Effizientes Membrandesign für die Entfernung von molekularen Schadstoffen aus Abwässern unterstützt durch maschinelles Lernen

• Antragsteller: Dr. Martin Schmidt
• Fachliche Zuordnung: Polymermaterialien
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 552615050

Molekulare Schadstoffe in aquatischen Systemen werden seit vielen Jahren als ernstes globales Problem anerkannt. Sie stellen eine potenzielle Bedrohung für Ökosysteme und die menschliche Gesundheit dar. Adsorptionsverfahren zur Entfernungen von Schadstoffen sind moderne Methoden der Abwasserbehandlung, die im Gegensatz zu einigen oxidativen Verfahren keine toxischen Nebenprodukte erzeugen. Die Filtration mit Polymermembranen, insbesondere Nanofiltration oder Umkehrosmose, ist eine Möglichkeit, um herkömmliche Adsorptionsstrategien zu ersetzen. Daneben sind poröse Mikrofiltrationsmembranen sehr vielversprechend, da sie wegen der größeren Porengröße einen wesentlich höheren Durchsatz ermöglichen. Aufgrund unzureichender Adsorptionsstellen sind diese Membranen jedoch nicht in der Lage, Schadstoffe (wirksam) aus dem Abwasser zu entfernen. Die Membranoberfläche muss so modifiziert werden, dass die Anreicherung von Schadstoffen verbessert wird. Am Leibniz-Institut für Oberflächenmodifizierung (IOM) wurde eine Plattformtechnologie für die Funktionalisierung von Polymermembranen entwickelt. Nahezu jede molekulare Verbindung kann durch einen reagenzienfreien, elektronenstrahlbasierten Ansatz auf der Membranoberfläche immobilisiert werden. Es fehlt jedoch eine effiziente Strategie zur Auswahl einer geeigneten molekularen Funktionalisierung für Polymermembranen mit hoher Kapazität zur Entfernung von Schadstoffen aus Abwässern. Ziel dieses Projekts ist es daher, einen maschinellen Lernansatz zu entwickeln, der ausschließlich Daten aus quantenchemischen Berechnungen als Input für die Materialentwicklung verwendet. Darüber hinaus werden experimentelle Bedingungen während des Funktionalisierungs- sowie Adsorptionsprozesses in dem maschinellen Lernmodell berücksichtigt und zur rationalen Entwicklung von adsorptiven Polymermembranen für die Entfernung von 20 Modell-Schadstoffen aus wässriger Lösung verwendet.

• DFG-Verfahren: Sachbeihilfen