Chemische Charakterisierung und Spurenanalytik
Filtern
Dokumenttyp
- Zeitschriftenartikel (8)
- Beitrag zu einem Tagungsband (3)
- Forschungsdatensatz (2)
- Dissertation (1)
- Vortrag (1)
Schlagworte
- CONSENS (7)
- Process Analytical Technology (4)
- Prozessanalytik (4)
- Artificial neural networks (3)
- Modular Production (3)
- Online NMR spectroscopy (3)
- Real-time process monitoring (3)
- Automation (2)
- Indirect Hard Modeling (2)
- Industry 4.0 (2)
Organisationseinheit der BAM
- 1.4 Prozessanalytik (15) (entfernen)
Eingeladener Vortrag
- nein (1)
Mass Spectrometry (MS) and Nuclear Magnetic Resonance Spectroscopy (NMR) are critical components of every industrial chemical process as they provide information on the concentrations of individual compounds and by-products. These processes are carried out manually and by a specialist, which takes a substantial amount of time and prevents their utilization for real-time closed-loop process control. This paper presents recent advances from two projects that use Artificial Neural Networks (ANNs) to address the challenges of automation and performance-efficient realizations of MS and NMR. In the first part, a complete toolchain has been developed to develop simulated spectra and train ANNs to identify compounds in MS. In the second part, a limited number of experimental NMR spectra have been augmented by simulated spectra to train an ANN with better prediction performance and speed than state-of-theart analysis. These results suggest that, in the context of the digital transformation of the process industry, we are now on the threshold of a possible strongly simplified use of MS and MRS and the accompanying data evaluation by machine-supported procedures, and can utilize both methods much wider for reaction and process monitoring or quality control.
Mass Spectrometry (MS) and Nuclear Magnetic Resonance Spectroscopy (NMR) are valuable analytical and quality control methods for most industrial chemical processes as they provide information on the concentrations of individual compounds and by-products. These processes are traditionally carried out manually and by a specialist, which takes a substantial amount of time and prevents their utilization for real-time closed-loop process control. This paper presents recent advances from two projects that use Artificial Neural Networks (ANNs) to address the challenges of automation and performance-efficient realizations of MS and NMR. In the first part, a complete toolchain has been realized to develop simulated spectra and train ANNs to identify compounds in MS. In the second part, a limited number of experimental NMR spectra have been augmented by simulated spectra, to train an ANN with better prediction performance and speed than state-of-the-art analysis. These results suggest that, in the context of the digital transformation of the process industry, we are now on the threshold of a strongly simplified use of MS and MRS and the accompanying data evaluation by machine-supported procedures, and can utilize both methods much wider for reaction and process monitoring or quality control.
The goal of this work is to identify the optimal operating input for a lithiation reaction that is performed in a highly innovative pilot scale continuous flow chemical plant in an industrial environment, taking into account the process and safety constraints. The main challenge is to identify the optimum operation in the absence of information about the reaction mechanism and the reaction kinetics. We employ an iterative real-time optimization scheme called modifier adaptation with quadratic approximation (MAWQA) to identify the plant optimum in the presence of plant-model mismatch and measurement noise. A novel NMR PAT-sensor is used to measure the concentration of the reactants and of the product at the reactor outlet. The experiment results demonstrate the capabilities of the iterative optimization using the MAWQA algorithm in driving a complex real plant to an economically optimal operating point in the presence of plant-model mismatch and of process and measurement uncertainties.
Calibration-Free Chemical Process and Quality Control Units as Enablers for Modular Production
(2021)
Modular chemical production is a tangible translation of the digital transformation of the process industry for specialty chemicals. In particular, it enables the speeding-up of process development and thus a quicker time to market by flexibly connecting and orchestrating standardised physical modules and bringing them to life (i.e., parameterising them) with digitally accumulated process knowledge.
We focus on the specific challenges of chemical process and quality control, which in its current form is not well suited for modular production and provide possible approaches and examples of the change towards direct analytical methods, analytical model transfer or machine-supported processes.
Monitoring chemical reactions is the key to chemical process control. Today, mainly optical online methods are applied, which require excessive calibration effort. NMR spectroscopy has a high potential for direct loop process control while exhibiting short set-up times. Compact NMR instruments make NMR spectroscopy accessible in industrial and harsh environ¬ments for advanced process monitoring and control, as demonstrated within the European Union’s Horizon 2020 project CONSENS.
We present a range of approaches for the automated spectra analysis moving from conventional multivariate statistical approach, (i.e., Partial Least Squares Regression) to physically motivated spectral models (i.e., Indirect Hard Modelling and Quantum Mechanical calculations). By using the benefits of traditional qNMR experiments data analysis models can meet the demands of the PAT community (Process Analytical Technology) regarding low calibration effort/calibration free methods, fast adaptions for new reactants or derivatives and robust automation schemes.
Industry 4.0 is all about interconnectivity, sensor-enhanced process control, and data-driven systems. Process analytical technology (PAT) such as online nuclear magnetic resonance (NMR) spectroscopy is gaining in importance, as it increasingly contributes to automation and digitalization in production. In many cases up to now, however, a classical evaluation of process data and their transformation into knowledge is not possible or not economical due to the insufficiently large datasets available. When developing an automated method applicable in process control, sometimes only the basic data of a limited number of batch tests from typical product and process development campaigns are available. However, these datasets are not large enough for training machine-supported procedures. In this work, to overcome this limitation, a new procedure was developed, which allows physically motivated multiplication of the available reference data in order to obtain a sufficiently large dataset for training machine learning algorithms. The underlying example chemical synthesis was measured and analyzed with both application-relevant low-field NMR and high-field NMR spectroscopy as reference method. Artificial neural networks (ANNs) have the potential to infer valuable process information already from relatively limited input data. However, in order to predict the concentration at complex conditions (many reactants and wide concentration ranges), larger ANNs and, therefore, a larger Training dataset are required. We demonstrate that a moderately complex problem with four reactants can be addressed using ANNs in combination with the presented PAT method (low-field NMR) and with the proposed approach to generate meaningful training data.
Data set of low-field NMR spectra of continuous synthesis of nitro-4’-methyldiphenylamine (MNDPA). 1H spectra (43 MHz) were recorded as single scans.
Two different approaches for the generation of artificial neural networks training data for the prediction of reactant concentrations were used: (i) Training data based on combinations of measured pure component spectra and (ii) Training data based on a spectral model.
Synthetic low-field NMR spectra
First 4 columns in MAT-files represent component areas of each reactant within the synthetic mixture spectrum.
Xi (“pure component spectra dataset”)
Xii (“spectral model dataset”)
Experimental low-field NMR spectra from MNDPA-Synthesis
This data set represents low-field NMR-spectra recorded during continuous synthesis of nitro-4’-methyldiphenylamine (MNDPA). Reference values from high-field NMR results are included.
Die Geräteentwicklungen im Bereich der Niederfeld-NMR-Spektroskopie im vergangenen Jahrzehnt ermöglichen den Einsatz kompakter, portabler Magnete mit geringen Streufeldern in Laborumgebungen und industriellen Produktionsanlagen. Somit werden neue Möglichkeiten für hochauflösende NMR-Experimente zur Reaktionsüberwachung eröffnet. Im Rahmen des EU-Projekts CONSENS wurden die Möglichkeiten dieser Methode umfassend anhand einer technisch bedeutenden Reaktion (elektrophile aromatische Substitutionsreaktionen) evaluiert.
Um die Flexibilität einer kontinuierlichen und modularen Pilotanlage durch Echtzeit- Qualitätskontrolle zu fördern, wurde ein vollständig automatisiertes Online- NMR-Modul entwickelt. Der Einsatz eines kommerziellen Niederfeld-NMR-Geräts im industriellen Umfeld wurde durch die entwickelten Lösungen der automatisierten Datenanlyse sowie durch ein zertifiziertes Sicherheitskonzept für den Betrieb in explosionsgefährdeten Zonen ermöglicht. Neben der Überwachung der Produktqualität wurden Online-NMR-Daten in einem neuen iterativen Optimierungsansatz zur Maximierung des Anlagenertrags eingesetzt und dienten als zuverlässige Referenz für die Kalibrierung eines Nahinfrarot-Spektrometers.
Für die Entwicklung einer robusten Datenauswertung der NMR-Spektren, die dem Anspruch der Flexibilität bei Produktwechseln genügt, wurden zunächst Versuche im Labormaßstab durchgeführt, um eine Datenbasis zu schaffen. In diesen Versuchen wurden die aromatischen Amine Anilin, p-Toluidin und p-Fluoranilin mit o-Fluornitrobenzol gekoppelt. Durch Zugabe einer Organolithium-Verbindung (Li- HMDS) findet ein Protonenaustausch zwischen dem primären Amin und Li-HMDS statt. Dies führt zu einer hohen Reaktionsenthalpie und instabilen Aryllithium-Verbindungen. Die Reaktionen wurden hinsichtlich anfallender Zwischenprodukte mittels Hochfeld-NMR-Spektroskopie analysiert.
Nachfolgend wurden die Reaktionen sowohl im Semi-Batch-Verfahren als auch im kontinuierlichen Laborbetrieb mit Online-Niederfeld-NMR-Spektroskopie und Online- Hochfeld-NMR-Spektroskopie untersucht. Da die gemessenen NMR-Spektren besonders im aromatischen Spektralbereich hohe Signalüberlappungen der Reaktanden aufweisen, wurden chemometrische Modelle entwickelt und anhand der Hochfeld-NMR-Methode validiert. Die verwendeten Durchflusszellen für die Niederfeld-NMR-Spektroskopie wurden hinsichtlich ihrer Anwendbarkeit für quantitative Messungen im kontinuierlichen Durchfluss untersucht. Es konnte gezeigt werden, dass Messungen mit einer additiv gefertigten Keramikdurchflusszelle prinzipiell möglich sind.
Trialkoxysilane haben sich in den vergangenen Jahren als vielseitig einsetzbare Organosilane erwiesen. Die Einsatzgebiete erstrecken sich vom Witterungsschutz von Bauwerken über haftvermittelnde Eigenschaften in der Glasfaserindustrie, bei Dicht- und Klebstoffen, in Farben und Lacken bis hin zur Modifizierung von polymeren Werkstoffen.
Kommerzielle Benchtop-NMR-Spektrometer haben das Potential auch im Bereich der Silanchemie als Online-Methode zur Reaktionsüberwachung und für die Qualitätskontrolle eingesetzt zu werden. Interessante NMR-Kerne für die oben genanntem Produkte sind 1H und 29Si. In einer gemeinsamen Forschungskooperation zwischen EVONIK und BAM wurde anhand verschiedener Fallstudien die Anwendbarkeit der Niederfeld-NMR-Spektroskopie zur chemischen Analyse von Silanen evaluiert. Im Zuge der Fallstudien wurde gezeigt, wie Niederfeld-NMR-Spektroskopie die Möglichkeiten der Konzentrationsmessung auf neue Anwendungsgebiete erweitert, in denen bestehende Technologien wie z. B. NIR, Raman, UV/VIS, etc. mangels Referenzdaten nicht quantitativ eingesetzt werden können.
Fallstudie 1: Oligomerisierung
Eine Fallstudie setzte dazu an, den Hydrolyse- und Kondensationsverlauf mit einer geeigneten Online-NMR-Analytik zu beobachten, den Reaktionsfortschritt der Hydrolyse und Kondensation auf dieser Basis besser zu verstehen und zu optimieren. Zu diesem Zweck werden durch Zugabe von Wasser zunächst die Alkoxysubstituenten eines Trialkoxysilans hydrolysiert und entsprechende Silanole gebildet. Diese können dann über eine SiOH-Funktion an den zu modifizierenden Werkstoff anbinden und über weitere Silanolgruppen unter Ausbildung von Siloxaneinheiten vernetzen.
Fallstudie 2: Spaltung von cyclischen Silanverbindungen
In einer weiteren Fallstudie wurde die Kinetik der Aufspaltungen einer cyclischen Silanverbindung untersucht. Die Online-NMR-Analytik kam hierbei sowohl im Labor als auch in der industriellen Produktionsanlage zum Einsatz. Hierfür wurde eine vollständig automatisierte Einhausung verwendet, welche den Einsatz eines kommerziellen NMR-Spektrometers in explosionsgeschützten Bereichen ermöglicht.
Fallstudie 3: Qualitätskontrolle für Produktmischungen von Trialkoxysilanen
Für Produktmischungen eines Trialkoxysilans und weiteren Bestandteilen wie u. a. org. Stabilisatoren, Organozinnverbindungen, eines aromatischen Amins und org. Peroxide wurden quantitative 1H-Spektren akquiriert und eine automatische Auswertungsmethode basierend auf Indirect Hard Modeling (IHM) entwickelt. Für die Nebenkomponenten, deren Stoffmengenanteile bis zu 3 Mol-% betragen, wurden durch die zugrunde gelegte Methode typischerweise korrekte experimentelle Stoffmengenanteile gefunden, die weniger als 0,2 Mol-% vom Referenzwert abweichen.
There have been an increasing number of publications on flow chemistry applications of compact NMR. Despite this, there is so far no comprehensive workflow for the technical design of flow cells. Here, we present an approach that is suitable for the design of an NMR flow cell with an integrated static mixing unit. This design moves the mixing of reactants to the active NMR detection region within the NMR instrument, presenting a feature that analyses chemical reactions faster (5–120 s region) than other common setups. During the design phase, the targeted mixing homogeneity of the components was evaluated for different types of mixing units based on CFD simulation. Subsequently, the flow cell was additively manufactured from ceramic material and metal tubing. Within the targeted working mass flow range, excellent mixing properties as well as narrow line widths were confirmed in validation experiments, comparable to common glass tubes.