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

Entwicklung einer Methode zur datengetriebenen Prozessführung von Kristallisationen

Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Entwicklung einer Methode zur datengetriebenen Prozessführung von Kristallisationen

Conrad Meyer (Unbekannter Einband, Deutsch)

Keine Bewertungen vorhanden

Optischer Zustand

Beschreibung

Die Kristallisation stellt ein zentrales Verfahren zur Trennung und Aufreinigung in zahlreichen Produktionsprozessen dar. Insbesondere in der pharmazeutischen Industrie ist der Bedarf an leistungsfähigen Prozessführungen groß, die einen Beitrag dazu liefern können, steigende Anforderungen an die Produktqualität und damit auch die der hergestellten Kristalle zu erfüllen. Moderne Regelungsansätze wie die Model Predictive Control (MPC) nutzen dabei ein detailliertes Prozessmodell, um alle während der Kristallisation auftretenden physikalischen Mechanismen abzubilden. Die Erstellung eines solchen ist jedoch sehr aufwändig und das Lösen der entsprechenden Differentialgleichungssysteme während der Prozessführung rechenintensiv, weshalb in den letzten Jahren verstärkt Möglichkeiten zur datengetriebenen Modellierung als vielversprechende Alternative erforscht werden. Ein prominentes Beispiel dafür sind künstliche neuronale Netzwerke (ANN). Mit diesem Thema beschäftigt sich auch die vorliegende Arbeit. Schwerpunkt war die Entwicklung einer Methode, mit der schnell und flexibel MPC-Controller basierend auf ANN als Prozessmodell (NN-MPC) erstellt werden können. Die Grundlage bilden dabei mehrere Software-Bestandteile sowie zugehörige Vorgehensweisen durch den Anwender. Dazu zählt eine Anlagensteuerungssoftware, mit der experimentelle Prozessdaten aufgezeichnet und in einer Datenbank gespeichert werden können. Das Training von ANN basierend auf diesen kann danach weitestgehend automatisch erfolgen. Hierfür stellt die Methode einen sog. Pipeline-Server zur Verfügung, mit dem ein Anwender zunächst den Aufbau des ANN definieren sowie Hyperparameter und andere Einstellungen zum Training festlegen kann. Durch eine automatische Variation Letzterer können optimale ANN generiert und anschließend mithilfe eines NN-MPCModuls zur Regelung von Prozessen eingesetzt werden. Über die Entwicklung der Methode hinaus wurde im Rahmen dieser Arbeit eine Optimierung einiger der zahlreichen (Hyper-)Parameter und Einstellungen durchgeführt, welche Einfluss auf die Modellgüte haben. So gefundene “Standard-Werte” können als Ausgangspunkt für die Anpassung an neue Prozesse genutzt werden. Zuletzt wurde die Effektivität der Methode anhand einer Fallstudie demonstriert, in der sie auf zwei Modellprozesse angewandt wurde: Die Batch-Kühlungskristallisationen von Adipinsäure und Kaliumdihydrogenphosphat aus wässriger Lösung. Die Fähigkeit der generierten NN-MPC zur gezielten Einstellung einer gewünschten Kristallgrößenverteilung konnte dabei experimentell validiert werden. Gewonnene Erkenntnisse und Verbesserungsvorschläge sind am Ende dieser Arbeit zusammengefasst und sollen einen Beitrag leisten, die datengetriebene Modellierung und Prozessführung von Kristallisationen weiter voranzubringen. Weniger zeigen

Dieses Produkt haben wir gerade leider nicht auf Lager.

ab 33,99 €

Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Produktinformationen

Technische Daten

Erscheinungsdatum

28.03.2025

Sprache

Deutsch

EAN

9783689527945

Herausgeber

Cuvillier Verlag

Serien- oder Bandtitel

ICTV-Schriftenreihe

Sonderedition

Nein

Autor

Conrad Meyer

Seitenanzahl

134

Auflage

Einbandart

Unbekannter Einband

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!