zurück zur Liste

Bild: Felix Döppel

Felix Döppel M. Sc.

Technische Chemie

Doktorand

Arbeitsgebiet(e)

Scientific Machine Learning

Kontakt

work +49 6151 16-25580

Work L2|04 E1
Alarich-Weiss-Str.8
64287 Darmstadt

Links

ML-MORE: Maschinelles Lernen und Modellordnungsreduktion zur Vorhersage der Effizienz katalytischer Filter

KIARA: Künstliche Intelligenz zur Alterungsidentifikation Realer Anwendungen von Abgaskatalysatoren

  • Döppel, F. A., & Votsmeier, M. (2022). Efficient machine learning based surrogate models for surface kinetics by approximating the rates of the rate-determining steps.
    Chemical Engineering Science, 262, 117964.
    Zur frei zugänglichen Preprint Version
  • Döppel, F. A., & Votsmeier, M. (2023). Efficient Neural Network Models of Chemical Kinetics Using a Latent asinh Rate Transformation.
    React. Chem. Eng., 2023,8, 2620-2631
  • Döppel, F. A., & Votsmeier, M. (2023). Robust Mechanism Discovery with Atom Conserving Chemical Reaction Neural Networks.
    ChemRxiv Preprint
  • Kircher, T., Döppel, F. A., Votsmeier, M. (2023). A neural network with embedded stoichiometry and thermodynamics for learning kinetics from reactor data.
    ChemRxiv Preprint
  • Kircher, T., Döppel, F. A., Votsmeier, M. (2024). Embedding Physics into Neural ODEs to learn Kinetics from Integral Reactors.
    ChemRxiv Preprint
  • Döppel, F.A., Wenzel, T., Herkert, R., Haasdonk, B., Votsmeier, M. (2024). Goal-Oriented Two-Layered Kernel Models as Automated Surrogates for Surface Kinetics in Reactor Simulations.
    Chemie Ingenieur Technik, in Produktion, DOI: 10.1002/cite.202300178

Thema: Effiziente Implementierung der massentransferlimitierten Kinetik in Reaktorsimulationen für die industrielle Ammoniakoxidation

Abgeschlossen am 14. Oktober 2020