h1

000988558 001__ 988558
000988558 005__ 20241209131103.0
000988558 0247_ $$2HBZ$$aHT030791624
000988558 0247_ $$2Laufende Nummer$$a43400
000988558 0247_ $$2datacite_doi$$a10.18154/RWTH-2024-06268
000988558 037__ $$aRWTH-2024-06268
000988558 041__ $$aEnglish
000988558 082__ $$a620
000988558 1001_ $$0P:(DE-82)IDM03320$$aKaven, Luise Friederike$$b0$$urwth
000988558 245__ $$aIn-silico and in-situ optimization for enhanced synthesis of functional microgels$$cvorgelegt von Luise Friederike Kaven, geb. Bering$$honline
000988558 246_3 $$aIn-Silico- und In-Situ-Optimierung für die verbesserte Synthese von funktionellen Mikrogelen$$yGerman
000988558 260__ $$aAachen$$bRWTH Aachen University$$c2024
000988558 300__ $$a1 Online-Ressource : Illustrationen
000988558 3367_ $$02$$2EndNote$$aThesis
000988558 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000988558 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000988558 3367_ $$2BibTeX$$aPHDTHESIS
000988558 3367_ $$2DRIVER$$adoctoralThesis
000988558 3367_ $$2DataCite$$aOutput Types/Dissertation
000988558 3367_ $$2ORCID$$aDISSERTATION
000988558 4900_ $$aAachener Verfahrenstechnik series - AVT.SVT - Process Systems Engineering$$v31
000988558 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2024$$gFak04$$o2024-04-25
000988558 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000988558 5203_ $$aMikrogele sind funktionelle Polymere mit dem Potenzial für vielseitige Anwendungen. Jede Anwendung erfordert maßgeschneiderte Eigenschaften der Mikrogele. Um eine maßgeschneiderte Produktion zu ermöglichen, sind Einblicke während der Reaktion durch Prozessanalytik sowie mathematische Modellierung zur computergestützten Vorhersage und Optimierung der Mikrogeleigenschaften unerlässlich. In dieser Arbeit werden daher Fortschritte bei der Mikrogelsynthese hinsichtlich Analytik, Modellierung und Optimierung erzielt, um das volle Potenzial dieser vielseitigen Polymere zu erschließen. Zunächst wird die Konzentrationsbestimmung mittels Raman-Spektroskopie für die kontinuierliche Mikrogelproduktion eingeführt. Die Übertragung dieser Messtechnik von Batch- auf kontinuierliche Durchflussanlagen birgt Herausforderungen, die systematisch angegangen werden. Es wird ein Qualitätskriterium für Raman-Spektren abgeleitet, das die Erkennung von Ausreißern während der kontinuierlichen Synthese ermöglicht. Insgesamt wird damit ein Leitfaden für die Übertragung von Inline-Analytik erstellt. Zweitens werden die Möglichkeiten der Raman-Spektroskopie erweitert, indem eine Methode zur Bestimmung der Mikrogelgröße aus Raman-Messungen vorgestellt wird. Dabei werden fortschrittliche Entwicklungen im Bereich des maschinellen Lernens genutzt, um die Qualität der Größenvorhersage zu verbessern. Die daraus resultierende Vorhersagegenauigkeit ist mit den etablierten Offline-Messtechniken vergleichbar. Die Kombination von Raman-Spektroskopie und maschinellem Lernen ist somit ein vielversprechender Ansatz für die Inline-Partikelgrößenbestimmung. Drittens ist die Raman-Spektroskopie auch für die Überwachung der geladenen Mikrogelsynthese geeignet. Modell-basierte Auswertung bewältigt dabei die Komplexität, die durch die Multikomponentenlösungen mit dissoziierten und undissoziierten Zuständen verursacht wird. Dadurch wird ein detaillierter Einblick in die Reaktionsphänomene während der Synthese geladener Mikrogele ermöglicht. Viertens wird die Erweiterung eines mechanistischen, dynamischen Modells um die Einbeziehung von funktionellen Epoxidgruppen in der Synthese von Mikrogelen vorgestellt. Unbekannte Parameterwerte werden mittels Parameterschätzung berechnet. Durch die strategische Einbeziehung quantenmechanisch berechneter Parameterwerte kann die Übereinstimmung zwischen Modellvorhersage und experimentellen Messungen bei geringem Rechenaufwand präzisiert werden. Das identifizierten Synthesemodell prädiziert die Verteilung der funktionellen Epoxidgruppen innerhalb des Mikrogels. Fünftens wird die Erweiterung eines mechanistischen, dynamischen Modells für die Synthese von geladenen Mikrogelen unter Berücksichtigung von pH-Einfluss vorgestellt. Auch hier werden fehlende Parameterwerte mittels Parameterschätzung berechnet und quantenmechanisch berechnete Werte dabei eingebunden. Das entwickelte Modell ermöglicht die Vorhersage und Optimierung geladener Mikrogele für die effiziente Entwicklung maßgeschneiderter Systeme. Sechstens wird ein datengetriebener Hardware-in-the-Loop-Ansatz zur erfolgreichen Synthese von Mikrogelen einer gewünschten Größe präsentiert. Dabei wird Bayes'sche Optimierung eingesetzt für die gleichzeitige Verbesserung der Mikrogelsynthese hinsichtlich Produkt- und Prozesseigenschaften. Der vorgeschlagene Ansatz ermöglicht eine effiziente Mikrogelentwicklung, indem die Anzahl der erforderlichen Experimente minimiert werden. Die Arbeit vereint Fortschritte in den Bereichen Prozessanalytik, mathematische Modellierung und datengetriebene Optimierung und kombiniert experimentelle Entwicklungen (in-situ) mit theoretischen Überlegungen (in-silico). Daher stellen die Ergebnisse dieser Arbeit einen wichtigen Schritt in Richtung der Synthese von maßgeschneiderten Mikrogelen mit spezifischen Zusammensetzungen oder Funktionalitäten in einem größeren Produktionsmaßstab dar. Schließlich sind viele Erkenntnisse dieser Arbeit nicht nur für andere Polymersysteme relevant, sondern auch für die Methodenentwicklung im Bereich der spektroskopiebasierten Größenvorhersage oder der Hardware-in-the-Loop-Optimierung für alle Arten von (chemischen) Systemen.$$lger
000988558 520__ $$aMicrogels are functional polymers with the potential for versatile applications. Each application requires tailored properties of the functional microgels. To enable a tailor-made production, insights during the reaction via process monitoring are essential, as well as mathematical modeling for predicting and optimizing microgel properties. Thus, this thesis provides advancements in microgel synthesis regarding monitoring, modeling, and optimization to unlock the full potential of these versatile polymers. First, concentration monitoring via Raman spectroscopy is established for the continuous microgel production mode. Transferring this monitoring technique from batch to continuous flow setups poses challenges that are systematically addressed. A quality criterion for Raman spectra is derived to allow functional outlier detection during continuous synthesis. Hence, overall, a guideline for in-line monitoring transfer is established. Second, the capabilities of Raman spectroscopy are enhanced by presenting a method to determine the microgel size from Raman measurements. Recent developments in machine learning are leveraged to improve size determination quality. The resulting accuracy is comparable with state-of-the-art off-line analysis tools. Thus, combining Raman spectroscopy and advanced machine learning methods is a promising approach for in-line polymer size determination. Third, Raman spectroscopy is also enabled for monitoring the charged microgel synthesis. Applying indirect spectral hard modeling resolves the complexities caused by the multi-component solutions with dissociated and undissociated states. Therefore, a detailed insight into the reaction phenomena during the charged microgel synthesis is enabled. Fourth, a mechanistic, dynamic model for the synthesis of microgels is extended to account for integration of functional epoxy groups. Unknown parameter values are calculated within a parameter estimation. By strategically including quantum mechanically calculated parameter values, the fit between model prediction and experimental measurements can be improved while reducing the calculational effort. By applying the identified synthesis model, the distribution of functional epoxy groups within the microgel is predicted. Fifth, a mechanistic, dynamic model is enhanced to capture the synthesis of charged microgels with regard to pH changes during the process. Again, missing parameter values are calculated within a parameter estimation, including quantum mechanically computed values strategically. The developed model presents a robust framework for predicting and optimizing the performance of charged microgels in diverse scenarios, paving the way for designing more efficient and tailored microgel-based systems. Sixth, a data-driven hardware-in-the-loop approach is presented to synthesize microgels of a desired size successfully. Data-driven approaches, particularly Bayesian optimization, are employed for microgel synthesis optimization for multiple objectives regarding product and process properties simultaneously. The proposed framework includes global deterministic optimization and has the potential for efficient microgel development by minimizing the number of experiments and modeling efforts needed. The thesis brings together advancements in the fields of process analytical technology, mathematical modeling, and data-driven optimization while combining experimental real-world development (in-situ) with theoretical considerations (in-silico). Therefore, this thesis's findings provide one step toward synthesizing tailored microgels with specific compositions or functionalities at increased production scale. Finally, many findings of this thesis are relevant not only for other polymer systems but also for method development in the field of spectroscopy-based size determination and hardware-in-the-loop optimization for all kinds of (chemical) systems.$$leng
000988558 536__ $$0G:(GEPRIS)221489508$$aSFB 985 G02+ - In-line Monitoring von Mikrogel Produktionsprozessen (G02+) (221489508)$$c221489508$$x0
000988558 536__ $$0G:(GEPRIS)221473487$$aSFB 985 B04 - Synthese von Mikrogelen: Kinetik, Partikelbildung und Reaktordesign (B04) (221473487)$$c221473487$$x1
000988558 536__ $$0G:(GEPRIS)191948804$$aDFG project 191948804 - SFB 985: Funktionelle Mikrogele und Mikrogelsysteme (191948804)$$c191948804$$x2
000988558 588__ $$aDataset connected to Lobid/HBZ
000988558 591__ $$aGermany
000988558 653_7 $$aBayesian optimization
000988558 653_7 $$aRaman spectroscopy
000988558 653_7 $$afunctional microgels
000988558 653_7 $$amicrogels
000988558 653_7 $$apolymerization modeling
000988558 7001_ $$0P:(DE-82)IDM00369$$aMitsos, Alexander$$b1$$eThesis advisor$$urwth
000988558 7001_ $$0P:(DE-82)IDM00476$$aWessling, Matthias$$b2$$eThesis advisor$$urwth
000988558 8564_ $$uhttps://publications.rwth-aachen.de/record/988558/files/988558.pdf$$yOpenAccess
000988558 8564_ $$uhttps://publications.rwth-aachen.de/record/988558/files/988558_source.zip$$yRestricted
000988558 909CO $$ooai:publications.rwth-aachen.de:988558$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000988558 9141_ $$y2024
000988558 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000988558 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM03320$$aRWTH Aachen$$b0$$kRWTH
000988558 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00369$$aRWTH Aachen$$b1$$kRWTH
000988558 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00476$$aRWTH Aachen$$b2$$kRWTH
000988558 9201_ $$0I:(DE-82)416710_20140620$$k416710$$lLehrstuhl für Systemverfahrenstechnik$$x0
000988558 961__ $$c2024-07-30T15:27:56.868830$$x2024-07-01T19:18:54.034113$$z2024-07-30T15:27:56.868830
000988558 980__ $$aI:(DE-82)416710_20140620
000988558 980__ $$aUNRESTRICTED
000988558 980__ $$aVDB
000988558 980__ $$abook
000988558 980__ $$aphd
000988558 9801_ $$aFullTexts