Bestimmung von Zersetzungskinetiken aus dynamischen Thermogrammen mittels eines Convolutional Neural Networks

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].