Industrielle biotechnologische Prozesse beruhen aktuell auf einer relativ kleinen Auswahl lang etablierter Produktionssysteme. Sie finden meist in Form von heterotrophen, submersen Batch- oder kontinuierlichen Fermentationen statt. In jüngerer Zeit gibt es einige Prozesse, die phototrophe Systeme wie Cyanobakterien oder Mikroalgen nutzen. Hier ist die Palette der erzeugten Produkte allerdings sehr überschaubar. Bis vor ca. 15 Jahren wurden industrielle Prozesse fast ausschließlich in Edelstahlfermentern durchgeführt. Mit Einführung der Single-Use-Technologien hat hier mittlerweile ein Paradigmenwechsel, insbesondere im Segment der hochpreisigen Produkte, stattgefunden.
Das Synthesepotential der Natur bietet allerdings schier unerschöpfliche Möglichkeiten, die aufgrund derzeitiger biologischer und technischer Limitierungen nicht ausgeschöpft werden können. Im Rahmen des Vortrages werden ungewöhnliche biotechnologische Produktionssysteme vorgestellt, die helfen können, diese Synthesepotential effizienter zu nutzen. Es wird dabei auf folgende Punkte eingegangen:
Emerse Photobioreaktoren Biofilmreaktoren Elektrobiotechnologische Systeme Mischkulturen Diese innovativen Ansätze eröffnen neue Wege für die biotechnologische Produktion und können eine Vielzahl von Anwendungen in den Bereichen Gesundheit, Energie und Umweltschutz haben. Anhand ausgewählter Beispiele aus diesen Bereichen soll verdeutlicht werden, wie abseits der etablierten Produktionswege biotechnologische Wertschöpfung erzielt werden kann.

Fermentation (today known as microbial biotechnology) is one of the oldest industries of human mankind. The access towards novel bioproducts in microbial biotechnology relies on the design of the microbial overproduction strains as well as the bioprocess strategy.
Bioprocess engineering is challenged by the forthcoming transition into a circular (bio)economy. The number and complexity of newly designed microbial bioprocesses will steadily increase upon the upcoming decades in order to realize sustainable and carbon-optimized processes. Thus, bioprocess development and scale-up has to be performed more rapidly and with high precision to guarantee new production processes with high quality. In contrast to state of the art technical-driven bioprocess engineering concepts, a holistic and better understanding of the biocatalyst within a bioprocess should be considered to build new and powerful concepts for the prediction of the optimal bioprocess parameter space.
In the here presented talk, I would like to (i) give insights about strain and bioprocess engineering concepts in microbial biotechnology with the example of high-value terpenoid production and (ii) present the concept of a biological-driven bioprocess scale-up, that considers holistic and biological transcriptomic data sets from microbial bioprocesses. Next generation sequencing approaches are powerful tools that have the potential to understand bioprocesses with a better spatial temporal resolution and envisioning a bioprocess control that relies on real-time biological data. The aim of the recent study is a transcriptional profiling that allows a mapping of the biology of a bioprocess towards the technical parameter space and thus has the potential to harmonize strain and bioprocess engineering strategies.
 

Reactor design and optimization are crucial aspects of chemical and biochemical engineering. With the advent of additive manufacturing, advanced reactor geometries are now possible, offering improved operational efficiency and cost-effectiveness. However, due to this extra flexibility, optimizing over these designs is even more challenging. In this talk, we discuss work that integrates computational fluid dynamics (CFD) simulations with a multi-fidelity Bayesian optimization. We introduce an approach that not only recommends optimal reactor configurations and operating conditions but also determines fidelity (level of accuracy of the CFD simulator) levels based on statistical likelihoods and information content, optimizing accuracy and computational efficiency.
The methodology discussed focuses on plug-flow reactors but can be extended to various reactor types. By maximizing plug-flow performance, we identify crucial design characteristics and validate two novel geometries through 3D printing and experimental validation. Through this data-driven optimization of highly parameterized reactors, we aim to establish a framework for next-generation reactors, highlighting how machine learning and advanced manufacturing processes can revolutionize the performance and sustainability of future chemical processes.

Die Digitalisierung ist im industriellen Umfeld in aller Mund. Ziele der Digitalisierung sind verbesserte Prozessabläufe, Produkte und Geschäftsmodelle. In Zeiten der Rohstoffknappheit und der gestiegenen Energiekosten ist die Effizienzsteigerung eine wichtige Voraussetzung für den wirtschaftlichen Betrieb von verfahrenstechnischen Prozessen.
Welchen Nutzen haben Digitalisierungsstrategien für die Partikeltechnik?
Dieser Fragestellung möchte ich in meinem Vortrag nachgehen. Der Fokus liegt auf methodischen Ansätzen und Strategien für die Beurteilung von Prozessen in der Partikeltechnik. Basis der Betrachtung sind unterschiedliche Zeit- und Längenskalen. CFD-Modelle helfen ein tiefgreifendes Prozessverständnis zu erzeugen, während echtzeitfähige, hybride Prozessmodelle den beschleunigten Scale-up in das industrielle Umfeld erlauben. Die Kombination der genannten Ansätze mit in-situ- und online-Prozessanalytik ermöglicht eine direkte Verarbeitung der Partikeleigenschaften, wofür sich die Methoden des maschinellen Lernens besonders gut eignen. Allerdings ist hierfür die Kalibrierung der Messsysteme sowie die Beurteilung von Messzeit und -auflösung eine wichtige Voraussetzung
Weiterhin können hybride Prozessmodelle zu lernfähigen Systemen weiterentwickelt werden, um das Ziel des autonomen Betriebs von Prozessen in der Partikeltechnik zu erreichen. Abschließend gehe ich im Ausblick auf die Erforschung neuer Apparatekonzepte sowie die Einbindung der methodischen Ansätze in die Lehre ein.

Wir freuen uns, Sie zur Abschlussfeier der Absolventinnen und Absolventen der Masterstudiengänge 2023/24 der KIT-Fakultät für Chemieingenieurwesen und Verfahrenstechnik am 5. Juli 2024 einzuladen! Dies ist ein besonderes Ereignis und eine großartige Gelegenheit, um die Arbeit und die Leistungen von Studierenden unserer Lehrenden zu feiern.

Die Transformation der europäischen Wirtschaft hin zu Nachhaltigkeit, CO2-Neutralität und geschlossenen Energie- und Stoffkreisläufen stellt auch die chemische Industrie vor große Herausforderungen. Bisherige Produkte und deren Herstellungsprozesse müssen im Rahmen einer Kreislaufwirtschaft grundlegend neu konzipiert werden. Die Chemische Verfahrenstechnik erforscht und entwickelt Prozesse, um Stoffe chemisch umzuwandeln. Dabei ist insbesondere die Kopplung zwischen Reaktionen und Transportprozessen entscheidend für einen nachhaltigen Prozess. Ein Multiskalenverständnis bietet darüber hinaus die Möglichkeit, Phänomene auf verschiedenen Zeit- und Längenskalen des Reaktionssystems zu untersuchen, zu verstehen und zu bewerten. Dabei spielt die Multiskalenmodellierung eine wichtige Rolle. Basierend auf diesen Erkenntnissen können Reaktoren und Katalysatorsysteme gezielt designt und Stoffumwandlungsprozesse verbessert werden.
 
In diesem Vortrag werde ich zeigen, wie Multiskalenstudien ein wissensbasiertes Engineering von oberflächenreaktiven Systemen ermöglichen. Beispiele für katalytische Festbettreaktoren werden vorgestellt, wobei der Schwerpunkt auf der partikelaufgelösten CFD-Simulation unter Berücksichtigung der realen Bettstruktur, der Kopplung mit detaillierten Reaktionsmechanismen und der Skalenüberbrückung zur Anlagenebene liegt. In einem Ausblick werden zudem Forschungs- und Lehrkonzepte sowie Anknüpfungspunkte zu anderen KIT-Professuren skizziert.
d

The increasing amount of sensors data in technical systems as well as larger computing capabilities provide many opportunities for data-based methods and machine learning algorithms in a wide range of system theory. In many cases, the interpretability and generalizability of data-based methods are limited compared to classical model-based methods. This fact motivates hybrid models, which combine model- and data-based methods to combine their benefits. This talk presents two exemplary applications of data-based and hybrid methods in system dynamics and control.
The first example deals with detection of anomalies and fault diagnosis in a paint shop by bipartite graphs. The structure of the bipartite graph is derived by mutual information using data from an active system excitation. The joint probability density function between the identified sets of stochastically depend variables is estimated with Gaussian Mixture Models.  The parametrized structure enables the evaluation of the likelihood for real-time data to detect and locate anomalies. Experimental results from an air supply unit illustrate the effectiveness of the approach.
The last example is the diagnosis of actuator and sensor faults in adaptive high-rise buildings using a hybrid approach. It combines the model-based method of parity equation with the data-based method of principal component analysis (PCA). PCA characterizes the unknown disturbance in the residual data derived by parity equations and determines orthogonal directions of decreasing variance in the residuals. These directions are decoupled to decrease the sensitivity of the residual to disturbances and maintain the diagnosability of faults.