Flüssig oder gasförmig? 13.02.2025, 12:30 Uhr

Physiker lösen altes Problem der Phasentrennung

Forschende kombinieren Physik und KI zur genauen Vorhersage von Phasentrennung – eine Methode mit großem Potenzial für Industrie und Forschung.

Wolken

Unter bestimmten Bedingungen kann Wasser gleichzeitig flüssig und gasförmig sein, zum Beispiel bei der Wolkenbildung. Diese Phasentrennung ließ sich bislang nur näherungsweise bestimmen. Durch Einsatz von KI ändert sich das.

Foto: PantherMedia / dz1958.hotmail.com

Ein Team aus Bayreuth hat mithilfe von maschinellem Lernen die klassische Theorie der Phasentrennung verfeinert. Ihre Methode erlaubt nun präzisere Vorhersagen, wann eine Substanz flüssig oder gasförmig vorliegt. Diese hybride Herangehensweise hat großes Potenzial für die Materialforschung und industrielle Anwendungen.

Flüssig oder gasförmig – das ist häufig die Frage

Flüssigkeiten und Gase existieren oft gleichzeitig in einem System – etwa in einem Wasserglas, aus dem kontinuierlich Moleküle verdunsten und wieder kondensieren. Bei der Wolkenbildung kann Wasser unter bestimmten Bedingungen gleichzeitig flüssig und gasförmig sein. Die Bedingungen, unter denen eine Substanz flüssig oder gasförmig vorliegt, sind von Druck und Temperatur abhängig. Wird eine kritische Temperatur erreicht, verschwinden die klar getrennten Phasen, und es entsteht ein sogenanntes überkritisches Fluid. Solche Phasenübergänge sind für industrielle Prozesse essenziell, etwa in der Trenn- und Reinigungstechnik.

Die Vorhersage dieser Übergänge ist jedoch eine große Herausforderung, da klassische Modelle wie das von Johannes Diderik van der Waals (Nobelpreis 1910) nur auf Näherungen beruhen. Selbst moderne statistische Methoden wie die Dichtefunktionaltheorie sind durch schwer überprüfbare Annahmen begrenzt. Forschende der Universität Bayreuth haben nun mit einem neuen Ansatz eine präzisere Lösung gefunden. Sie kombinierten klassische physikalische Theorien mit maschinellem Lernen, um zuverlässigere Vorhersagen zu treffen.

Wie maschinelles Lernen die Vorhersage verbessert

Dr. Florian Sammüller und Prof. Dr. Matthias Schmidt von der Universität Bayreuth entwickelten gemeinsam mit dem britischen Physiker Prof. emeritus Robert Evans eine hybride Methodik. Diese verbindet die theoretische Beschreibung von Phasenübergängen mit der Leistungsfähigkeit neuronaler Netze. Solche Netzwerke bestehen aus künstlichen „Nervenzellen“, die Informationen verarbeiten und Muster erkennen.

Stellenangebote im Bereich Forschung & Entwicklung

Forschung & Entwicklung Jobs
August Storck KG-Firmenlogo
Leiter (m/w/d) Prozess- und Methodenmanagement August Storck KG
Ohrdruf Zum Job 
Technische Universität Berlin-Firmenlogo
Universitätsprofessur - BesGr. W3 für Werkzeugmaschinen und Fertigungstechnik an der Fakultät V Technische Universität Berlin
Nash - Zweigniederlassung der Gardner Denver Deutschland GmbH-Firmenlogo
Teamleiter Development Engineering / Entwicklungsingenieur (m/w/d) Nash - Zweigniederlassung der Gardner Denver Deutschland GmbH
Nürnberg, Homeoffice möglich Zum Job 
Johns Manville Europe GmbH-Firmenlogo
Technology Leader (m/w/d) Nonwovens Europe Johns Manville Europe GmbH
Wertheim Zum Job 
Bundesanstalt für Materialforschung und -prüfung-Firmenlogo
Promovierte*r wissenschaftliche*r Mitarbeiter*in (m/w/d) einer natur- oder ingenieurwissenschaftlichen Fachrichtung Bundesanstalt für Materialforschung und -prüfung
Berlin-Adlershof Zum Job 
Rimowa GmbH-Firmenlogo
Senior Project Manager R&D (m/f/d) Rimowa GmbH
ROTHENBERGER Werkzeuge GmbH-Firmenlogo
Entwicklungsingenieur (m/w/d) Rohrwerkzeuge und Rohrbearbeitungsmaschinen ROTHENBERGER Werkzeuge GmbH
Kelkheim Zum Job 
Bundesanstalt für Materialforschung und -prüfung-Firmenlogo
Wissenschaftliche*r Mitarbeiter*in (m/w/d) der Fachrichtung Maschinenbau, Physikalische Ingenieurwissenschaft, Produktionstechnik, Werkstoffwissenschaft oder vergleichbar Bundesanstalt für Materialforschung und -prüfung
Berlin-Steglitz Zum Job 
Schleifring GmbH-Firmenlogo
Projektingenieur (m/w/d) Key Account in der Elektronikbranche Schleifring GmbH
Fürstenfeldbruck Zum Job 
Funkwerk Systems GmbH-Firmenlogo
Leiter Entwicklungsabteilung (m/w/d) Funkwerk Systems GmbH
Kölleda Zum Job 
Graz University of Technology, Faculty of Technical Chemistry, Chemical and Process Engineering and Biotechnology, Institute of Process and Particle Engineering-Firmenlogo
Professorship for Particle Engineering and Solids Processing Graz University of Technology, Faculty of Technical Chemistry, Chemical and Process Engineering and Biotechnology, Institute of Process and Particle Engineering
Graz, Austria Zum Job 
maxon motor GmbH-Firmenlogo
Prozessingenieur (w/m/d) für Qualität in Entwicklungsprojekten | Antriebstechnik maxon motor GmbH
Sexau bei Freiburg im Breisgau Zum Job 
PARI Pharma GmbH-Firmenlogo
Entwicklungsingenieur (m/w/d) Medizintechnik PARI Pharma GmbH
Gräfelfing bei München Zum Job 
Max-Planck-Institut für Kognitions- und Neurowissenschaften-Firmenlogo
HF-Ingenieur*in (m/w/d) als technische*r oder wissenschaftliche*r Mitarbeiter*in Max-Planck-Institut für Kognitions- und Neurowissenschaften
Leipzig Zum Job 
EuropTec GmbH-Firmenlogo
Mitarbeiter Prozessentwicklung (m/w/d) EuropTec GmbH
RHEINMETALL AG-Firmenlogo
Verstärkung für unsere technischen Projekte im Bereich Engineering und IT (m/w/d) RHEINMETALL AG
deutschlandweit Zum Job 
ULTRA REFLEX GmbH-Firmenlogo
Entwicklungsingenieur Kunststoff (m/w/d) Entwicklung und Optimierung von Produkten und Prozessen ULTRA REFLEX GmbH
Willstätt Zum Job 
B. Braun Melsungen AG-Firmenlogo
R&D Manager (w/m/d) Process Design B. Braun Melsungen AG
Melsungen Zum Job 
JACOBS DOUWE EGBERTS DE GmbH-Firmenlogo
Project Engineer (w|m|d) JACOBS DOUWE EGBERTS DE GmbH
Elmshorn Zum Job 
Neoperl GmbH-Firmenlogo
Ingenieur / Meister / Techniker (m/w/d) Prozess-, Automatisierungs- und Elektrotechnik Neoperl GmbH
Müllheim Zum Job 

Das maschinelle Lernmodell basiert auf einer zentralen physikalischen Annahme: Die Eigenschaften eines Systems lassen sich allein durch die Teilchendichte beschreiben. Diese Idee wurde bereits 1979 von Evans in einer „funktionalen Beziehung“ formuliert. Bisher war die Modellierung solcher Beziehungen durch mathematische Näherungen und physikalische Intuition begrenzt. Mit modernen KI-Techniken können diese Einschränkungen nun überwunden werden. „Eine Fülle von Annahmen, die seit van der Waals nur vermutet wurden, lassen sich nun quantitativ untersuchen und größtenteils bestätigen“, erklärt Schmidt.

Anwendungspotenzial für Industrie und Forschung

Diese neue Methode hat weitreichende Implikationen. Sie erlaubt nicht nur eine genauere Vorhersage von Phasenübergängen, sondern eröffnet auch neue Möglichkeiten in der Materialwissenschaft und Verfahrenstechnik. Besonders in der Modellierung von Kapillarverhalten in Poren, der Benetzung von Oberflächen oder der Entmischung von Stoffen könnte dieser Ansatz bahnbrechend sein.

Sammüller hebt hervor: „Die statistische Mechanik von Fluiden bietet zahlreiche Möglichkeiten, um die Qualität von KI-Vorhersagen mit physikalischen Gleichungen zu überprüfen und zu kontrollieren.“ Die Kombination aus maschinellem Lernen und theoretischer Physik könnte daher künftig eine Schlüsselrolle in der präzisen Modellierung komplexer Systeme spielen.

Hier geht es zur Originalpublikation

Ein Beitrag von:

  • Dominik Hochwarth

    Redakteur beim VDI Verlag. Nach dem Studium absolvierte er eine Ausbildung zum Online-Redakteur, es folgten ein Volontariat und jeweils 10 Jahre als Webtexter für eine Internetagentur und einen Onlineshop. Seit September 2022 schreibt er für ingenieur.de.

Zu unseren Newslettern anmelden

Das Wichtigste immer im Blick: Mit unseren beiden Newslettern verpassen Sie keine News mehr aus der schönen neuen Technikwelt und erhalten Karrieretipps rund um Jobsuche & Bewerbung. Sie begeistert ein Thema mehr als das andere? Dann wählen Sie einfach Ihren kostenfreien Favoriten.