2021
DOI: 10.1002/cite.202100137
|View full text |Cite
|
Sign up to set email alerts
|

Bestimmung der Prozessparameter von Zerkleinerungsprozessen für dämmstoffhaltige Kompositmaterialien

Abstract: Herrn Prof. Dr. Thomas Hirth zum 60. Geburtstag gewidmet Ein wesentlicher Aspekt in der Aufbereitungstechnik ist der Zerkleinerungsprozess, der auch einen der energieaufwendigsten Prozessschritte darstellt. Durch mangelnde Aufbereitungstechnologien zur selektiven Zerkleinerung von da ¨mmstoffhaltigen Kompositmaterialien wie Wa ¨rmeda ¨mmverbundsystemen (WDVS) geht aktuell ein erhebliches Ressourceneffizienzpotenzial verloren. Im Rahmen dieser Arbeit wurden WDVS mit unterschiedlichen Da ¨mmstoffmaterialien zerk… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1

Citation Types

0
1
0
1

Year Published

2024
2024
2024
2024

Publication Types

Select...
1

Relationship

0
1

Authors

Journals

citations
Cited by 1 publication
(2 citation statements)
references
References 17 publications
0
1
0
1
Order By: Relevance
“…The in-situ adaptive tabulation [13,19,21,22,[24][25][26] builds such a map during the simulation by exploiting prior solutions to estimate new queries. In contrast, surrogate models like splines or the (error-based modified) Shepard interpolation approach map precomputed solutions to accelerate reactor simulations [2, 15,16,18,20,[27][28][29][30][31] or even spatial subsystems of the reactor [32,33] and breakthrough curves [34]. Lately, primarily machine learning techniques like random forests [35,36] or neural networks [2, 3,37] have been used for accurate predictions of steady-state surface kinetics because they can overcome the so-called curse of dimensionality [38], i.e., the exponentially increasing difficulty to learn high-dimensional data.…”
Section: Modeling Chemical Kineticsmentioning
confidence: 99%
See 1 more Smart Citation
“…The in-situ adaptive tabulation [13,19,21,22,[24][25][26] builds such a map during the simulation by exploiting prior solutions to estimate new queries. In contrast, surrogate models like splines or the (error-based modified) Shepard interpolation approach map precomputed solutions to accelerate reactor simulations [2, 15,16,18,20,[27][28][29][30][31] or even spatial subsystems of the reactor [32,33] and breakthrough curves [34]. Lately, primarily machine learning techniques like random forests [35,36] or neural networks [2, 3,37] have been used for accurate predictions of steady-state surface kinetics because they can overcome the so-called curse of dimensionality [38], i.e., the exponentially increasing difficulty to learn high-dimensional data.…”
Section: Modeling Chemical Kineticsmentioning
confidence: 99%
“…Damit wird die These bestätigt, dass die zur Zerkleinerung benötigte Energie im Vergleich zu nachgelagerten Prozessschritten des CFK‐Recyclings um mehrere Zehnerpotenzen geringer ist. Das stellt einen Unterschied zu den meisten anderen Materialen dar, deren Zerkleinerung innerhalb des Aufbereitungsprozesses typischerweise verhältnismäßig viel Energie benötigen 32. true Wm = Wg,i + WU,i mg,i + mU,i …”
Section: Versuchsauswertungunclassified