Advertisement

Design of Experiments in der Chemischen Reaktionstechnik

  • Stefan KörkelEmail author
Living reference work entry
Part of the Springer Reference Naturwissenschaften book series (SRN)

Zusammenfassung

Chemische Prozesse können durch nichtlineare Differentialgleichungen beschrieben werden, typischerweise mit unbekannten Modellparametern. Durch Parameterschätzung können die Modelle a\n experimentelle Daten angepasst werden. Die geschätzten Parameter sind mit statistischen Unsicherheiten behaftet, die von der Art der Experimente abhängen und bereits vor deren Durchführung berechnet und durch optimale Versuchsplanung minimiert werden können. In diesem Beitrag werden diese Optimierungsprobleme formuliert, Methoden zur Lösung diskutiert und ihre Wirksamkeit durch Anwendung auf ein chemisches Reaktionssystem demonstriert.

Schlüsselwörter

Nichtlineare Differentialgleichungsmodelle Modellvalidierung Parameterschätzung Optimale Versuchsplanung Optimierungsgestützte Modellierung 

Notes

Acknowledgements

Die in diesem Artikel beschrieben Methoden zur Optimalen Versuchsplanung wurden vom Autor im wesentlichen während seiner Tätigkeit am Interdisziplinären Zentrum für wissenschaftliches Rechnen der Universität Heidelberg durchgeführt, zunächst als wissenschaftlicher Mitarbeiter in einem BMBF-Projekt und in einem DFG-Sonderforschungsbereich, später als Leiter einer überwiegend von der BASF finanzierten Nachwuchsforschungsgruppe. Der Autor möchte Hans Georg Bock und Johannes Schlöder sowie Dennis Janka, Felix Jost, Robert Kircheis, Manuel Kudruss, Andreas Schmidt, Sebastian Walter und Christoph Weiler für die hervorragende Zusammenarbeit am IWR sowie Alexander Badinski, Jens Köhler, Alexander Kud, Robert Lee, Michael Rieger, Simeon Sauer, Anna Schreieck und Hergen Schultze für die angenehme und erfolgreiche Kooperation mit der BASF danken.

Literatur

  1. Albersmeyer, J., Bock, H.: Sensitivity generation in an adaptive BDF-method. In: Bock, H.G., Kostina, E., Phu, X., Rannacher, R. (Hrsg.) Modeling, Simulation and Optimization of Complex Processes: Proceedings of the International Conference on High Performance Scientific Computing, March 6–10, 2006, Hanoi, Vietnam, S. 15–24. Springer, Berlin/Heidelberg/New York (2008)CrossRefGoogle Scholar
  2. Ascher, U.M., Petzold, L.R.: Computer Methods for Ordinary Differential Equations and Differential-Algebraic Equations. SIAM, Philadelphia, (1998)Google Scholar
  3. Bandara, S., Meyer, T.: Design of experiments to investigate dynamic cell signaling models. Methods Mol. Biol. (Clifton, NJ). 880, 109–118 (2012)CrossRefGoogle Scholar
  4. Bauer, I.: Numerische Verfahren zur Lösung von Anfangswertaufgaben und zur Generierung von ersten und zweiten Ableitungen mit Anwendungen in Chemie und Verfahrenstechnik. Preprint, SFB 359, Universität Heidelberg (2001)Google Scholar
  5. Bock, H.G.: Randwertproblemmethoden zur Parameteridentifizierung in Systemen nichtlinearer Differentialgleichungen. Bonner Math. Schriften 183 (1987)Google Scholar
  6. Jost, F., Kudruss, M., Körkel, S., Walter, S.F.: A computational method for key-performance-indicator-based parameter identification of industrial manipulators. J. Math. Ind. 7(1), 9 (2017)CrossRefGoogle Scholar
  7. Kircheis, R.: Structure Exploiting Parameter Estimation and Optimum Experimental Design Methods and Applications in Microbial Enhanced Oil Recovery. Doktorarbeit, Universität Heidelberg (2015)Google Scholar
  8. Körkel, S.: Numerische Methoden für Optimale Versuchsplanungsprobleme bei nichtlinearen DAE-Modellen. Dissertation, Universität Heidelberg (2002)Google Scholar
  9. Körkel, S., Arrellano-Garcia, H.: Online experimental design for model validation. In de Brito Alves, R.M., do Nascimento, C.A.O., Jr., E.C.B. (Hrsg.), Proceedings of 10th International Symposium on Process Systems Engineering – PSE2009 (2009)Google Scholar
  10. Körkel, S., Kostina, E.: Numerical methods for nonlinear experimental design. In: Bock, H.G., Kostina, E., Phu, H.X., Rannacher, R. (Hrsg.) Modelling, Simulation and Optimization of Complex Processes, Proceedings of the International Conference on High Performance Scientific Computing, March 10–14, 2003, Hanoi, Vietnam, S. 255–272. Springer, Berlin/Heidelberg (2004)Google Scholar
  11. Körkel, S., Bauer, I., Bock, H.G., Schlöder, J.P.: A sequential approach for nonlinear optimum experimental design in DAE systems. In: Keil, F., Mackens, W., Voss, H., Werther, J. (Hrsg.) Scientific Computing in Chemical Engineering II, Bd. 2, S. 338–345. Springer, Berlin/Heidelberg (1999)Google Scholar
  12. Körkel, S., Kostina, E., Bock, H.G., Schlöder, J.P.: Numerical methods for optimal control problems in design of robust optimal experiments for nonlinear dynamic processes. Optim. Methods Softw. (OMS) J. 19(3–4), 327–338 (2004)CrossRefGoogle Scholar
  13. Körkel, S., Arellano-Garcia, H., Schöneberger, J., Wozny, G.: Optimum experimental design for key performance indicators. In: Braunschweig, B., Joulia, X., (Hrsg.) Proceedings of 18th European Symposium on Computer Aided Process Engineering – ESCAPE 18 (2008)Google Scholar
  14. Nocedal, J., Wright, S.J.: Numerical Optimization. Springer Series in Operations Research. Springer, New York (2006)Google Scholar
  15. Pukelsheim, F.: Optimal Design of Experiments. Wiley, New York (1993)Google Scholar
  16. Sager, S.: Sampling decisions in optimum experimental design in the light of Pontryagin’s maximum principle. SIAM J. Control. Optim. 51(4), 3181–3207 (2013)CrossRefGoogle Scholar
  17. Schöneberger, J., Arellano-Garcia, H., Wozny, G., Körkel, S., Thielert, H.: Model-based experimental analysis of a fixed bed reactor for catalytic SO2 oxidation. Ind. Eng. Chem. Res. 48, 5165–5176 (2009)CrossRefGoogle Scholar
  18. Schöpflin, F.: Untersuchung des Einsatzes der Modellgestẗzten Versuchsplanung für Anwendungsprobleme in der Solartechnik. Master’s thesis, University of Applied Sciences Karlsruhe (2014)Google Scholar
  19. Seber, G.A.F., Wild, C.J.: Nonlinear Regression. Wiley (1989)Google Scholar
  20. Walter, W.: Gewöhnliche Differentialgleichungen. Springer, Berlin/Heidelberg, (2000)CrossRefGoogle Scholar
  21. Weiler, C.K.F., Körkel, S.: Optimum experimental design for extended Gaussian disorder modeled organic semiconductor devices. J. Appl. Phys. 113, 094903, (2013)CrossRefGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Fakultät Informatik und MathematikOstbayerische Technische Hochschule RegensburgRegensburgDeutschland

Personalised recommendations