Fingerprinting und thermodynamische Modellierung schlecht spezifizierter Mischungen mit NMR Spektroskopie und Maschinellem Lernen
Zusammenfassung der Projektergebnisse
Mischungen mit teilweise unbekannter Zusammensetzung sind in vielen Bereichen der Wissenschaft und Technik allgegenwärtig, z.B. der Chemie, der Biotechnologie und den Umweltwissenschaften. Solche Mischungen stellen eine große Herausforderung für die konzeptionelle Prozessauslegung und -optimierung dar, weil klassische thermodynamische Modelle in dieser Situation nicht angewendet werden können, da sie vollständige Informationen über die Zusammensetzung erfordern. In diesem Projekt wurde ein neues methodisches Rahmenwerk zur Bewältigung dieser Herausforderung entwickelt, das aus drei Schritten besteht und welches die NMR-Spektroskopie, Algorithmen aus dem maschinellen Lernen (ML) und thermodynamische Modelle kombiniert. Im ersten Schritt, dem so genannten "NMR-Fingerprinting", werden aus einem Satz von Standard-NMR-Spektren der unbekannten Probe auf automatisierte Weise Informationen über die strukturellen Gruppen als Bausteine der Komponenten abgeleitet. Zu diesem Zweck wurde ein Support Vector Classification (SVC) Algorithmus aus dem ML entwickelt und an NMR Spektren von fast 3000 Reinstoffen trainiert. Im zweiten Schritt werden die durch NMR-Fingerprinting identifizierten und quantifizierten strukturellen Gruppen verwendet, um Pseudokomponenten in der unbekannten Mischung zu definieren. Zu diesem Zweck wurde das k-medians Clustering aus dem ML verwendet, das auf der Grundlage von Selbstdiffusionskoeffizienten durchgeführt wurde, die mittels Pulsed-Field Gradient (PFG) NMR- Spektroskopie gemessen wurden. Im dritten und letzten Schritt wird die erhaltene Zusammensetzung in Form von Pseudokomponenten als Input für thermodynamische Gruppenbeitragsmethoden zur Modellierung der Eigenschaften der unbekannten Probe verwendet. Die neu entwickelte Methodik wurde mit unbekannten Reinstoffen und Mischungen, die durch Fermentationsbrühen inspiriert wurden, validiert und getestet. Die automatisch erhaltenen Charakterisierungen wurden systematisch mit den wahren Zusammensetzungen verglichen, wobei sehr gute Übereinstimmungen gefunden wurden. Darüber hinaus wurden die erhaltenen Charakterisierungen verwendet, um zwei thermische Trennprozesse mit unbekannten Feedmischungen zu simulieren: die Flüssig-Flüssig-Extraktion und die einstufige Batch-Destillation. Auch hier wurden die Ergebnisse mit denen bei Verwendung der bekannten Zusammensetzung verglichen, wobei eine hervorragende Übereinstimmung festgestellt wurde. Die entwickelte Methodik wurde veröffentlicht, u.a. auf einer interaktiven Website, und wird in Folgeprojekten erweitert und auf spezifische Problemstellungen zugeschnitten werden.
Projektbezogene Publikationen (Auswahl)
-
Fingerprinting and thermodynamic modeling of poorly specified mixtures with NMR spectroscopy and machine learning, Symposium on Thermophysical Properties, online, 20.-25.06.2021 (Talk)
F. Jirasek, T. Specht & H. Hasse
-
NEAT 2.0 – Thermodynamic modeling of poorly specified mixtures with NMR spectroscopy and machine learning, Thermodynamik-Kolloquium 2021, online, 27.-29.09.2021 (Talk)
T. Specht, K. Münnemann, F. Jirasek & H. Hasse
-
Quantitative fingerprinting and thermodynamic modeling of poorly specified mixtures with NMR spectroscopy and machine learning, European Symposium of Applied Thermodynamics, online, 05.-09.07.2021 (Talk)
T. Specht, K. Münnemann, F. Jirasek & H. Hasse
-
The NEAT toolbox for thermodynamic modeling of poorly specified mixtures, Thermodynamik-Kolloquium, Chemnitz, 26.- 28.09.2022 (Poster)
T. Specht, K. Münnemann, H. Hasse & F. Jirasek
-
Automated NMR fingerprinting and thermodynamic modeling of poorly specified mixtures, Thermodynamik-Kolloquium, Hannover, 25.-27.09.2023 (Poster)
J. Arweiler, T. Specht, K. Münnemann, H. Hasse & F. Jirasek
-
Automated nuclear magnetic resonance fingerprinting of mixtures. Magnetic Resonance in Chemistry, 62(4), 286-297.
Specht, Thomas; Arweiler, Justus; Stüber, Johannes; Münnemann, Kerstin; Hasse, Hans & Jirasek, Fabian
-
Modeling Unknown Mixtures, Mathematical Methods in Process Engineering (MMiPE), Kaiserslautern, 05.-06.10.2023.
F. Jirasek
-
Predictive Thermodynamic Modeling of Poorly Specified Mixtures and Applications in Conceptual Fluid Separation Process Design. Industrial & Engineering Chemistry Research, 62(27), 10657-10667.
Specht, Thomas; Hasse, Hans & Jirasek, Fabian
-
Rational method for defining and quantifying pseudo-components based on NMR spectroscopy. Physical Chemistry Chemical Physics, 25(15), 10288-10300.
Specht, Thomas; Münnemann, Kerstin; Hasse, Hans & Jirasek, Fabian
-
SMART NMR fingerprinting of mixtures using benchtop spectrometers, Quantitative NMR Methods for Reaction and Process Monitoring (NMRPM), Kaiserslautern, 24.-26.05.2023 (Poster)
J. Arweiler, T. Specht, K. Münnemann, H. Hasse & F. Jirasek
-
Thermodynamic modeling of unknown mixtures with NMR spectroscopy and machine learning, Quantitative NMR Methods for Reaction and Process Monitoring (NMRPM), Kaiserslautern, 24.-26.05.2023 (Talk)
F. Jirasek
