M. Sc. Tobias Averbeck

Thermodynamische Zustandsgleichungen wie NRTL oder PC-SAFT werden häufig zur Modellierung von Phasengleichgewichten und Mischungsverhalten verwendet, aber auch sie stoßen oft an ihre Grenzen und bieten daher die Möglichkeit, die Vorhersage durch Ergänzung mit experimentellen Daten zu verbessern. Da bei weitem nicht für jede mögliche Kombination von Lösungsmitteln und Substraten genügend experimentelle Daten zur Verfügung stehen, wenden wir sowohl probabilistische als auch Deep-Learning-Methoden an, um diese vorherzusagen.

Der aktuelle Forschungsschwerpunkt liegt auf der Vorhersage von dreidimensionalen, d. h. temperaturabhängigen Mischungsdaten unter Verwendung neuronaler Netze zur nichtlinearen Matrixvervollständigung.

Die vorhergesagten Daten werden in der folgenden Untersuchung verwendet, um das Phasenverhalten ternärer Systeme, insbesondere thermomorpher Mehrphasensysteme (TMS), mit Hilfe thermodynamischer Modelle zu bestimmen.

Überraschenderweise spielt Wasser in TMS bisher nur eine untergeordnete Rolle. Dieses Potenzial gilt es zu erschließen und zu bewerten. Als Modellreaktion dient dabei die homogene katalytische Alkohol-Aminierung.