Physikalisch-informierte neuronale Netze (PINNs)
in der chemischen Prozessregelung

Das Versagen rein datengetriebener Modelle in der Prozesstechnik

Das Argument für maschinelles Lernen in der Prozessoptimierung liegt auf der Hand: Komplexes, nichtlineares Prozessverhalten lässt sich kaum aus ersten Prinzipien modellieren, und moderne Anlagen erzeugen Sensordatenmengen, die konventionelle Auswertung nicht ausschöpfen kann.

Der Versagensfall ist für jeden vertraut, der datengetriebene Prozessmodelle im Produktionsbetrieb eingesetzt hat: Innerhalb des Trainingsbereichs funktionieren sie gut — sobald sich die Bedingungen ändern, versagen sie, oft dramatisch. Ein Netz, das auf normalen Betriebsdaten trainiert wurde, hat keine Grundlage für eine Vorhersage, wenn die Begasungsrate 20 % über den Trainingsbereich steigt. Es wird entweder falsch extrapolieren oder physikalisch unmögliche Ergebnisse liefern.

Mehr Daten lösen das Problem nicht. Es ist eine strukturelle Schwäche von Modellen ohne interne Repräsentation der Systemphysik. Wer beliebige Daten fitten kann, kann auch physikalisch unsinnige Daten fitten — und tut es, wenn sie im Trainingssatz stehen.

Was physikalisch-informierte neuronale Netze anders machen

Physikalisch-informierte neuronale Netze — formal eingeführt von Raissi, Perdikaris und Karniadakis (2019) — begegnen dieser Schwäche, indem sie physikalische Gleichungen als Nebenbedingungen direkt in den Trainingsprozess einbetten. Die Verlustfunktion, die ein PINN minimiert, besteht aus zwei Anteilen:

• Datenverlust: die Abweichung zwischen Modellvorhersagen und beobachteten Messungen — das Standard-Ziel überwachten Lernens.
• Physikalischer Residualverlust: das Ausmaß, in dem die Modellvorhersagen bekannte physikalische Gleichungen verletzen — wie Navier-Stokes-Gleichungen für Strömung, Massenerhaltung oder Reaktionskinetikausdrücke.

Das Ergebnis ist ein Modell, das gleichzeitig mit Messdaten und mit physikalischen Gesetzen konsistent ist. Aufwärtsströmung ohne Antriebskraft, Massenbilanzen mit Erhaltungsverletzung — beides ist ausgeschlossen. In Bereichen ohne Trainingsdaten orientiert sich das Modell an physikalischen Prinzipien statt ins Unbekannte zu extrapolieren.

Die mathematische Grundlage

Nehmen wir als Beispiel ein Konvektions-Diffusions-Problem für den Stofftransport in einem Reaktor: Das Netz approximiert das Konzentrationsfeld c(x,t) als Funktion von Ort und Zeit. Die Gesamtverlustfunktion setzt sich aus Randbedingungsterm und PDE-Residualterm zusammen:

ℒ_gesamt = ℒ_Daten + λ · ℒ_Physik
wobei ℒ_Physik = ||∂c/∂t + u·∇c − D·∇²c − R(c)||²

Der Gewichtungsparameter λ steuert die Balance zwischen Datenanpassung und Physiktreue. In datenreichen Bereichen folgt das Modell den Beobachtungen; in datensparsen Bereichen übernimmt die Physik die Führung. Genau das braucht man für industrielle Prozessmodelle, wo Messungen gemessen an der Systemkomplexität immer unvollständig sind.

Warum PINNs für die Prozesstechnik besonders relevant sind

Die kritische Datenanforderung: Warum räumliche Auflösung entscheidend ist

PINNs, die auf Punktsensordaten trainiert werden, haben eine fundamentale Einschränkung: Ein durch Physik beschränktes Modell kann räumliche Struktur auflösen, die die Sensoren nicht sehen — aber nur wenn die Trainingsdaten genug Information tragen, um räumliche Konfigurationen zu unterscheiden.

Am Beispiel eines Mischers wird das deutlich: Eine Gelöstsauerstoff-Sonde liefert einen einzigen Skalarwert. Ein PINN auf dieser Datenbasis kann lernen, wie die Sonde auf Änderungen in Rührung oder Begasung reagiert — das ergibt ein brauchbares zeitliches Modell. Aber wo genau sich Totzonen befinden, kann es nicht auflösen, weil die Trainingsdaten keinerlei räumliche Information tragen. Navier-Stokes schränkt die möglichen räumlichen Konfigurationen ein, legt sie aber bei nur einem Skalarwert nicht eindeutig fest.

Räumlich aufgelöste Hochfrequenz-Sensordaten sind deshalb keine optionale Ergänzung, sondern eine Grundvoraussetzung für Physical AI in der Prozesstechnik — nur dann kann die Physik das Modell vollständig leiten.

Anwendungen in der industriellen Prozessregelung

Kinetische Parameteridentifikation

PINNs lassen sich einsetzen, um reaktionskinetische Parameter — Geschwindigkeitskonstanten, Aktivierungsenergien, Inhibierungskoeffizienten — direkt aus kontinuierlichen Prozessdaten zu identifizieren, ohne die aufwändigen dedizierten Batch-Experimente, die konventionelle Kinetikmodellierung voraussetzt. Besonders wertvoll ist das in Bioprozessen, wo Zellkulturkinetik von Charge zu Charge variiert.

Prozesszustandsschätzung

Aus einer begrenzten Menge Messungen kann ein physikalisch eingebettetes PINN den vollständigen Prozesszustand — einschließlich nicht direkt gemessener Größen — zuverlässiger rekonstruieren als reine Interpolation oder rein datengetriebene Modelle. In einer Destillationskolonne etwa: vollständige Flüssig- und Dampfzusammensetzungsprofile aus einigen Temperaturmessungen und einer Holdup-Verteilung an einem Querschnitt ableiten.

Was-wäre-wenn-Simulation für Prozessoptimierung

Ein kalibriertes PINN kann als Surrogatsimulator für die Prozessoptimierung dienen: die vorhergesagte Prozessantwort auf veränderte Betriebsbedingungen — Zulaufrate, Temperatur, Rührung, Gasdurchsatz — lässt sich bewerten, ohne die Änderung physikalisch vornehmen zu müssen. Das ist das Fundament von Model Predictive Control, und PINNs auf räumlich aufgelösten Daten können es mit physikalisch konsistenten Vorhersagen unterstützen.

Anomalieerkennung mit physikalischer Interpretation

Weicht ein Prozess vom PINN-vorhergesagten Zustand ab, gibt die Art der Abweichung unmittelbar Aufschluss über die Ursache: Welche physikalische Gleichung wird verletzt? Eine Massenbilanzabweichung deutet auf einen Messfehler oder ein Prozessleck hin, eine Impulsbilanzabweichung auf veränderte Fluideigenschaften oder ein anderes Strömungsregime. Diese physikalische Interpretierbarkeit ist das, was PINN-gestützte Anomalieerkennung von statistischer Prozesskontrolle grundlegend unterscheidet.

Forschungsstand und industrieller Einsatz

PINN-Forschung hat seit der grundlegenden Arbeit von 2019 rasch Fahrt aufgenommen — mit Anwendungen in Strömungsmechanik, Strukturmechanik und zunehmend im Chemieingenieurwesen. In Deutschland arbeiten Gruppen an der TU München (Lehrstuhl für Prozesssystemtechnik), am Max-Planck-Institut für Dynamik komplexer technischer Systeme in Magdeburg und am Karlsruher Institut für Technologie (KIT) an physikalisch-informierten Ansätzen für Chemie- und Bioprozesstechnik. Die wichtigsten Publikationsorgane sind Computers & Chemical Engineering, Industrial & Engineering Chemistry Research und das Chemical Engineering Journal.

Der industrielle Einsatz von PINNs in der chemischen Prozessregelung steckt 2026 noch in den Anfängen. Der entscheidende Engpass liegt nicht bei der Modellierungsmethodik — sondern bei den Eingangsdaten. Die meisten Produktionsanlagen verfügen noch über Punktsensoren, die die räumliche Information, die PINNs benötigen, nicht liefern können. Mit dem Aufkommen räumlich aufgelöster Inline-Sensorik für den Industrieeinsatz entstehen erstmals die technischen Voraussetzungen für Physical AI im laufenden Betrieb.

Weiterführende Artikel

• Mehrphasenströmungs-Regime: Blasen-, Pfropfen-, Schwallen- und Ringströmung
• Gas-Holdup in Bioreaktoren: Messmethoden und ihre Grenzen
• Kolonnenfluten in der Destillation: Früherkennung und Vermeidung