Experimentell basierte Materialmodellierung für die Versagenssimulation von Beton

Versagenssimulationen von Betonbauteilen unter mehrdimensionalen Beanspruchungen sind bis heute herausfordernd. Obwohl aus theoretischer Sicht Materialmodelle existieren, sind diese häufig auf die Nachrechnung bekannter Versuche beschränkt. Insbesondere bei dreidimensionalen Modellen wird der gegenseitige Einfluss von Belastungen auf die richtungsabhängigen mechanischen Eigenschaften des Werkstoffs vernachlässigt. Daher wurde in mehrachsigen Betondruckversuchen das plastische Verformungsverhalten von Probekörpern ausgewertet. Die daraus gewonnenen Entwicklungsgleichungen werden allein durch experimentell messbare Parameter gesteuert – eine Grundvoraussetzung für die praktische Anwendbarkeit bei der Vorhersage des Versagensverhaltens unter komplexen Beanspruchungen.

Pickering-Emulsionen für eine grünere Chemie

Wie in anderen Branchen auch müssen Produktionsprozesse und Produkte in der chemischen und pharmazeutischen Industrie zunehmend nachhaltig gestaltet werden. Dazu gehört u.a. die stoffliche Nutzung von nachwachsenden anstelle von fossilen Rohstoffen. Aufgrund ihrer anderen Eigenschaften können nachwachsende Rohstoffe, bspw. pflanzliche Öle, jedoch nicht ohne weiteres in bestehende Produktionswege eingeschleust werden. Es müssen also neuartige und dabei effiziente Prozessschritte entwickelt werden. Ein vielversprechender Ansatz wird seit 2012 am FG Verfahrenstechnik in LSE untersucht: Die chemische Umwandlung des nachwachsenden Rohstoffs wird in sogenannten Pickering-Emulsionen durchgeführt. Diese bringen die Katalysatormoleküle in engeren Kontakt mit den Rohstoffen, als dies in bestehenden Prozessen möglich wäre, und erlauben so eine höhere Produktivität. Der Einsatz eines Biokatalysators (Enzyms) hat zusätzlich den Vorteil, dass die für die klassische chemische Synthese typischen hohen Temperaturen und Drücke vermieden werden und der Prozess somit auch energetisch günstiger wird. Damit ein solcher Prozess in Pickering-Emulsionen Industriereife erlangen kann, müssen jedoch noch viele Details bzgl. des Reaktions- sowie des Trennschritts aufgeklärt werden.

Dateneffizienz, Robustheit und Vielseitigkeit – wichtige Eigenschaften und Herausforderungen moderner maschineller Lernsysteme

Moderne, maschinelle Lernsysteme müssen in zunehmend komplexen und dynamischen Umgebungen zuverlässig und effizient agieren. Dabei spielen Dateneffizienz, Robustheit und Vielseitigkeit eine entscheidende Rolle. In meinem Vortrag werden aktuelle Ergebnisse aus Forschungsprojekten (IFAF, DFG, BMBF) vorgestellt, die sich mit der Analyse und Optimierung dieser Kernaspekte beschäftigen. Insbesondere wird untersucht, wie Lernsysteme mit begrenzten Daten Modelle erzeugen und gleichzeitig auf unterschiedliche Anwendungsbereiche adaptiert werden können.