Data-Driven development of layer-by-layer nanofiltration membranes and processes

  • Datengetriebene Entwicklung von Layer-by-Layer Nanofiltrationsmembranen und -prozessen

Rall, Deniz Patrick; Wessling, Matthias (Thesis advisor); Szymczyk, Anthony (Thesis advisor)

Aachen (2020, 2021)
Buch, Doktorarbeit

In: Aachener Verfahrenstechnik series - AVT.CVT - chemical process engineering 8 (2020)
Seite(n)/Artikel-Nr.: 1 Online-Ressource (xi, 223 Seiten) : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020

Kurzfassung

Ionenselektive synthetische Membranen stellen eine wesentliche technologische Basis für eine moderne Wasseraufbereitung und -entsorgung dar. Die Neuentwicklung dieser Membrane erfordert ein Überdenken der Anstrengungen zur Identifizierung von Membransyntheseprotokollen. Bisher basiert die Erforschung des Designraums synthetischer Membranen im Allgemeinen auf einer evidenzbasierten, experimentellen Herangehensweise, die sich auf eine große Anzahl von Experimenten stützt. Als Alternative zu bisher bestehenden Screening-Konzepten wird in dieser Arbeit eine neuartige, datengetriebene Methodik für die Entwicklung von Membransyntheseprotokollen präsentiert. Die Verwendung von künstlichen neuronalen Netzwerken (ANNs) ermöglicht es, durch statistisch basierte Vorhersagen viele dieser experimentellen Schritte zu überspringen. Darüber hinaus ermöglicht maschinelles Lernen eine fundierte physikalische Analyse des Leistungsspektrums der Membran. Ausgehend von einem umfangreichen Datensatz von Layer-by-layer Nanofiltrationsmembranen wird in dieser Arbeit zum ersten Mal gezeigt, dass ein ANN den Rückhalt von Salzen und den Reinwasserfluss basierend auf vorgegebenen Syntheseprotokollen vorhersagen und verbessern kann. Eine Erweiterung durch eine deterministische, globale Pareto-Optimierung identifiziert die obere Grenze (die sogenannte Pareto-Front) der Retentions- und Permeabilitätsaustauschbeziehung. Weiter entsteht eine Schnittstelle zwischen der Membran im Labor und der modellbasierten Optimierung durch Kombination des ANN mit einem mechanistischen Ionentransportmodell hin zu einem hybriden Modellierungssystem. Eingebettet in einem Membranprozessmodell werden somit gleichzeitig die Membransyntheseprotokolle und das Prozesslayout entworfen. Dieses hybride Modellierungssystem liefert sofort verbesserte Membranprozesse. Die hybride Modellierung kann ebenfalls eingesetzt werden um die komplexe, mehrskalige Lücke zwischen lokalen Transportmodellen und der Entscheidungsfindung auf Prozessebene zu schließen. Zusammengefasst ermöglichen datengetriebene Entwicklungsmethodiken mit maschinellem Lernen Materialwissenschaftler*innen und Ingenieur*innen die Einschränkungen bei konventionellen, experimentellen Herangehensweisen zu überwinden und so schnelle, nicht-intuitive Lösungen bei der Membranentwicklung zu finden.

Identifikationsnummern

Downloads