Note: Die Trennung von flüssig-flüssig Dispersionen ist ein wesentlicher Schritt in vielen Prozessen und wird häufig in horizontalen, kontinuierlich betriebenen Schwerkraftabscheidern durchgeführt. Das Verhindern von Fluten, d.h. einer Mitnahme der dispersen Phase in einem Auslass einer kontinuierlichen Phase, ist bedeutsam für die effiziente Phasentrennung. Das Auftreten von Fluten ist jedoch schwer vorherzusagen, da Sedimentation, Koaleszenz und Strömungsbedingungen in einem Schwerkraftabscheider durch Material-, Betriebs- und Geometrieparameter beeinflusst werden. Die Herleitung eines zuverlässigen mechanistischen Modells für die Abscheiderdynamik ist erschwert, da der Einfluss der genannten Parameter auf die Phasentrennung immer noch schlecht beschreibbar ist. In der ersten Phase des Schwerpunktprogramms SPP 2331 konnten wir zeigen, dass sich physikinformierte neuronale Netze in einer solchen Situation geprägt durch beschränktes mechanistisches Wissen und beschränkte Verfügbarkeit von Daten als dynamische Prozessmodelle hervorragend eignen. Um die Abscheiderdynamik besser zu untersuchen und experimentelle Daten zum Trainieren von Modellen sammeln zu können, haben wir einen Abscheider im Pilotmaßstab mit fortschrittlicher Instrumentierung sowie Mess- und Automatisierungsfähigkeiten in unserem Labor aufgebaut. Die Anlage erlaubt uns die Generierung einzigartiger Betriebsdaten für diesen schlecht verstandenen Prozess. In der Fortsetzungsphase wollen wir die Modellierung und die experimentellen Untersuchungen auf eine neue Stufe heben und eine modellbasierte Regelung des Abscheiders mittels stichprobeneffizientem, physikinformiertem Verstärkungslernen erreichen. Dabei werden wir auf den Erfolgen der ersten Phase aufbauen und moderne Verfahren des modellbasierten Verstärkungslernens, physikinformierten Lernens und Transferlernens nutzen, um den experimentellen Abscheider in einer vollautomatischen Schleife zu betreiben. Unser innovatives Konzept zielt darauf ab, die Stichprobenineffizienz des Standard-Verstärkungslernens zu überwinden, die ein wesentliches Hindernis für eine breitere Anwendung im Chemieingenieurwesen darstellt. Dazu werden wir moderne Verfahren des Maschinellen Lernens (ML), die jeweils für sich genommen eine Erhöhung der Stichprobeneffizienz bewirken können, in synergetischer Weise kombinieren. Einen Prozess zu regeln, der nur bedingt verstanden ist und zu diesem nur begrenzt Daten verfügbar sind, ist eine häufig anzutreffende Herausforderung. Die vorgeschlagene Kombination moderner ML-Verfahren mit dem Betrieb des Experiments in einer vollautomatisierten Schleife hat daher das Potenzial den Stand der Technik im Chemieingenieurwesen voranzubringen.
guest ::
Files
BibTeX |
EndNote:
XML,
Text |
RIS