Machine Learning in der Thermodynamik

Modelle zur Beschreibung und Vorhersage von physikalisch-chemischen Eigenschaften von Mischungen sind von fundamentaler Bedeutung in der Verfahrenstechnik, z. B. bei der Auslegung und Optimierung von Prozessen. Etablierte thermodynamische Modelle müssen aufwendig an die verfügbaren Daten angepasst werden und stoßen in vielen Fällen an ihre Grenzen. Zusätzlich nimmt im Zuge der Digitalisierung die Menge an verfügbaren Daten stark zu. Neben neuen Herausforderungen bietet dies auch vielversprechende Möglichkeiten, insbesondere bei der Verwendung von Machine Learning (ML) Methoden.

Meine Aufgabe ist es, das Potenzial von ML Methoden zur Vorhersage von physikalisch-chemischen Eigenschaften von Mischungen zu untersuchen. Neben der Anwendung von rein datengetriebenen Methoden erforsche ich zudem Wege, wie grundlegendes thermodynamischem Wissen sinnvoll in ML Methoden integriert werden kann. Mein Ziel ist es, hybride Ansätze zu entwickeln, die sowohl aus großen Datensätzen lernen können, dabei aber auch physikalische Deskriptoren und bekannte Zusammenhänge berücksichtigen. Ein Anwendungsbeispiel ist die Vorhersage von Gaslöslichkeiten und die Kopplung von ML Methoden mit dem physikalischen Modell PSRK.

Vorlesungsbetreuung

• Datenauswertung und Versuchsplanung (SS 2020)
• Thermodynamik der Transportprozesse (WS 2020/2021)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• N. Hayer, M. Kohns, Thermodynamically Rigorous Description of the Open Circuit Voltage of Redox Flow Batteries, Journal of the Electrochemical Society 167 (2020). [DOI]

Vorträge

• -

Poster

• -