Detailseite
Projekt
Maschinelles Lernen für das Design von Grundoperationen im Chemieingeneurwesen - von Mikroverdampfern zu 3D-strukturierten Mehrphasenreaktoren
Antragsteller
Professor Dr.-Ing. Roland Dittmeyer, seit 4/2022; Professor Dr. Pascal Friederich; Dr.-Ing. Alexander Stroh
Fachliche Zuordnung
Chemische und Thermische Verfahrenstechnik
Förderung
Förderung seit 2021
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466504162
Maschinelles Lernen (ML) entwickelte sich in den letzten Jahren in einer unglaublichen Geschwindigkeit. Aus verschiedenen Gründen hat sich dabei die Anwendung von ML Methoden auf einige wenige Gebiete konzentriert, wie z.B. die Verarbeitung natürlicher Sprache, Bildbearbeitung und einzelne spezielle Gebiete der Naturwissenschaften. In dem Projekt ist es geplant, ML Methoden dazu zu verwenden, Daten zu Grundoperationen im Chemieingenieurwesen (z.B. Mikroverdampfer oder Mehrphasenreaktoren) zu kombinieren, die mit Hilfe von Simulationen und Experimenten generiert werden, um nicht nur Geräteeigenschaften vorherzusagen, sondern auch Designverbesserungen vorzuschlagen. Zusätzlich dazu planen wir die ML-basierten Voraussagen verständlich und erklärbar zu machen. Als Vorarbeit haben wir eine erste Proof-of-Concept-Studie durchgeführt, in der wir gezeigt haben, dass ML-Modelle, insbesondere faltende neuronale Netze (CNNs), in der Lage sind, die Eigenschaften von Strömungsgeräten vorherzusagen. Aufbauend auf unserer Vorstudie planen wir generative ML-Modelle zu entwickeln, um einen strukturierten Mikroverdampfer und 3D-strukturierte Mehrphasenabsorber zu entwerfen. Dabei werden neuartiger Werkzeuge des maschinellen Lernens mit modernsten Simulationsmethoden kombiniert. Obwohl diese Aufgabe sehr anwendungsspezifisch klingt, erlaubt sie uns, bestehende und breit angewandte Methoden des maschinellen Lernens zu verbessern, insbesondere mit Fokus Unsicherheits-Quantifizierung und damit verbundenem aktiven Lernen, sowie auf der wissenschaftlichen Interpretation von (generativen) ML Modellen.Das erste Ziel des Projekts beinhaltet die Vorhersage neuartiger Wandstrukturierungen unter Verwendung von Methoden des maschinellen Lernens, einschließlich der Entwicklung von integrierten Workflows für aktives Lernen unter Verwendung unsicherheitsbewusster 2D CNNs, sowie die Evaluierung ML-basierter Geräteentwürfe auf der Grundlage von virtuellem Hochdurchsatz-Screening, generativen Modellen und genetischen Algorithmen zur Exploration und Optimierung. Das zweite Ziel des Projekts ist das Design neuartiger mikrofluidischer Verdampfer, die aus Anordnungen von Strömungskanälen in Arrays bestehen und durch ML-basierte Optimierung qualitativ hochwertigen gesättigten Dampf erzeugen. Hier ist die Entwicklung von ML-Modellen geplant, welche die Lücke zwischen hochgenauen kleinskaligen direkten numerischen Simulationen und rechenzeitgünstigen Simulationenen von kompletten Mikroverdampfern mit mehreren Kanälen zu schließen. Das dritte Ziel ist die Erforschung völlig neuartiger 3D-Geometrien für komplexe Mehrphasenströmungssysteme mittels ML-basiertem Design. Wir planen Methoden zu entwickeln, die das Training generativer ML-Modelle auf heterogenen Datensätzen aus Simulation und Experiment ermöglicht und die Einbindung von Heuristiken für die Druckbarkeit und schließlich für den metallischen 3D-Druck für die experimentelle Evaluierung von ML-Vorhersagen miteinbezieht.
DFG-Verfahren
Schwerpunktprogramme
Internationaler Bezug
Großbritannien
Kooperationspartner
Professor Antonio del Rio Chanona, Ph.D.
Ehemaliger Antragsteller
Bradley Ladewig, Ph.D., bis 3/2022
