ML-MORE

Maschinelles Lernen und Modelordnungs-Reduktion zur Vorhersage der Effizienz katalytischer Filter

Reaktiver Stofftransport in porösen Medien in Verbindung mit katalytischen Reaktionen ist die Grundlage für viele industrielle Prozesse und Anlagen, wie z.B. Brennstoffzellen, Photovoltaikzellen, katalytische Filter für Abgase, etc.

Die Modellierung und Simulation der Prozesse auf der Porenskala kann bei der Optimierung des Designs von katalytischen Komponenten und der Prozessführung helfen, ist jedoch derzeit dadurch eingeschränkt, dass solche Simulationen zu großen Datenmengen führen, zeitaufwändig sind und von einer großen Anzahl von Parametern abhängen. Außerdem werden auf diese Weise die im Laufe der Jahre gesammelten Versuchsdaten nicht wiederverwendet. Die Entwicklung von Lösungsansätzen für die Vorhersage der chemischen Konversionsrate mittels moderner datenbasierter Methoden des Maschinellen Lernens (ML) ist essenziell, um zu schnellen, zuverlässigen prädiktiven Modellen zu gelangen.

Hierzu sind verschiedene Methodenklassen erforderlich. Neben den experimentellen Daten sind voll aufgelöste Simulationen auf der Porenskala notwendig. Diese sind jedoch zu teuer, um einen umfangreichen Satz an Trainingsdaten zu generieren. Daher ist die Modellordnungsreduktion (MOR) zur Beschleunigung entscheidend. Es werden reduzierte Modelle für den betrachteten instationären reaktiven Transport entwickelt, um große Mengen an Trainingsdaten zu simulieren. Als ML-Methodik werden mehrschichtige Kern-basierte Lernverfahren entwickelt, um die heterogenen Daten zu kalibrieren und nichtlineare prädiktive Modelle zur Effizienzvorhersage zu entwickeln. Hierbei werden große Daten (bzgl. Dimensionalität und Sample-Zahl) zu behandeln sein, was Datenkompression und Parallelisierung des Trainings erfordern wird.

Das Hauptziel des Projekts ist es, alle oben genannten Entwicklungen in einem prädiktiven ML-Tool zu integrieren, das die Industrie bei der Entwicklung neuer katalytischer Filter unterstützt und auf viele andere vergleichbare Prozesse übertragbar ist.

Weitere Informationen entnehmen Sie bitte der Hompage unter: http://mathematics-muenster.de/ML-MORE/

Teilprojekte

  • 05M20PMA | Teilprojekt 1 | Westfälische Wilhelms-Universität Münster
  • 05M20VSA | Teilprojekt 2 | Universität Stuttgart
  • 05M20AMD | Teilprojekt 3 | Fraunhofer ITWM Kaiserslautern
  • 05M20RDA | Teilprojekt 4 | Technische Universität Darmstadt