Technische Umweltchemie (W3) Prof. Dr. Michael Stelter Stellvertretender Institutsleiter Fraunhofer-Institut für Keramische Technologien und Systeme IKTS Die Arbeitsgruppe an der Universität Jena wird von Dr. Patrick Bräutigam geleitet. Forschungsschwerpunkte Der Arbeitsbereich Wassertechnologie beschäftigt sich mit Advanced Oxidation Processes ())),e-, Δp, ΔT, hν, Fe2+/H2O2/O3), Membranverfahren, anthropogenen Mikroschadstoffen, Mikroplastik, der Wertstoffrückgewinnung aus Abwasser und Sensorik. Im Arbeitsbereich Kavitation liegt der Fokus auf Generierungsverfahren (hydrodynamisch, akustisch, simultan), der Kavitationsfeldanalyse (akustisch, optisch), Reaktorentwicklung, Prozessintensivierung und Sonochemie. Der Arbeitsbereich Nachwachsende Rohstoffe umfasst die energetische Verwertung im Bereich Bioenergie (Desintegration, Biogas, Faulgas), Biokraftstoffe (Biodiesel), biogener Reststoffe sowie das stoffliche Recycling. Die steigende Anzahl und strukturelle Varietät an Mikroschadstoffen in der Umwelt — vor allem im Kompartiment Wasser — stellt eine immer größer werdende Bedrohung für Mensch und Umwelt dar. Derzeitig installierte Reinigungssysteme in Deutschland, aber auch weltweit, können das Wasser nicht oder nicht effizient genug reinigen. Hierdurch gelangen zunehmend Mikroschadstoffe in den Wasserkreislauf. Durch das unterschiedliche Verhalten des großen Spektrums an Mikroschadstoffen und der Vielzahl an möglichen Eliminierungsprozessen gestaltet sich die Empfehlung einer bestimmten Abbaumethode für einen Stoff bzw. eine Stoffgruppe nur anhand qualitativer, experimenteller Beobachtungen als schwierig. Dies ist allerdings aus ökologischer und ökonomischer Sicht wünschenswert. Eine präzise Vorhersage der Abbaugeschwindigkeit eines Stoffes mit unterschiedlichen AbPrognose des Abbauverhaltens von Mikroschadstoffen in Wasser mit maschinellem Lernen Abb. 1. Prädiktive QSPR-Modellierung zur Vorhersage des Abbauverhaltens von Mikroschadstoffen in Wasser. bauverfahren kann u.a. durch QSPR (quantitative structure-property relationship) erfolgen. Durch mathematische Korrelation der chemischen Struktur von Molekülen, ausgedrückt durch Deskriptoren, mit deren Abbauverhalten können generierte statistische Modelle Eigenschaften für ein bestimmtes Spektrum von Substanzen vorhersagen. Auf Grundlage eines möglichst homogenen experimentellen Datensatzes kann durch Methoden und Algorithmen des maschinellen Lernens (z.B. genetischer Algorithmus) für unterschiedliche Abbaumethoden ein prädiktives Modell erstellt werden. Die statistische Absicherung der berechneten Modelle erfolgt mithilfe unterschiedlichster Validierungsmethodiken (Abb. 1). Zuletzt wurde ein prädiktives Modell für den Ultraschall-assistierten Abbau eines kleinen Satzes an Phenol-Derivaten berechnet. Die ausgewählten Deskriptoren ließen dabei eine Verknüpfung mit dem experimentellen Hintergrund zu, wobei der potentiell stabilisierende Einfluss von Wasserstoffbrückenbindungen sowie der Polarität quantifiziert werden konnte [1]. [1] Glienke, J., Schillberg, W., Stelter, M., Braeutigam, P. (2022): Prediction of degradability of micropollutants by sonolysis in water with QSPR - a case study on phenol derivates. Ultrason. Sonochem., https://doi.org/10.1016/ j.ultsonch.2021.105867 106 — FORSCHUNG
RkJQdWJsaXNoZXIy OTI3Njg=