Tailoring Fischer Tropsch Synthesis Product Selectivities: Insights from Microkinetic Modelling and Machine Learning

Promovendus/a
Chakkingal, Anoop
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Materialen, Textiel en Chemische Proceskunde
Gezamenlijk doctoraat
Centrale Lille Institut, Frankrijk
Curriculum
Masters of Science by Research, Indian Institute of Technology, India, 2017
Academische graad
Doctor in de ingenieurswetenschappen: chemische technologie
Taal proefschrift
Engels
Promotor(en)
prof. Joris Thybaut, vakgroep Materialen, Textiel en Chemische Proceskunde - prof. Andrei Khodakov (Centrale Lille Institut, Frankrijk) - prof. Mirella Virginie (Centrale Lille Institut, Frankrijk)
Examencommissie
voorzitter prof. Sylvette Brunet (Université de Poitiers, Frankrijk) - co-voorzitter em. prof. Luc Taerwe (eredecaan UGent) prof. Pascal Fongarland (Université Claude Bernard Lyon 1, Frankrijk) - prof. Andrei Khodakov (Centrale Lille Institut, Frankrijk) - prof. Ludovic Thuinet (Centrale Lille Institut, Frankrijk) - prof. Joris Thybaut (vakgroep Materialen, Textiel en Chemische Proceskunde) - dr. ir. Florence Vermeire (vakgroep Materialen, Textiel en Chemische Proceskunde) - prof. Mirella Virginie (Centrale Lille Institut, Frankrijk) - prof. Carlo Giorgio Visconti (Politecnico di Milano, Italië)

Korte beschrijving

Het streven naar een circulaire economie heeft geleid tot het heronderzoeken van verschillende bestaande chemische processen, met als doel hun duurzaamheid te verhogen. Binnen het gebied van de chemische recyclage kan de Fischer-Tropsch Synthese (FTS) een sleutelrol spelen aangezien de grondstof voor het proces, i.e., syngas, verkregen kan worden uit de vergassing van plastics. Om fischer tropsch in detail te bestuderen, zijn modelleringsbenaderingen nodig.Dit creëert een opportuniteit voor de eenvoudiger te ontwikkelen machine learning (ML). Het potentieel van zowel de microkinetische als ML methodes wordt onderzocht in deze thesis met als doelstelling een optimale katalysator te identificeren voor een verhoogde lichte olefine selectiviteit met de daarbij horende werkcondities. Het onderzoek dat verricht werd doelde op het gebruik van ML modellen in combinatie met mechanistische modellen om zowel de computationele als de manuele werklast te verminderen. Zo kan, bijvoorbeeld, een preliminaire analyse van high-throughput data uitgevoerd worden met een ML model om potentieel interessante zones van de parameterruimte te identificeren om dan vervolgens een gerichte en diepgaande analyse uit te voeren met een mechanistisch model.

Praktisch

Datum
Vrijdag 23 september 2022, 13:00
Locatie
Amphithéâtre Poirier, Centrale Lille Institut, Cité Scientifique gebouw B, gelijkvloers, 59650 Villeneuve-d'Ascq, Frankrijk
Livestream
Volg online

Meer info

Contact
doctoraat.ea@UGent.be