Bestimmung von Zersetzungskinetiken aus dynamischen Thermogrammen mittels eines Convolutional Neural Networks

Loading...
Thumbnail Image
Author (Corporation)
Publication date
2023
Typ of student thesis
Bachelor
Course of study
Chemie- und Bioprozesstechnik
Type
11 - Student thesis
Editors
Editor (Corporation)
Supervisor
Parent work
Special issue
DOI of the original publication
Link
Series
Series number
Volume
Issue / Number
Pages / Duration
Patent number
Publisher / Publishing institution
Hochschule für Life Sciences FHNW
Place of publication / Event location
Muttenz
Edition
Version
Programming language
Assignee
Practice partner / Client
Abstract
Um selbstreaktive Substanzen transportieren zu können muss eine sichere Transporttemperatur bestimmt werden. Als kritische Substanzen gelten Chemikalien mit einer Transporttemperatur unter 75 °C [1]. Die bestehenden Testmethoden (UN Test H.4) zur Ermittlung dieser Temperatur bringen lange Versuchszeiten mit sich und sind riskant da sie grosse Mengen an Testsubstanzen verwenden. Daher ist es wichtig, die Tests auf die kritischen Stoffe zu beschränken [2]. Ein entsprechender Workflow wurde von K. Wegmann während seiner Masterarbeit entwickelt. Die Schwierigkeit bei der Verarbeitung von DSC- und ARC-Daten liegt darin, dass die auftretenden Reaktionsmechanismen unbekannt sind. Entsprechend ist man bei Simulation auf ein einfache Reaktionsmodelle 0ter und nter Ordnung sowie modellfreie Kinetik beschränkt. [2]. In dieser Bachelorarbeit wurde daher eine Methode mittels eines Convolutional Neural Networks (CNN) entwickelt, um unterschiedliche Reaktionsmodelle von Zersetzungsreaktionen anhand von künstlich generierten DSC-Thermogrammen zu bestimmen. Bei einem CNN handelt es sich dabei um ein künstliches neurales Netzwerk, welches ursprünglich dazu entwickelt wurde komplexe Merkmale und Muster in Bildern zu erkennen [3].
Keywords
Process safety, Convolutional neural networks, Thermal decomposition, SADT
Subject (DDC)
500 - Naturwissenschaften und Mathematik
Project
Event
Exhibition start date
Exhibition end date
Conference start date
Conference end date
Date of the last check
ISBN
ISSN
Language
German
Created during FHNW affiliation
Yes
Strategic action fields FHNW
Publication status
Review
Open access category
License
'http://rightsstatements.org/vocab/InC/1.0/'
Citation
MENSING, Dario, 2023. Bestimmung von Zersetzungskinetiken aus dynamischen Thermogrammen mittels eines Convolutional Neural Networks. Muttenz: Hochschule für Life Sciences FHNW. Verfügbar unter: https://doi.org/10.26041/fhnw-5512