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. In der Wissenschaft sind solche Eigenschaften für das grundlegende Verständnis des chemisch-physikalischen Verhaltens und für die Entwicklung von Vorhersagemodellen erforderlich. Für die Industrie sind thermodynamische Eigenschaften die Grundlage für die Gestaltung sicherer und nachhaltiger Prozesse und Maschinen. Die Qualität von Stoffdatenberechnungen mittels Zustandsgleichungen (EOS) hängt jedoch weitgehend von der Verfügbarkeit und Genauigkeit experimenteller Daten ab. Messungen solcher Daten werden häufig in einem dichten Raster von Messpunkten durchgeführt, was letztlich einen umfassenden Datensatz liefert. Mit dem Ziel, eine genaue EOS 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. In Anbetracht dessen ist es äußerst wünschenswert, die Modellentwicklungszeit erheblich zu verkürzen, indem die Menge der experimentellen Daten auf das erforderliche Maß begrenzt wird, und funktionale Formen einzubeziehen, die kurze Rechenzeiten für die Anwendung in der Prozesssimulation ermöglichen. Daher besteht das Hauptziel des Forschungsvorhabens darin, die oben genannten Probleme zu lösen. Dazu ist ein gezieltes Zusammenspiel zwischen (1) interpretierbarem maschinellen Lernen (ML), um die ideale funktionale Form der EOS zu finden, (2) optimaler Versuchsplanung, um die am besten geeigneten Messpunkte zu bestimmen, und (3) dem eigentlichen Experiment vorgesehen. Ein möglicher Workflow kann wie folgt aussehen: Ausgehend von ersten Messungen der thermodynamischen Eigenschaften wird eine ML-basierte EOS-Modellierung verwendet, um eine vorläufige funktionale Form zu ermitteln. Diese wird eingesetzt, um die informativsten Messungen vorherzusagen, die dann Eingang in die weitere EOS-Modellierung finden. Wann dieser Workflow beendet werden muss, ist Teil des Arbeitsprogramms. Ein wichtiges Ergebnis des Vorhabens ist ein In-situ-Softwaretool für die thermodynamische Versuchsplanung und Modellentwicklung, das den experimentellen Aufwand, die Modellgenauigkeit und die Interpretierbarkeit berücksichtigt.
DFG-Verfahren
Schwerpunktprogramme
