Generalizing Automated Neural Flowsheet Synthesis to Novel Chemical Systems

Vorgängerprojekt

Die Fließbildsynthese ist Teil des konzeptionellen Designs in der Verfahrenstechnik (VT). Im Vorgängerprojekt (erste Förderperiode) haben wir ein Reinforcement Learning (RL)-Verfahren für die automatisierte Fließbildsynthese von stationären chemischen Prozessen entwickelt und implementiert. Die RL-Umgebung besteht aus einem Prozesssimulator, der physikalisches Wissen enthält: physikalischchemische Stoffdaten und eine Reihe Apparatemodelle. Schritt für Schritt erstellt der RL-Agent Fließbilder, modifiziert sie und bewertet sie im Prozesssimulator, um einen Reward in Bezug auf ein bestimmtes Ziel (z. B. den Kapitalwert) zu erhalten. Der Agent hat keine Vorkenntnisse in der Verfahrenstechnik und ist darauf trainiert, Fließbilder ausschließlich durch automatische Interaktion mit dem Simulator zu erstellen. Dieser ist mittlerweile in der Lage, Fließbilder für komplexe Trennprozesse zu entwickeln, z. B. Azeotrop- oder Entrainer-Destillationen mit Lösemittelauswahl und Rückführungsströmen. Das RL-Setup ist auf Augenhöhe mit klassischen mathematischen Optimierungsmethoden für die Fließbilderstellung, wie z. B. die Reduktion von Superstrukturen. Es besteht zudem ein großes Potenzial für das RL-Setup, gelernte Strategien auf neue, unbekannte chemische Systeme zu übertragen.

Aktuelles Projekt

In dem Projekt der zweiten Förderperiode wird systematisches Training eingesetzt, um das Lernen an einzelnen Stoffsystemen auf weitere, neue Stoffsysteme zu verallgemeinern. Methoden aus der ersten Förderperiode sollen verbessert werden und einen generalisierten Ansatz entwickeln, in dem die Aufgabenstellung einen Zulaufstrom und dessen Zusammensetzung vorgibt. Das im Projekt entwickelte Modell des maschinellen Lernens (ML) schlägt dann nahezu optimale Fließbilder zur Trennung des Stroms vor, auch wenn das Stoffsystem nicht im Trainingsprozess einbezogen war.

Um dies zu erreichen, wird die AG Burger (Verfahrenstechnik) den Fließbildsimulator flexibler gestalten (mehr Prozesseinheiten, Multikomponentenmischungen, detailliertere Kostenfunktionen). Die AG Grimm (Maschinelles Lernen) leitet die Entwicklung verallgemeinerter Fließbildrepräsentationen, skalierbarer und flexibler ML-Modellarchitekturen und effizienter Trainingsstrategien. Das Training wird hauptsächlich im Raum der thermodynamischen Eigenschaften durchgeführt, die das Verhalten der Stoffe in den Prozesseinheiten charakterisieren. Eine enge Zusammenarbeit zwischen den beiden Gruppen hat sich bereits in der ersten Förderperiode als erfolgreich erwiesen.

Das Projekt ist im Feld F der Kooperationsmatrix des SPPs angesiedelt, hauptsächlich im Forschungsbereich #6 Kreativität. Es besteht ein großes Potenzial für die Zusammenarbeit mit anderen Projekten. U. a. kann die Vorhersage von Eigenschaften aus Molekülstrukturen in den Prozesssimulator integriert werden. Außerdem werden weiterhin Methoden (RL, Short-Cut-Modelle) mit den Projekten ausgetauscht, die sich mit Prozessdesign, Optimierung oder anderen Planungsproblemen beschäftigen.