Eldorado - Repositorium der TU Dortmund
Ressourcen aus und für Forschung, Lehre und Studium
Bei diesem Service handelt es sich um das Institutionelle Repositorium der Technischen Universität Dortmund. Hier werden Ressourcen aus und für Lehre, Studium und Forschung gespeichert, erschlossen und der Öffentlichkeit zugänglich gemacht.
Hauptbereiche in Eldorado
Wählen Sie einen Bereich, um dessen Inhalt anzusehen.
Aktuellste Veröffentlichungen
Data-based predictive control with nonlinear and multi-step models
(2024) Fiedler, Felix Malte Hermes; Lucia Gil, Sergio; Gros, Sebastian
Over the last decades, model predictive control (MPC) has demonstrated exceptional performance in control tasks across various domains. Unfortunately, this potential is often limited by the challenge of obtaining a control-oriented model. To address this challenge, this thesis explores advanced methods for data-based system identification, specifically focusing on nonlinear state-space identification and linear multi-step identification with deterministic and probabilistic models. The resulting models are used to formulate data-based nonlinear, economic and stochastic MPC controllers. Nonlinear state-space identification with neural networks is proposed for systems with state-feedback and output-feedback. Sampling data for the identification task
and formulating the nonlinear MPC controller with neural network system model is enabled by the introduced open-source software do-mpc. Multi-step models predict finite sequences of a dynamic system. For linear systems, multi-step identification boils down to a tractable linear regression task. This thesis proposes an MPC controller with identified multi-step model and compares the approach with the recently popularized data-enabled predictive control method. Additionally, for non-deterministic systems, this thesis introduces a probabilistic multi-step identification approach. Using only recorded data of a noise-affected linear system, the proposed method yields an output-feedback stochastic MPC controller with favorable properties. Furthermore, the inherent advantages of multistep identification over state-space identification for linear systems with
measurement noise are demonstrated. It is shown that an identified and recursively evaluated state-space model yields biased multi-step predictions, whereas the respective identified multi-step model is, in expectation, unbiased. A possible extension of the proposed methods is nonlinear probabilistic system identification using neural networks with Bayesian last layer. Another major contribution is the proposal of a novel training algorithm that enhances the predictive distribution of the resulting models. This contribution enables the design
of data-based stochastic MPC with neural network models for future work.
The world as witty agent - Donna Haraway on the object of knowledge
(2024-09-20) Trächtler, Jasmin
In her essay “Situated Knowledges,” the biologist and philosopher of science Donna Haraway tackles the question of scientific objectivity from a feminist perspective and opts for a ‘re-vision’ of science that overcomes the traditional dualisms of epistemic subject and object as well as of nature and culture (science). Beyond scientific realism and radical social constructivism, Haraway understands ‘nature’ or ‘world’ neither as a passive resource nor as a human product of imagination. Rather, she argues, the world is to be understood as a ‘witty agent’ that has its own efficacy and historicity in the production of knowledge. Instead of epistemic reification, possession, and appropriation of ‘nature’, knowledge production should be understood as a conversation between material-semiotic actors, human, and non-human, from which none of the actors leaves as they entered. In this study, I want to explore what it means to conceive of nature or world in knowledge processes as a “witty agent” and how exactly one is to imagine this form of non-human agency. To this end, I will first explain Haraway’s re-vision of “nature” beyond scientific realism and radical social constructivism (sect. 2). From this, I will discuss her underlying conception of agency (sect. 3). This involves first, a reconception of the traditional relation between epistemic subject and object as dynamic and situational relation (sect. 3.1). Second, Haraway characterizes the world’s epistemic agency in more positive terms by using the ‘trickster’ figure as it appears in Southwest Native American representations in the form of a Coyote (sect. 3.2). Finally, I will come back to Haraway’s initial question of an objective scientific approach to the world, which for her consists in a power-charged social relation of conversations with the world. I will conclude with a critical reflection of what Haraway’s conception of the world as an agent means for scientific practice and its engagement with objects of knowledge.
Characterization of the alkali and hydrolysis resistance of polymer-impregnated, alkali-resistant glass filaments
(2024-09-02) Kempis, Florian; Orlowsky, Jeanette
The aim of this series of tests was to characterize the alkali and water resistance of alkaliresistant (durability) glass filaments, which were optimized with two non-vulcanized formulations based on co-polymerizing styrene-butadiene rubbers (CemFil-SBR1 and CemFil-SBR2). Furthermore, it was assessed which of the two polymer-impregnated multifilament yarns is the better alternative for use in cementitious binders. For this purpose, the impregnated multifilament yarns were chemically conditioned for up to twelve months at temperatures of 23 and 50 ◦C in 2.5 percent sodium hydroxide solution and 2.5 percent potassium hydroxide solution as well as in 3 percent salt and distilled water. The samples were then subjected to material science tests. The liquid absorption capacities and the changes in the mass of the composite materials were determined at different times during
conditioning. The load-bearing capacity of the samples was also tested using uniaxial fiber strand tensile tests. The durability of the polymer-impregnated multifilament yarns was described in detail in conjunction with scanning electron microscopy images and nominal cross-section determinations. The test liquids caused a reduction in strength during the storage period, which was accelerated by increased temperatures. The reduction in strength is mainly due to glass corrosion of the filaments. Glass corrosion is delayed due to the good impregnation quality, which fundamentally improves the durability of the yarns. The results of the durability tests show that the polymer-impregnated multifilament yarns CemFil-SBR2 are probably more suitable for use in cementitious binders, as they
have better alkali and hydrolysis resistance.
Development of an open-source application for multiprotic small molecule pKa prediction based on machine learning and experimental data
(2024) Baltruschat, Marcel; Czodrowski, Paul; Kast, Stefan M.
Die Säure-Base-Dissoziationskonstante (pKa) und damit der Säure-Base-Charakter eines Moleküls hat einen weitreichenden Einfluss auf seine biopharmazeutischen, pharmakodynamischen und pharmakokinetischen Eigenschaften. Dazu gehören unter anderem Löslichkeit, Absorption, Permeabilität, Proteinbindung und Lipophilie. Diese weitreichenden Auswirkungen sind der Grund dafür, dass pKa-Werte experimentell bestimmt und im Rahmen des Arzneimittelzulassungsverfahrens angegeben werden müssen. Eine genaue Abschätzung der pKa-Werte ist daher von entscheidender Bedeutung für ein erfolgreiches Wirkstoffdesign. Für die Vorhersage von pKa-Werten für kleine Moleküle existieren mehrere kommerzielle und nichtkommerzielle Tools und Ansätze, jedoch fehlt ein quelloffenes, frei verfügbares pKa-Vorhersagetool, das sich in seiner Vorhersagequalität und seinem Funktionsumfang mit den kommerziellen Tools messen kann. Ziel dieser Arbeit ist es, ein solches Tool zu entwickeln, welches auf maschinellem Lernen und ausschließlich experimentell ermittelten pKa-Daten basiert. Dazu wurden zunächst experimentell ermittelte pKa-Daten durch umfangreiche Literatur- und Datenbankrecherchen sowie durch Kooperationen mit verschiedenen Pharmaunternehmen und Softwareanbietern zusammengetragen und standardisiert. Anschließend wurde mit der Entwicklung eines auf maschinellem Lernen basierenden pKa-Vorhersagetools für monoprotische Moleküle begonnen. Nach der Evaluierung verschiedener Transformationsmethoden vom Molekül zu für das Training verwendbare Eingabedaten sowie verschiedener Machine-Learning-Algorithmen konnte ein Random Forest Modell entwickelt werden, das, auf Basis externer Testdatensätze aus der Literatur und der pharmazeutischen Industrie sowie einer 5-fachen Kreuzva- lidierung, mit dem kommerziellen Tool ChemAxon Marvin mithalten kann sowie die Vorhersagequalität vergleichbarer, zu diesem Zeitpunkt veröffentlichter Open-Source-Modelle übertrifft. Die 5-fache Kreuzvalidierung ergab einen MAE von 0.682, einen RMSE von 1.032 und einen R2 von 0.82. Im nächsten Schritt wurde der Fokus auf multiprotische Moleküle gelegt. Hier musste die Datenaufbereitung und Vorverarbeitung erweitert werden, um die konkreten Fragestellungen der Identifizierung und Lokalisierung von Titrationsstellen in Molekülen sowie die Zuordnung der einzelnen experimentellen pKa-Werte zu ihren jeweiligen titrierbaren Gruppen zu bearbeiten. Zu diesem Zweck wurde das Programm Multiprotic pKa Processor (MPP) entwickelt. MPP führt alle notwendigen Vorverarbeitungsschritte durch, identifiziert und lokalisiert titrierbare Gruppen und führt alle weiteren vorbereitenden Schritte durch, um einen schnellen Start des maschinellen Lernens auf Basis der bearbeiteten Datensätze zu ermöglichen. Zusätzlich wird eine detaillierte Analyse der titrierbaren Gruppen der Moleküle in den gegebenen Datensätzen durchgeführt. MPP liefert auch eine Liste von SMILES Arbitrary Target Specification (SMARTS)-Mustern, die die am häufigsten vorkommenden titrierbaren Gruppen repräsentieren und auf Basis der Eingabedatensätze generiert wurden. Insgesamt wurden 16 Datensätze aus verschiedenen Quellen mit insgesamt 84957 pKa-Werten für 26568 verschiedene Moleküle verarbeitet und für das maschinelle Lernen vorbereitet. Schließlich wurde ein multiprotisches pKa-Vorhersagemodell basierend auf der Graph Convolutional Neural Network (GCN)-Architektur auf der Grundlage der aus MPP resultierenden Datensätze entwickelt. Die Implementierung des GCN sowie die Umwandlung der Moleküle in Graphen und das Hinzufügen von Kanten- und Knoteneigenschaften erfolgte mit PyTorch und PyTorch Geometric. Zur Optimierung der Architektur und der Hyperparameter wurde eine Bayes’sche Optimierung mit 500 Durchläufen mittels Optuna durchgeführt. Die einzelnen Modelle wurden mit externen Testdatensätzen evaluiert und mit MLflow getrackt und dokumentiert. Das beste Modell erreichte über alle titrierbaren Gruppen aller mono-, di- und triprotischen Moleküle für den Literatur-Testdatensatz von Settimo et al. einen MAE von 0.414, einen RMSE von 0.587 und einen R2 von 0.929. Für den Industrie-Testdatensatz von Novartis erreichte das Modell einen MAE von 0.791, einen RMSE von 1.048 und einen R2 von 0.808. Insgesamt liegt der MAE-Wert aller Testdatensätze kombiniert bei 0.748. Im Rahmen einer erweiterten Evaluierung wurde ein zweites Modell mit den gleichen Hyperparametern und einem angepassten Trainingsdatensatz trainiert und mit den SAMPL6 und SAMPL7 Datensätzen als externe Testdatensätze evaluiert. Für den monoprotischen Teil beider Datensätze erreichte das Modell einen MAE von 0.442 bzw. 0.722, einen RMSE von 0.592 bzw. 0.907 und einen R2 von 0.915 bzw. 0.851 für SAMPL6 und SAMPL7. Im Falle von SAMPL6 können die statistischen Werte aufgrund der Filterung im Zuge der Präprozessierung nicht mit den veröffentlichten statistischen Werten verglichen werden.
Numerical solution of the Fokker-Planck equation using physics-conforming finite element methods
(2024) Wegener, Katharina Theresa; Kuzmin, Dmitri; Turek, Stefan
In this work, a Fokker-Planck equation (FPE) is used to approximate the orientation distribution of fibers. FPEs combined with the Navier-Stokes equations (NSE) are widely used to predict the motion of the fibers in fiber suspension flows with low Reynolds numbers. The fibers align in response to the flow and randomize in response to fiber-fiber interactions. A precise formulation takes into account that the flow-fiber interaction is bilateral, so that the suspension rheology also depends on the fiber orientation.
Various approaches to model fiber suspensions, including the well-known Folgar- Tucker equation, which relies on orientation tensors, are reviewed. We aim to solve the FPE using the continuous Galerkin method. For each point in the 3d physical space, an equation on the surface of a unit sphere representing the orientation states is solved, while for each point on the sphere an advection equation in the 3d physical space has to be solved. We handle this in the framework of an alternating direction approach including subtime stepping. Algebraic flux correction is performed for each equation to ensure positivity preservation as well as the normalization property of the distribution function.
Numerical tests are performed for the individual subproblems. Finally, the velocity field is calculated by the incompressible Navier-Stokes equations (NSE), and benchmark problems for the coupled FPE-NSE system are solved. Thus, the relevance of this two-way coupling across the scales can be validated, and the effect of a different number of fibers is examined.