Dynamik und Betrieb technischer Anlagen

Gerado Brand Rihm, M.Sc.

Gebäude KWT-N
Raum KWT-N 114

Forschung

Im Rahmen meiner Forschungen kristallisieren sich folgende Themengebiete raus:

  • Maschinelles Lernen (ML) in der Verfahrenstechnik
  • Dynamische Prozesssimulation
  • Dynamische Sampling-Methoden
  • Datengetriebene Modellierung / Nichtlineare Systemidentifizierung
  • Nichtlineare modellprädiktive Regelung (NMPC)
  • Trajektorienoptimierung
  • Multivariate Kauslaitätsanalyse in Zeitreihe

Unter den wichtigsten Zielen befindet sich die datengetriebene Modellierung komplexer verfahrenstechnischer Prozesse, welche durch multivariate, nichtlineare und teilweise diskrete Dynamiken gekennzeichnet sind. Seien es Modelle, die aus realen Anlagendaten identifiziert werden oder Surrogatmodelle von first-principles-Modellen, ist die Komplexität dieser für die Anwendung in der Echtzeitoptimierung ausschlaggebend. Hier finden Methoden des maschinellen Lernens (ML) vielversprechende Anwendbarkeit, auch wenn die Abhängigkeit von Prozesswissen unvermeidbar ist. Die Identifizierung von Kausalen Zusammenhängen zwischen den Prozessgrößen könnte diese Abhängigkeiten verringern. 

Publikationen

2021

Brand-Rihm, Gerardo; Esche, Erik; Repke, Jens–Uwe
Sampling Space Reduction for Data-driven Modelling of Batch Distillation - Introducing Expert Process Knowledge through Operation Recipes
In Türkay, Metin and Gani, Rafiqul, Editor, 31th European Symposium on Computer Aided Process Engineering aus Computer Aided Chemical Engineering
Seite 611–616
Herausgeber: Elsevier
2021
611–616
ISBN
978-0-323-88506-5