Diffusionskoeffizienten aus NMR-Experimenten
Diffusion ist ein allgegenwärtiges Phänomen. Das Vermischen heterogener Medien ist ein anschauliches Alltagsbeispiel für den Stofftransport durch Diffusionsprozesse. Aber auch bereits durchmischte Medien weisen eine innere Beweglichkeit auf, die Selbstdiffusion. Diffusionskoeffizienten erlauben die Quantifizierung von Transport- und Selbstdiffusion; ihre Messung mit klassischen Methoden stellt aber oft eine Herausforderung dar. Die NMR-Methode liefert hier außergewöhnlich gut geeignete Ansätze zur präzisen Bestimmung von Selbst- und Transportdiffusionskoeffizienten.
Diffusionskoeffizienten von Poly(oxymethylen)dimethylether und hydrierten Pflanzenölen
Poly(oxymethylen)dimethylether (OME) und hydrierte Pflanzenöle (HVO) sind interessante synthetische Kraftstoffe, die aus erneuerbaren Ressourcen hergestellt werden können. Aus der Verbrennungsforschung ist es bekannt, dass Tröpfchen, die sich durch ein heißes Gas bewegen, explosionsartig zerfallen können. Dieses Phänomen tritt auf, wenn die Diffusion langsamer als der Wärmetransport ist und es zu Überhitzung im Tropfeninneren kommt. Zur Überprüfung dieser Hypothese fehlen Informationen über die Diffusionskoeffizienten von OME in der Literatur. Wir messen Selbstdiffusionskoeffizienten in den Gemischen bei hoher Verdünnung der diffundierenden Komponenten, so dass die Ergebnisse mit den entsprechenden Transportdiffusionskoeffizienten identisch sind. Dies ermöglicht die Überprüfung der Hypothese.
Abbildung: Diffusion und Wärmetransport bei der Tropfenexplosion.
Messung und Vorhersage von Selbstdiffusionskoeffizienten auf Basis von Active Learning Strategien
Informationen über die Diffusionskoeffizienten in Gemischen sind in der Verfahrenstechnik unerlässlich, z. B. für die Modellierung von Transportphänomenen und die Simulation von thermischen Trennprozessen. Da es für viele praktisch relevante Komponenten und deren Mischungen aber keine Messdaten gibt, sind Vorhersagemethoden von entscheidender Bedeutung - darunter Matrixvervollständigungsmethoden (Engl.: matrix completion methods (MCMs)) aus dem maschinellen Lernen. Zur Verbesserung der Vorhersagequalität der MCMs werden Messpunkte in einem iterativen Verfahren auf Basis von Active Learning Strategien ausgewählt und mit PFG-NMR-Spektroskopie gemessen.
Abbildung: Schema des Active Learning Workflows zur Bestimmung von Selbstdiffusionskoeffizienten.