Bestimmung von Zersetzungskinetiken aus dynamischen Thermogrammen mittels eines Convolutional Neural Networks
Lade...
Autor:innen
Autor:in (Körperschaft)
Publikationsdatum
2023
Typ der Arbeit
Bachelor
Studiengang
Chemie- und Bioprozesstechnik
Typ
11 - Studentische Arbeit
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
Ausgabe / Nummer
Seiten / Dauer
Patentnummer
Verlag / Herausgebende Institution
Hochschule für Life Sciences FHNW
Verlagsort / Veranstaltungsort
Muttenz
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
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].
Schlagwörter
Process safety, Convolutional neural networks, Thermal decomposition, SADT
Fachgebiet (DDC)
500 - Naturwissenschaften und Mathematik
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
Sprache
Deutsch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Begutachtung
Open Access-Status
Lizenz
Zitation
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