Raman-Spektroskopie: Machine Learning

Entwicklung robuster applikationsadaptierter Machine Learning-Verfahren zur Analyse Raman-spektroskopischer Prozessdiagnose-Daten

Hintergrund:
In reaktiven gasförmigen Strömungen entstehen während der thermochemischen (Hochtemperatur) Konversion eine Vielzahl an Zwischenprodukten (Intermediäre). Zudem ist die Kenntnis der Edukt- und Produktspezies essentiell. Um ein detailliertes Verständnis der physikalisch-chemischen Prozesse zu entwickeln, ist dafür eine zeitlich/räumlich aufgelöste quantitative Diagnostik der Konzentrationen all dieser Spezies erforderlich. Gleichzeitig darf die reaktive Strömung durch die Diagnostik nicht gestört werden. Einzig die spontane Raman-Spektroskopie erlaubt die simultane nicht-invasive Messung dieser Spezies-Konzentrationen. Hierfür ist das Wissen der Raman-Spektren der einzelnen Spezies notwendig.

Zur Bestimmung der Konzentrationen aus den rauschbehafteten, überlagerten Messdaten der Raman-Streuung (Spektren) bedarf es speziell adaptierter, robuster Datenanalysemethoden. Hierbei besteht der Bedarf zur Erweiterung existierender Ansätze (Spectral Fit, Matrix Inversion) und der Erprobung neuer Ansätze (Machine Learning). Geeignete Methoden sind applikationsadaptiert auf die spezifischen Anforderungen hin zu einem robusten Schema weiterzuentwickeln. Kandidaten hierfür sind moderne Machine Learning Methoden basierend auf Neuronalen Netzen. Sie haben das Potential einerseits existente Ansätze zu ergänzen und andererseits die Grundlage neuer Verfahren im Bereich der Hochtemperatur-Diagnostik zu legen.

Ziel:
Wissenschaftliches Ziel ist die Entwicklung neuer und verbesserter Verfahren zur Analyse von Raman-Daten. Dies resultiert in einem verbesserten Verständnis der Raman-spektroskopischen Diagnostik, erhöht das Potential bei der Analyse und Optimierung reaktiver Strömungen in einer nachhaltigen stofflichen Kreislaufwirtschaft und eröffnet weitere Forschungsansätze.

Im ersten Schritt werden existente Lernverfahren zur Analyse von Raman-spektroskopischen Signalen adaptiert. Hierbei sollen bereits erste Machine Learning-Verfahren zum Einsatz kommen. Im zweiten Schritt soll der Einsatz moderner Verfahren des maschinellen Lernens ausgebaut und als Basis für neue Verfahrensschritte verwendet werden. In diesem Zuge sollen die weiterentwickelten, auf klassischen Techniken basierenden Verfahren mit modernen, auf neuronalen Netzen basierten Verfahren verglichen und entsprechende Vor- und Nachteile herausgearbeitet werden. Ziel ist es, einen Methoden-Baukasten zu entwickeln, welcher es erlaubt, ein auf die jeweilige Applikation optimal angepasstes Verfahren einzusetzen.

Verantwortliche Person: Georg Frey