Analytische Chemie
Filtern
Erscheinungsjahr
- 2020 (34) (entfernen)
Dokumenttyp
Sprache
- Englisch (21)
- Deutsch (12)
- Mehrsprachig (1)
Schlagworte
- Prozessanalytik (8)
- Automation (5)
- Benchtop-NMR (5)
- Prozessindustrie (5)
- Chemometrie (4)
- Digitalisation (4)
- Process Industry (4)
- Raman spectroscopy (4)
- Artificial neural networks (3)
- Digitale Transformation (3)
Organisationseinheit der BAM
- 1.4 Prozessanalytik (34) (entfernen)
Eingeladener Vortrag
- nein (7)
Zusätzlich zu Methodenentwicklung, Miniaturisierung und Kopplungsverfahren zeigen sich die Hyperspektroskopie zusammen mit Imaging‐Verfahren, der Einzelmolekülnachweis und der Einsatz von 3‐D‐Druckern als neue Schwerpunkte. Hinzu kommen künstliche Intelligenz bei Sensoren, Bildgebungsverfahren und Prozesssteuerung sowie die Vernetzung von Analyse‐ und Laborgeräten. Trends und Forschungsthemen aus der analytischen Chemie, zusammengestellt von elf Autoren, koordiniert von Günter Gauglitz.
The Tutzing Symposium "100 % digital: survival strategies for the process industry" (see 4.1) in April 2018 was characterized by a great momentum which has been taken up and continued until today. The aim was to implement the ideas from the Tutzing Symposium in a coordinated and targeted manner. For this purpose, development needs as well as the numerous currently planned or already started research and development activities in the context of digitalisation were first compiled and analysed. This resulted in the current research landscape for digitalization in the process industry. It now enables to identify open topics and to translate them into research funding programs as well as to define new projects in the dialogue between users, suppliers and research, which are to be meaningfully interlinked and consolidated with existing projects.
Due to the strong interest in digitalisation, activities are constantly being added, so that this paper can only provide a snapshot of the situation in the period 2019-2020.
Im Rahmen der vom Bundesministerium für Bildung und -forschung geförderten Forschungsinitiative „BonaRes – Boden als nachhaltige Ressource der Bioökonomie“ soll sich das Teilprojekt „I4S – integrated system for site-specific soil fertility management“ der Entwicklung eines integrierten Systems zum ortsspezifischen Management der Bodenfruchtbarkeit widmen. Hierfür ist eine Messplattform zur Bestimmung relevanter Bodeneigenschaften und der quantitativen Analyse ausgewählter Makro- und Mikronährstoffe geplant. In der ersten Phase dieses Projekts liegt das Hauptaugenmerk auf der Kalibrierung und Validierung der verschiedenen Sensoren auf die Matrix Boden, der Probennahme auf dem Acker und der Planung sowie dem Aufbau der Messplattform. Auf dieser Plattform sollen in der zweiten Phase des Projektes die verschiedenen Bodensensoren installiert, sowie Modelle und Entscheidungsalgorithmen zur Steuerung der Düngung und dementsprechend Verbesserung der Bodenfunktionen erstellt werden.
Ziel der vorliegenden Arbeit ist die Grundlagenuntersuchung und Entwicklung einer robusten Online-Analyse mittels Energie-dispersiver Röntgenfluoreszenzspektroskopie (EDRFA) zur Quantifizierung ausgewählter Makro- und Mikronährstoffe in Böden für eine kostengünstige und flächendeckende Kartierung von Ackerflächen. Für die Entwicklung eines Online-Verfahrens wurde ein dem Stand der Technik entsprechender Röntgenfluoreszenzmesskopf in Betrieb genommen und die dazugehörigen Geräteparameter auf die Matrix Boden optimiert. Die Bestimmung der analytischen Qualitäts-merkmale wie Präzision und Nachweisgrenzen fand für eine Auswahl an Nährelementen von Aluminium bis Zink statt. Um eine möglichst Matrix-angepasste Kalibrierung zu erhalten, wurde sowohl mit zertifizierten Referenzmaterialien (CRM), als auch mit Ackerböden kalibriert. Da einer der größten Nachteile der Röntgenfluoreszenzanalyse die Beeinflussung durch Matrixeffekte ist, wurde neben der klassischen univariaten Datenauswertung auch die chemometrische multivariate Methode der Partial Least Squares Regression (PLSR) eingesetzt. Die PLSR bietet dabei den Vorteil, Matrixeffekte auszugleichen, wodurch robustere Kalibriermodelle erhalten werden können. Zusätzlich wurde eine Hauptkomponentenanalyse (PCA) durchgeführt, um Gemeinsamkeiten und Ausreißer innerhalb des Probensets zu identifizieren. Es zeigte sich, dass eine Klassifizierung der Böden anhand ihrer Textur Sand, Schluff, Lehm und Ton möglich ist.
Aufbauend auf den Ergebnissen idealer Bodenproben (zu Tabletten gepresste luftgetrocknete Proben mit Korngrößen < 0,5 mm) wurde im Verlauf dieser Arbeit die Probenvorbereitung immer weiter reduziert und der Einfluss verschiedener Kenngrößen untersucht. Diese Einflussfaktoren können die Dichte und die Homogenität der Probe, sowie Korngrößeneffekte und die Feuchtigkeit sein. Anhand des RMSE (Wurzel der mittleren Fehlerquadratsumme) und unter Berücksichtigung der Residuen werden die jeweils erstellten Kalibriermodelle miteinander verglichen. Um die Güte der Modelle zu bewerten, wurden diese mit einem Testset validiert. Hierfür standen 662 Bodenproben von 15 verschiedenen Standorten in Deutschland zur Verfügung. Da die Ergebnisse an gepressten Tabletten für die Elemente Al, Si, K, Ca, Ti, Mn, Fe und Zn den Anforderungen für eine spätere Online-Analyse entsprechen, wurden im weiteren Verlauf dieser Arbeit Kalibriermodelle mit losen Bodenproben erstellt. Auch hier konnten gute Ergebnisse durch ausreichende Nachweisgrenzen und eine niedrige gemittelte Messabweichung bei der Vorhersage unbekannter Testproben erzielt werden. Es zeigte sich, dass die Vorhersagefähigkeit mit der multivariaten PLSR besser ist als mit der univariaten Datenauswertung, insbesondere für die Elemente Mn und Zn.
Der untersuchte Einfluss der Feuchtigkeit und der Korngrößen auf die Quantifizierung der Elementgehalte war vor allem bei leichteren Elementen deutlich zu sehen. Es konnte schließlich eine multivariate Kalibrierung unter Berücksichtigung dieser Faktoren für die Elemente Al bis Zn erstellt werden, so dass ein Einsatz an Böden auf dem Acker möglich sein sollte. Eine höhere Messunsicherheit muss dabei einkalkuliert werden. Für eine spätere Probennahme auf dem Feld wurde zudem der Unterschied zwischen statischen und dynamischen Messungen betrachtet, wobei sich zeigte, dass beide Varianten genutzt werden können. Zum Abschluss wurde der hier eingesetzte Sensor mit einem kommerziell erhältlichen Hand-Gerät auf sein Quantifizierungspotential hin verglichen. Der Sensor weist anhand seiner Ergebnisse ein großes Potential als Online-Sensor für die Messplattform auf. Die Ergebnisse unter Laborbedingungen zeigen, dass eine robuste Analyse Ackerböden unter Berücksichtigung der Einflussfaktoren möglich ist.
In den letzten Jahrzehnten ist die Nachfrage nach kostengünstigen und flächendeckenden Kartierungsmöglichkeiten im Hinblick auf eine ertragssteigernde und umweltfreundlichere Bewirtschaftung von landwirtschaftlichen Nutzflächen stark gestiegen. Hierfür eignen sich spektroskopische Methoden wie die Röntgenfluoreszenzanalyse (RFA), Raman- und Gammaspektroskopie sowie die laserinduzierte Plasmaspektroskopie (LIBS). In Abhängigkeit von der Funktionsweise der jeweiligen Methoden werden Informationen zu verschiedensten Bodeneigenschaften wie Nährelementgehalt, Textur und pH-Wert erhalten.
Ziel dieser Arbeit ist die Entwicklung eines Online-LIBS-Verfahrens zur Nährelementbestimmmung und Kartierung von Ackerflächen. Die LIBS ist eine schnelle und simultane Multielementanalyse bei der durch das Fokussieren eines hochenergetischen Laserpulses Probenmaterial von der Probenoberfläche ablatiert wird und in ein Plasma überführt wird. Beim Abkühlen des Plasmas wird Strahlung emittiert, welche Rückschlüsse über die elementare Zusammensetzung der Probe gibt. Diese Arbeit ist im Teilprojekt I4S (Intelligenz für Böden) im Forschungsprogramm BonaRes (Boden als nachhaltige Ressource für die Bioökonomie) des Bundesministerium für Bildung und Forschung (BMBF) entstanden. Es wurden insgesamt 651 Bodenproben von verschiedenen Test-Agrarflächen unterschiedlichster Standorte Deutschlands gemessen, ausgewertet und zu Validierungszwecken mit entsprechender Referenzanalytik wie die Optische Emissionsspektroskopie mittels induktiv gekoppeltem Plasma (ICP-OES) und die wellenlängendispersive Röntgenfluoreszenzanalyse (WDRFA) charakterisiert.
Für die Quantifizierung wurden zunächst die Messparameter des LIBS-Systems auf die Bodenmatrix optimiert und für die Elemente geeignete Linien ausgewählt sowie deren Nachweisgrenzen bestimmt. Es hat sich gezeigt, dass eine absolute Quantifizierung basierend auf einem univariaten Ansatz aufgrund der starken Matrixeffekte und der schlechten Reproduzierbarkeit des Plasmas nur eingeschränkt möglich ist. Bei Verwendung eines multivariaten Ansatz wie der Partial Least Squares Regression (PLSR) für die Kalibrierung konnten für die Nährelemente im Vergleich zur univariaten Variante Analyseergebnisse mit höherer Güte und geringeren Messunsicherheiten ermittelt werden. Die Untersuchungen haben gezeigt, dass das multivariate Modell weiter verbessert werden kann, indem mit einer Vielzahl von gut analysierten Böden verschiedener Standorte, Bodenarten und einem breiten Gehaltsbereich kalibriert wird. Mithilfe der Hauptkomponentenanalyse (PCA) wurde eine Klassifizierung der Böden nach der Textur realisiert. Weiterhin wurde auch eine Kalibrierung mit losem Bodenmaterial erstellt. Trotz der Signalabnahme konnten für die verschiedenen Nährelemente Kalibriergeraden mit ausreichender, analytischer Güte erstellt werden.
Für den Einsatz auf dem Acker wurde außerdem der Einfluss von Korngröße und Feuchtigkeit auf das LIBS-Signal untersucht. Die unterschiedlichen Korngrößen haben nur einen geringen Einfluss auf das LIBS-Signal und das Kalibriermodell lässt sich durch entsprechende Proben leicht anpassen. Dagegen ist der Einfluss der Feuchtigkeit deutlich stärker und hängt stark von der Bodenart ab, sodass für jede Bodenart ein separates Kalibriermodell für verschiedene Feuchtigkeitsgehalte erstellt werden muss. Mithilfe der PCA kann der Feuchtigkeitsgehalt im Boden grob abgeschätzt werden und die entsprechende Kalibrierung ausgewählt werden.
Diese Arbeit liefert essentielle Informationen für eine Echtzeit-Analyse von Nährelementen auf dem Acker mittels LIBS und leistet einen wichtigen Beitrag zu einer fortschrittlichen und zukunftsfähigen Nutzung von Ackerflächen.
Current and future requirements to industrial analytical infrastructure—part 2: smart sensors
(2020)
Complex processes meet and need Industry 4.0 capabilities. Shorter product cycles, flexible production needs, and direct assessment of product quality attributes and raw material attributes call for an increased need of new process analytical technologies (PAT) concepts. While individual PAT tools may be available since decades, we need holistic concepts to fulfill above industrial needs. In this series of two contributions, we want to present a combined view on the future of PAT (process analytical technology), which is projected in smart labs (Part 1) and smart sensors (Part 2). Part 2 of this feature article series describes the future functionality as well as the ingredients of a smart sensor aiming to eventually fuel full PAT functionality. The smart sensor consists of (i) chemical and process information in the physical twin by smart field devices, by measuring multiple components, and is fully connected in the IIoT 4.0 environment. In addition, (ii) it includes process intelligence in the digital twin, as to being able to generate knowledge from multi-sensor and multi-dimensional data. The cyber-physical system (CPS) combines both elements mentioned above and allows the smart sensor to be self-calibrating and self-optimizing. It maintains its operation autonomously. Furthermore, it allows—as central PAT enabler—a flexible but also target-oriented predictive control strategy and efficient process development and can compensate variations of the process and raw material attributes. Future cyber-physical production systems—like smart sensors—consist of the fusion of two main pillars, the physical and the digital twins. We discuss the individual elements of both pillars, such as connectivity, and chemical analytics on the one hand as well as hybrid models and knowledge workflows on the other. Finally, we discuss its integration needs in a CPS in order to allow is versatile deployment in efficient process development and advanced optimum predictive process control.
The competitiveness of the chemical and pharmaceutical industry is based on ensuring the required product quality while making optimum use of plants, raw materials, and energy. In this context, effective process control using reliable chemical process analytics secures global competitiveness. The setup of those control strategies often originate in process development but need to be transferable along the whole product life cycle. In this series of two contributions, we want to present a combined view on the future of PAT (process analytical technology), which is projected in smart labs (part 1) and smart sensors (part 2). In laboratories and pilot plants, offline chemical analytical methods are frequently used, where inline methods are also used in production. Here, a transferability from process development to the process in operation would be desirable. This can be obtained by establishing PAT methods for production already during process development or scale-up. However, the current PAT (Bakeev 2005, Org Process Res 19:3–62; Simon et al. 2015, Org Process Res Dev 19:3–62) must become more flexible and smarter. This can be achieved by introducing digitalization-based knowledge management, so that knowledge from product development enables and accelerates the integration of PAT. Conversely, knowledge from the production process will also contribute to product and process development. This contribution describes the future role of the laboratory and develops requirements therefrom. In part 2, we examine the future functionality as well as the ingredients of a smart sensor aiming to eventually fuel full PAT functionality—also within process development or scale-up facilities (Eifert et al. 2020, Anal Bioanal Chem).
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.
Die chemische Industrie steht derzeit, wie viele andere Industriebereiche, vor den Herausforderungen einer Digitalisierung der Produktion. Sie ist der Schlüssel für die Flexibilisierung von Prozessen und Anlagen, für die Verkürzung von Produkteinführungszeiten sowie für den Zuschnitt der Produktion auf wechselnde Nachfrage und kürzere Produktlebenszyklen. Die Messtechnik und Sensorik spielt neben der intelligenten Datenverarbeitung eine Schlüsselrolle für die Digitalisierung. Flexiblere Anlagen benötigen Sensorik zur Überwachung des Anlagenzustandes, zur Früherkennung nicht bestimmungsgemäßer Betriebszustände sowie für eine bedarfsgerechte Wartung. Da die Entwicklung neuer und verbesserter Messtechnik und Sensorik grundlegend aus verschiedenen Richtungen gedacht werden muss, haben sich Akteure aus verschiedenen Branchen zusammengetan und dieses Positionspapier erstellt. Es basiert auf einer grundlegenden Analyse des Ist-Stands sowie des Bedarfs der Industrie, die unter anderem auf einem eigens dafür durchgeführten Workshop mit Sensorentwicklern, Anlagenherstellern sowie Anlagenbetreibern am 18. Juni 2019 bei der DECHEMA in Frankfurt a. M. diskutiert wurden. Diese Aktivitäten wurden maßgeblich von der Initiative Wanted Technologies der ProcessNet sowie dem AMA Verband für Sensorik und Messtechnik e.V. initiiert.
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.