Fünfmal effektiver mit Machine Learning

Formaldehyd gehört zu den wichtigsten Grundstoffen der chemischen Industrie und dient als Ausgangsstoff für viele andere chemische Produkte. Industriell wird es derzeit durch großtechnische Verfahren hergestellt, die zum einen fossile Ressourcen verbrauchen und zum anderen sehr energieaufwendig sind. Effizientere Verfahren werden daher dringend gesucht und könnten einen wichtigen Beitrag zum Klimaschutz leisten. Der LMU-Chemiker Professor Oliver Trapp hat nun mit seinem Team einen auf Machine-Learning-Algorithmen basierenden Workflow entwickelt, mit dem sie die Effizienz eines Verfahrens zur Formaldehyd-Produktion um 500 Prozent steigern konnten, wie die Wissenschaftler im Fachmagazin Chemical Science berichten. Sie sind überzeugt, dass dieser Ansatz großes Potenzial hat und grundsätzlich auch auf andere Verfahren angewendet werden kann.Industriell wird Formaldehyd erzeugt, indem Synthesegas – eine Mischung aus Kohlenmonoxid und Wasserstoff – zu Methanol umgesetzt wird, das in einem nächsten Schritt mithilfe von Katalysatoren oxidiert wird. Die Erzeugung dieses Synthesegases erfordert hohe Temperaturen und verbraucht fossile Ressourcen wie Erdgas oder Kohle. In einer ersten Arbeit ist es den Wissenschaftlern gelungen, ein chemisches System zu etablieren, in dem ein Formaldehyd-Derivat in einem einzigen Prozessschritt, also ohne Umweg über Methanol, gewonnen werden kann – und in dem anstelle von Kohlenmonoxid ausschließlich Kohlendioxid (CO2) verwendet wird. „Dies hat im Vergleich zum herkömmlichen Verfahren mehrere Vorteile: Zum einen könnte so CO2 recycelt werden, das bei industriellen Prozessen, etwa in der Stahlindustrie, als Abfallprodukt anfällt. Damit würde nicht nur die Effizienz dieser Prozesse gesteigert, sondern auch die Akkumulation des Gases in der Atmosphäre verringert werden – eine im Hinblick auf den Klimawandel dringendst gesuchte und notwendige Maßnahme“, sagt Trapp. „Zudem könnte der Prozess energiesparender als andere Verfahren sein, da deutlich geringere Temperaturen und weniger Prozessschritte benötigt werden.“Dieses neue Verfahren haben die Wissenschaftler nun weiter optimiert. Insgesamt variierten sie dabei sieben Parameter, die die Formaldehyd-Synthese in dem neuen System beeinflussen und untersuchten mithilfe eines Machine-Learning Algorithmus, welche Parameter-Kombinationen die vielversprechendsten Ergebnisse liefern. Die wesentliche Eigenschaft von Machine-Learning-Algorithmen besteht in ihrer Fähigkeit, aus Erfahrung und Daten zu lernen. „Bei der von uns verwendeten Methode random forest sind am Anfang des Lernvorgangs Datensätze vorhanden, die valide Ergebnisse auf der Basis von Beobachtungen oder Berechnungen enthalten“, sagt Trapp. Anhand eines Teils dieser Daten wird der Algorithmus trainiert, sodass er einen mathematischen Zusammenhang zwischen den Eingangsdaten und den Ergebnissen herstellt und diesen in Form eines Modells ausgibt. Die Genauigkeit des Modells wird anhand des verbliebenen Teils der Daten evaluiert.Mit dieser Methode identifizierten die Wissenschaftler die optimalen Bedingungen für ihr chemisches System, die sie dann in einem neuen, auf diese Parameter zugeschnittenen Reaktionsaufbau umsetzten. „Damit haben wir die Effizienz der Synthese im Vergleich zu herkömmlichen Verfahren um 500 Prozent gesteigert“, sagt Trapp. „Dieses Ergebnis hat unsere Erwartungen deutlich überstiegen und zeigt das Potenzial moderner Algorithmen, die mit minimalem praktischem Aufwand zu einer maximalen Verbesserung der Ergebnisse führen können.“Nach Ansicht der Wissenschaftler lassen die Ergebnisse hoffen, dass das Verfahren von Ingenieuren aufgegriffen und technisch umgesetzt wird. „Unser Projektpartner BASF prüft bereits, inwiefern ein solcher Prozess industriell relevant sein könnte“, sagt Trapp. Bei einer jährlichen Produktion von weit über 20 Millionen Tonnen Formaldehyd weltweit mit weiterhin steigender Nachfrage könnte ein vergleichsweise umweltschonendes Verfahren ein wichtiger Beitrag zum Klimaschutz sein.Chemical Science 2019