Ausbeuteoptimierung in der
Silikonproduktion
- Maschinelles Lernen erhöht Selektivität und Ausbeute -
- Ausbeute lag bisher zwischen 50% und 90% -
- Ziel: Ausbeute stabil über 80% halten - |
|
Dr. Patrick Bangert / algorithmica technologies GmbH
6. Kolloquium 8. - 9. November 2010
Arbeitskreis Prozessanaytik,
in Waldbronn - Fa. Polytec |
 |
Der Produktionsprozess
Ausgangsmaterialien zur Herstellung sind staubfein gemahlenes Silicium (Si) und Methylchlorid (CH3Cl). Diese werden unter Verwendung von Kupfer als Katalysator bei ca. 300 °C in Fließbettreaktoren zu Methylchlorsilanen umgesetzt (Müller-Rochow-Synthese).
Durch fraktionierende Destillation werden die Methylchlorsilane getrennt in:
- Trimethylchlorsilan (CH3)3SiCl
- Dimethyldichlorsilan (CH3)2SiCl2
- Methyltrichlorsilan CH3SiCl3
- Tetramethylsilan (CH3)4Si
- Tetrachlorsilan SiCl4
Aufgrund ihres typisch anorganischen Gerüstes einerseits und der organischen Reste andererseits nehmen Silikone eine Zwischenstellung zwischen anorganischen und organischen Verbindungen ein, insbesondere zwischen Silikaten und organischen Polymeren. Sie sind in gewisser Weise Hybride und weisen ein einzigartiges Eigenschaftsspektrum auf, das von keinem anderen Kunststoff erreicht wird.
Literaturquelle : Wikipedia |
 |
| |
|
Das Rechenmodell
Der Prozess der Silikonproduktion kann durch maschinelles Lernen in einer Menge von Differentialgleichungen dargestellt werden. Die Basis für diese Modellierung sind die historischen Messdaten im Archivrechner.
Etwa dreißig Parameter (Umweltbedingungen, Marktsituation, Rohstoffversorgung) beeinflussen den Produktionsprozess und liefern einige tausend Datensätze, aus denen der Rechner die den Prozess beschreibenden Gleichungen ermittelt.
Das Kriterium für Optimalität ist Profit in der Produktion unter Berücksichtigung aller Kosten und Umsatzfaktoren.
|
 |
| |
|
Resultat
3% mehr Selektivität und
5% mehr Ausbeute. |
 |
 Download Vortrag (0,5 MB) |
 |
