Lehrstuhl für Thermodynamik (LTD)

Wissenschaftlicher Mitarbeiter

M.Sc. Dominik Gond

FB Maschinenbau und Verfahrenstechnik
Lehrstuhl für Thermodynamik
RPTU Kaiserslautern
Erwin-Schrödinger-Straße 44
Gebäude 44/521
67663 Kaiserslautern
Tel.: +49(0)631 205-4520
Fax: +49(0)631 205-3835
E-Mail: dominik.gond(at)rptu.de

Projektbeschreibung

Erklärbarkeit von Machine Learning Methoden in der Thermodynamik

Bei der Auslegung von verfahrenstechnischen Prozessen sind Informationen über die physikalisch-chemischen Eigenschaften der eingesetzten Stoffe und Mischungen von großer Bedeutung. Die Messung dieser Eigenschaften ist allerdings aufwändig und kostspielig, weshalb experimentelle Datensätze in aller Regel extrem lückenhaft sind; dies gilt sowohl für Stoffdaten von Reinstoffen, als auch insbesondere für Stoffdaten von Mischungen. Aus diesem Grund sind Vorhersagemethoden für Stoffdaten von Mischungen in der Verfahrenstechnik unabdingbar. Neben klassischen Ansätzen, wie Gruppenbeitragsmethoden, bieten Algorithmen aus dem Bereich des maschinellen Lernens (ML) hier vielversprechende neue Möglichkeiten.

In meiner Forschung beschäftige ich mich mit der Fragestellung, wie explizites thermodynamisches Wissen in datengetriebene ML Methoden integriert werden kann, um damit hybride Modelle zur Vorhersage von Stoffdaten von Mischungen zu entwickeln. Dabei untersuche ich unter anderem, wie ML Methoden zur Vorhersage von Stoffdaten sowie deren Ergebnissen aus physikochemischer Sicht interpretiert und erklärt werden können. ML Methoden können beispielsweise selbst in großen Datenmengen Strukturen identifizieren und diese in kompakter Weise in Parametern abbilden; ein Abgleich dieser Parameter mit molekularen oder phänomenologischen Deskriptoren kann neue Erkenntnisse über die ML Methoden und ihre Ergebnisse, aber auch über die Daten selbst, generieren und schafft nicht zuletzt Vertrauen und Akzeptanz von ML Ansätzen in der Thermodynamik. Die gewonnenen Erkenntnisse setze ich zielgerichtet zur Verbesserung von hybriden Modellen zur Vorhersage von Stoffdaten von Mischungen ein, z.B. in Matrixvervollständigungsmethoden (MCM) zur Vorhersage von Aktivitätskoeffizienten.

 

Informationen zu möglichen Themen studentischer Arbeiten bei mir oder meinen Kollegen befinden sich unter: http://thermo.mv.uni-kl.de/lehre/studentische-arbeiten/

Vorlesungsbetreuung / Sprechzeiten

 

Vorlesungsbetreuung

  • Elektrolytthermodynamik (WS 2023/24)
  • ChemPlant (SS 2023)
  • Entwicklung und Planung verfahrenstechnischer Anlagen (WS 2022/23)
  • Wärmeübertragung (SS 2022)
  • Molekulare Thermodynamik (WS 2021/22)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen / Vorträge / Poster

Veröffentlichungen

  • F. Nährig, N. Nunheim, K. S. M. Salih, J.-Y. Chung, D. Gond, Y. Sun, S. Becker, W. R. Thiel: A Novel Cyclopentadienone and its Ruthenium and Iron Tricarbonyl Complexes, Eur. J. Inorg. Chem. 46 (2021) 4832-4841. DOI: 10.1002/ejic.202100745

Vorträge

  • F. Jirasek, N. Hayer, D. Gond, T. Specht, H. Hasse: Combining Machine Learning and Physical Modeling of Mixtures, Thermodynamik-Kolloquium 2022, Chemnitz, 26.09.-28.09.2022.
  • D. Gond, J.-T. Sohns, H. Leitte, F. Jirasek, H. Hasse: Learning Pure-Component Descriptors from Mixture Data, (Bio)Process Engineering 2022 - A Key to Sustainable Development, Aachen, 12.09.-15.09.2022.
  • D. Gond, J.-T. Sohns, H. Leitte, F. Jirasek, H. Hasse: Molecular Descriptors from Mixture Data, European Symposium on Applied Thermodynamics, Graz (Österreich), 17.07.-20.07.2022.
  • F. Jirasek, D. Gond, N. Hayer, T. Specht, H. Hasse: Hybrid Models for Predicting Fluid Properties of Mixtures, European Symposium on Applied Thermodynamics, Graz (Österreich), 17.07.-20.07.2022.

Poster

  • D. Gond, J.-T. Sohns, H. Leitte, F. Jirasek, H. Hasse: Learning Molecular Descriptors from Fluid Properties of Mixtures, Thermodynamik-Kolloquium 2022, Chemnitz, 26.09.-28.09.2022.

Werdegang

seit 05/2021Wissenschaftlicher Mitarbeiter am Lehrstuhl für Thermodynamik (LTD), Technische Universität Kaiserslautern
11/2020 - 03/2021Industriepraktikum bei der Daimler Truck Fuel Cell GmbH & Co.KG im Bereich Damage & Degradation, Nabern / Kirchheim unter Teck

10/2018 - 01/2021

Masterstudium der Chemie an der Technischen Universität Kaiserslautern
10/2015 - 9/2018Bachelorstudium der Chemie an der Technischen Universität Kaiserslautern
Zum Seitenanfang