Detailseite
Projekt
Hybride Physik-Neuronales Netzwerk Softsensoren für den dynamischen Betrieb von Flüssig-flüssig-Trennprozessen
Antragsteller
Dr.-Ing. Manuel Dahmen; Professor Dr.-Ing. Andreas Jupke
Fachliche Zuordnung
Chemische und Thermische Verfahrenstechnik
Förderung
Förderung seit 2021
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466656378
In diesem Projekt soll das Potenzial Physik-informierter neuronaler Netze als Schätzer schlecht messbarer Zustände in Flüssig-flüssig-Trennprozessen erforscht werden, die einer mechanistischen Beschreibung auf Basis physikalisch/chemischen Wissens nur teilweise zugänglich sind. Als konkretes Beispiel untersuchen wir den dynamischen Betrieb eines horizontalen Schwerkraftabscheiders zur Trennung von Flüssig-flüssig-Dispersionen, wie er in der chemischen Industrie, in biotechnologischen Prozessen oder im Recycling zum Einsatz kommt. Unser Ziel ist es, einen zuverlässigen Softsensor zur Vorhersage der Dispersionsschichthöhe in einem solchen Apparat zu entwickeln, da diese Größe den wichtigsten Indikator für die Trennleistung des Abscheiders darstellt. Dazu kombinieren wir maschinelles Lernen und mechanistische Modellierung auf dem Wege einer Physik-basierten Regularisierung. Um die erforderlichen Trainingsdaten zu generieren, werden wir einen Abscheider im Technikumsmaßstab in einem geschlossenen, kontinuierlichen Betrieb verwenden, der die Variation und die Messung von Betriebsbedingungen, Materialsystem-, Dispersions- und Phasentrennungsparametern ermöglicht. Wir werden das hybride Modell mit einem rein datengetriebenen Modell, z.B. einem rekurrenten neuronalen Netzwerk, vergleichen, um zu prüfen, ob das hybride Modell weniger Trainingsdaten benötigt, besser generalisiert und physikalisch konsistentere Vorhersagen macht. Außerdem werden wir den Einsatz des hybriden Softsensors in der Regelung demonstrieren und den Modellgültigkeitsbereich analysieren. Unser Projekt greift drei im SPP 2331 definierte Herausforderungen auf: die Berücksichtigung physikalischer Gesetze in ML-Modellen, die optimale Entscheidungsfindung, und die Steigerung des Vertrauens in ML-Anwendungen.
DFG-Verfahren
Schwerpunktprogramme
