DFG SPP 2331

Maschinelles Lernen in der chemischen Verfahrenstechnik

Hybride Physik-Neuronales Netzwerk Softsensoren für den dynamischen Betrieb von Flüssig-flüssig-Trennprozessen

Gemeinsames Projekt mit: Institut für Fluidverfahrenstechnik, RWTH Aachen (AVT.FVT)

Ziele:

Entwicklung eines physikalisch-informierten neuronalen Netzes (PINN) basierten Soft-Sensors zur Abschätzung der Dispersionsschichthöhe (Key Performance Indicator) für den dynamischen Betrieb eines horizontalen Schwerkraftabscheiders mit variierenden Betriebsbedingungen.

Beitrag von ICE-1:

• Evaluierung und Entwicklung eines auf einem physikalisch-informierten neuronalen Netz (PINN) basierenden Abscheidermodells durch Zusammenführung von teilweise verfügbarem physikalisch-chemischem Wissen mit knappen Anlagendaten
• Abschätzung der Dispersionsschichthöhe für unterschiedliche Betriebsbedingungen mit dem PINN-basierten Modell
• Gültigkeitsbereichsanalyse der entwickelten PINN-basierten Modelle für einen effektiven und sicheren Betrieb

Homepage: https://gepris.dfg.de/gepris/projekt/466656378?language=de