaghim, Sanaz ;  van Wachem, Ph.D., Berend )

• Sprecher: Professor Alexander Mitsos, Ph.D.