Bis zu 50 % günstiger als neu 3 Jahre rebuy Garantie Professionelles Refurbishment

Predictive Life Cycle Assessment for Chemical Processes using Machine Learning

Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Predictive Life Cycle Assessment for Chemical Processes using Machine Learning

Johanna Kleinekorte (Broschiert, Deutsch)

Keine Bewertungen vorhanden

Optischer Zustand

Beschreibung

Aufgrund des wachsenden Bewusstseins für den Klimawandel berücksichtigt die chemische Industrie neben ökonomischen zunehmend ökologische Kriterien in der Prozessentwicklung. Daher werden bereits in frühen Prozessentwicklungsphasen ökologische Bewertungsmethoden benötigt, um Designentscheidungen zu unterstützen. Eine anerkannt, ISO-genormte Methode zur ökologischen Bewertung ist die Ökobilanz (engl.: Life Cycle Assessment, LCA). Für eine LCA werden jedoch detaillierte Informationen zu Massen- und Energiebilanzen benötigt, die in der Regel in frühen Entwicklungsphasen noch nicht verfügbar sind. Zusätzlich muss bei der Bilanzierung noch zu entwickelnder Technologien berücksichtigt werden, dass sich nicht nur die Technologien selbst sondern auch die Rahmenbedingungen wie z.B. die Energieversorgung in der Zukunft ändern können. In dieser Arbeit wird zunächst am Beispiel der Sektorenkopplung aus Stahl- und Chemieindustrie der Einfluss der Rahmenbedingungen auf das Bilanzergebnis untersucht. Anschließend wird eine Methode für prädikative LCA vorgestellt, die es ermöglicht, die LCA bereits in frühe Phasen der Prozessentwicklung zu integrieren und Einflüsse aus dem Hintergrundsystem zu berücksichtigen. Im Gegensatzu zu bestehenden Ansätzen aus der Literatur, die mittels Maschinellem Lernen molekül-spezifische Vorhersagen treffen, werden in dieser Arbeit Regressionsmodelle des Maschinellen Lernens mit Methoden des automatisierten Prozessdesigns kombiniert. Hierdurch wird eine prozess-spezifische Vorhersage der Umweltwirkungen nur basierend auf der molekularen Struktur des Produktes und der Reaktionsgleichung ermöglicht. Dazu werden Deskritoren rein prädiktiv mithilfe der Quantenmechanik und statistischer Thermodynamik, sowie Prozess-Shortcuts bestimmt. Zusätzlich wird ein neuronales Encoder-Decoder-Netzwerk verwendet, um die Informationsdichte in den molekularen Deskriptoren zu erhöhen. Als Regressionsmodelle werden ein künstliches neuronales Netz und eine Gauß-Prozess Regression auf einem konsistenten Datensatz trainiert. Die Methode wird beispieljaft in ein computer-gestütztes Molekül- und Prozess-design integriert und für das Design ökologisch optimaler Lösungsmittel verwendet. Zusätzlich wird die prozess-spezifische Vorhersage am Beispiel von CO2-basiertem Methanol diskutiert. Die Ergebnisse zeigen, dass die Integration prozess-spezifischer Merkmale in die LCA-Vorhersage die Vorhersagegenauigktei steigern und prozess-spezifische Vorhersagen ermöglichen. Die vorgestellte Methode ermöglicht somit die Integration ökologischer Kriterien in der frühen Entwicklung chemischer Prozesse. Weniger zeigen

Dieses Produkt haben wir gerade leider nicht auf Lager.

ab 29,99 €

Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Produktinformationen

Technische Daten

Erscheinungsdatum

23.06.2023

Sprache

Deutsch

Originalsprache

Englisch

EAN

9783958864610

Herausgeber

Verlag Günter Mainz

Serien- oder Bandtitel

Aachener Beiträge zur Technischen Thermodynamik

Sonderedition

Nein

Autor

Johanna Kleinekorte

Seitenanzahl

329

Einbandart

Broschiert

Warnhinweise und Sicherheitsinformationen

Informationen nach EU Data Act

Bewertungen

-.-

Leider noch keine Bewertungen

Sicher bei rebuy kaufen

Sehr Gut, 4.52/5.00

Aus 200.000+ Bewertungen

Schreib die erste Bewertung für dieses Produkt!

Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!