ML-MORE: Maschinelles Lernen und Modellordnungsreduktion zur Vorhersage der Effizienz katalytischer Filter

Abstract

Das Verbundprojekt ML-MORE adressierte die Herausforderungen der Modellierung und Simulation reaktiven Stofftransports in porösen Medien, welche die Basis vieler industrieller Prozesse bilden, wie beispielsweise katalytische Filter für Abgase, die in diesem Projekt durch die Kooperation mit Umicore im Fokus standen. Weitere Beispiele sind Brennstoffzellen oder photovoltaische Zellen. Solche Simulationen können große Datenmengen generieren, wodurch ein effizientes Design optimiert werden kann, aber gleichzeitig sind solche Simulationen auch zeitintensiv und können von einer Vielzahl von Parametern abhängen. Darüber hinaus bleibt das Potenzial, vorhandene Experimentaldaten wiederzuverwerten, in bisherigen Herangehensweisen ungenutzt. Um diesen Engpass zu beseitigen, wurde in diesem Projekt eine integrative Plattform entwickelt, die auf modernen datenbasierten Methoden des maschinellen Lernens (ML) basiert. Das Ziel war es, zuverlässige und schnelle prädiktive Modelle für die Vorhersage chemischer Konversionsraten bereitzustellen. Hierfür waren mehrere methodische Komponenten erforderlich, darunter klassische Simulationsverfahren auf der Porenskala, Modellordnungsreduktion sowie maschinelles Lernen. Aufgrund der hohen Kosten von klassischen Simulationsverfahren, wurden zunächst Modellordnungsreduktionsmethoden entwickelt, um reduzierte Modelle für den betrachteten instationären reaktiven Transport zu erstellen. Damit lassen sich große Mengen an Trainingsdaten generieren, die dann im Training für Methoden des maschinellen Lernens verwendet werden können. Hierbei fokusierten wir uns vor allem auf mehrschichtige Kernel-basierte Lernverfahren. Insgesamt gelang es in diesem Forschungsprojekt sämtliche dieser Methoden in einem prädiktiven hierarchischen ML-Werkzeug (RB-ML-ROM Framework) zu integrieren, das Unternehmen bei der Entwicklung neuartiger katalytischer Filter unterstützt und auf viele weitere ähnliche Prozesse übertragen werden kann. Das Gesamtvorhaben war in fünf Arbeitspakete strukturiert, die den jeweiligen Projektpartnern zugeordnet waren. Diese sind [AP 1] Modellreduktion, UMS (Ohlberger); [AP 2] Maschinelles Lernen, USt (Haasdonk); [AP 3] Numerische Simulation und Softwareintegration, ITWM (Iliev/Steiner); [AP 4] Datenaufbereitung und Modellierung chemischer Reaktionen, TUD (Votsmeier); [AP 5] CT-Bilder und Materialdaten, Industriepartner UMICORE (Gieshoff). Nachfolgend ist die Verbundstruktur der beteiligten Projektpartner im Projekt ML-MORE sowie deren Interaktion dargestellt (Abb. 1 ). Die Projektkoordination erfolgte durch die UMS (Ohlberger) Als Verbundpartner USt haben wir Algorithmen des Maschinellen Lernens (ML) beigesteuert. Dies umfasste einerseits Methodenentwicklung, deren Analysis und andererseits auch softwaretechnische Realisierung. Die Arbeitsgruppe hat open-source Python Pakete der entwickelten Lernverfahren erstellt, welche in der Lage sind, große Trainingsmengen zu verarbeiten. Die Trainingsdaten bestehen im Rahmen des Projektes im Wesentlichen aus hochdimensionalen und reduzierten Simulationsergebnissen der Projektpartner. In Kooperation mit UMS wurde zudem ein integrativer Ansatz (RB-ML-ROM) entwickelt, der es ermöglicht klassische Simulationsverfahren mit Modellordnungsreduktion und maschinellem Lernen in einem effizienten hierarchischen und zertifizierten Modell zu verbinden. Dieser Ansatz ist innovativ, da er durch die hierarchische Integration auch für das maschinelle Lernen eine rigorose a posteriori Fehlerkontrolle erlaubt. Das gesamte resultierende RB-ML-ROM Framework wurde in einer Open-Source-Softwareentwicklung umgesetzt und in numerischen Experimenten validiert. Datei-Upload durch TIB