Detailseite
Projekt
Modellbasierte Regelung der Sprühtrocknung von strukturierten Granulaten mit spezifizierten Eigenschaften durch Transferfunktionen, hergeleitet mittels multivariater stochastischer Modelle und maschineller Lernverfahren
Antragsteller
Professor Dr.-Ing. Urs Peuker; Professor Dr. Volker Schmidt
Fachliche Zuordnung
Mechanische Verfahrenstechnik
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 504580586
Dieses Projekt untersucht die Prozesskette der Sprühtrocknung, bei der eine Trägerflüssigkeit mit dispergierten Partikeln zerstäubt wird. Während der Verweilzeit im Trockner verdunstet die Flüssigkeit, wodurch Granulate entstehen. Die innere Morphologie dieser Granulate bestimmt ihre Anwendungseigenschaften, insbesondere Porosität und Porenstruktur, die z. B. adsorptive oder katalytische Eigenschaften beeinflussen. Das Produktdesign zielt darauf ab, die Morphologie der Granulate zu steuern, die hängt sowohl von den Feed-Eigenschaften (Primärpartikel, Wechselwirkungen, Konzentration) als auch von den Prozessbedingungen (Temperaturfeld, Tropfengröße, Trocknungsbedingungen) abhängt. Die Regelung des Gesamtprozesses erfordert daher die Berücksichtigung all dieser Parameter und stellt ein multiparametrisches Problem dar. In-line-Messungen sind ein wertvolles Werkzeug zur Prozessüberwachung, jedoch ermöglichen sie nicht die direkte Erfassung der Porenstruktur der Granulate. Off-line-Methoden wie Quecksilber-Porosimetrie oder hochauflösende Computertomographie (CT) sind erforderlich, um vollständige Informationen über die Porenstruktur zu gewinnen. Diese Verfahren sind jedoch zeitaufwendig und umfassen mehrere Schritte, von der Probenahme und -präparation bis zur Bildsegmentierung und Datenanalyse. Zur Nachverfolgung der Verteilung von Deskriptoren der Granulat-Porenstruktur während des laufenden Prozesses müssen deshalb aus In-line-Daten berechnete Proxies mit den entsprechenden Deskriptorverteilungen verknüpft werden. In der 2. Förderperiode (FP) werden datengetriebene Proxies verwendet, beispielsweise durch Autoencoder basierte Komprimierung von in-line gemessenen Bilddaten. Die Vorwärts- und Rückwärtsverknüpfung von Prozessparametern und Feed-Eigenschaften mit Proxies erfolgt mit maschinellen Lernverfahren, z. B. durch neuronale Feedforward-Netzwerke. In der 1. FP wurde die Beziehung zwischen Tropfenbildung und der finalen Granulatmorphologie untersucht. Die 2. FP erweitert dies um die Vorkonditionierung der Feed-Zusammensetzung, also In-line-Anpassungen der Feststoffkonzentration und Viskosität. Das Projekt liefert wissenschaftliche Erkenntnisse zur Leistungsfähigkeit eines datengetriebenen Regelungsschemas, das sowohl In-line- als auch Off-line-Informationen nutzt. Das Konzept wird experimentell validiert, um zu zeigen, dass Granulate mit vorgegebener Porenstruktur auch unter schwankenden Prozessbedingungen hergestellt werden können. Zudem werden die Kosten von Prozessparametern berücksichtigt, was die Regelung besonders relevant in Zeiten mit variablen Energiepreisen macht.
DFG-Verfahren
Schwerpunktprogramme
