Datengenerierung und wissensbasierte Augmentation: Batch-Destillation

• Antragsteller: Professor Dr. Michael Bortz; Professor Dr.-Ing. Hans Hasse; Professor Dr.-Ing. Fabian Jirasek
• Fachliche Zuordnung: Technische Thermodynamik ; Chemische und Thermische Verfahrenstechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459419731

Obwohl die Batch-Destillation einer der wichtigsten Prozesse in der chemischen Industrie ist, fehlen in der Literatur bislang experimentelle Daten über den Betrieb von Batch-Destillationsanlagen, die zur Entwicklung und zum Training von Methoden des maschinellen Lernens geeignet wären. Daher sollen im vorliegenden Projekt solche Daten in einer Batch-Destillationskolonne im Labormaßstab generiert werden. Diese ist mit umfangreicher Sensorik ausgestattet, zu der ein Online-NMR-Spektrometer und Kameras gehören. Zusätzlich zu den experimentellen Daten von Batch-Destillationsprozessen werden auch Simulationsdaten mit einem dynamischen physikalischen Modell erzeugt. In beiden Fällen werden Datensätze mit und ohne Anomalien generiert und ein breites Spektrum von Betriebsstrategien und -bedingungen erfasst; ferner werden Trennungen von zahlreichen unterschiedlichen Mischungen untersucht, einschließlich schlecht spezifizierter Mischungen. Die erzeugten Datensätze werden auch Angaben zu den Unsicherheiten umfassen. Zur Planung der Destillationsversuche sowie der Simulationen werden Methoden der mathematischen Versuchsplanung eingesetzt. Alle im Projekt generierten Datensätze werden öffentlich zugänglich gemacht. Die Beziehungen zwischen den experimentellen Daten und den Simulationsdaten werden eingehend betrachtet und die beiden Datentypen werden zu hybriden Datensätzen zusammengeführt. Ferner wird das vorliegende Projekt physikalisches Wissen über Batch-Destillationsprozesse liefern, das von den Projekten im Bereich A der Forschungsgruppe benötigt wird. Unser Ziel ist es, die komplexen und heterogenen Daten, die in dem Projekt generiert werden, so aufzuarbeiten, dass sie für die Erkennung von Anomalien in chemischen Prozessen optimal sind. Im Projekt wird darüber hinaus ein neuer ganzheitlicher Ansatz der Betrachtung der Batch-Destillation verfolgt, der weit über die Erkennung von Anomalien hinaus gewinnbringend sein sollte.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5359: KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten
• Internationaler Bezug: USA
• Kooperationspartner: Professor Lorenz T. Biegler, Ph.D.