Prof. Dr. Christian Schmitz

Bachelorstudiengänge

Digitale Chemie I - Code: 1160 & 2160

Digitale Chemie II - Code: 1370 & 2380

Lackrohstoffe und Formulierungen & Lackrohstoffe II, Praktikum – Code: 1470

Lackrohstoffe II, Praktikum - Code: 1490

Masterstudiengänge

Digitale Chemie und statistische Versuchsplanung - Code: 1600

Optimierung komplexer Lackformulierungen, Projektmodul - Code: 1800

Mechanismen der Lackformulierung - Code: 1810

Lackherstellung – Teilmodul in Industrielle Lackdispersionen – Code: 1860

Moodle-Kurse zu den Lehrveranstaltungen

FB 01 Chemie / 01 Bachelor / Digitale Chemie I - Moodle-Link

FB 01 Chemie / 01 Bachelor / Digitale Chemie II - Moodle-Link

FB 01 Chemie / 01 Bachelor / Bachelor of Engineering / Grundlagen der Lackrohstoffe und Formulierungen - Moodle-Link

FB 01 Chemie / 01 Master / Digitale Chemie und statistische Versuchsplanung - Moodle-Link

FB 01 Chemie / 01 Master / Master of Engineering / Lackingenieurwesen / Mechanismen der Formulierungen - Moodle-Link

FB 01 Chemie / 01 Master / Master of Engineering / Lackingenieurwesen / Lacktechnologie II - Herstellverfahren - Moodle-Link

In der Forschung werden Themen zur Entwicklung von neuen Lackmaterialien und -rohstoffen behandelt. Eine Herausforderung ist die Digitalisierung und der Umgang mit großen Datenmengen für die Optimierung der Prozesse und Produkte mittels Modellierung der Systeme. Ein wichtiger Anknüpfungspunkt ist die interdisziplinäre Forschung mit den anderen Fachbereichen der Hochschule Niederrhein zusammen am HIT-Institut zur Erarbeitung von Lösungen der Automation von Lackentwicklung und des Datenmanagements.

Aktuelle Forschungsthemen

• Datenbeschreibung chemischer Strukturen in Lackformulierungen für Machine-Learning Modelle
• Transfer von modernen Messmethoden für Automationslösungen
• Modelle von Lackformulierungen auf Basis von Polaritätsskalen in der Rohstoffsynthese
• Datenanalyse und statistische Versuchsplanung mit selbstoptimierenden Algorithmen

Projekte

• FH Kooperativ I2DACH: Lacke sollen durch Versuche an der Hochdurchsatzanlage mit intelligenter Infrastruktur für das Daten-Management entwickelt werden. In diesem interdisziplinären Projekt mit Kollegen des Fachbereichs 03 sollen Lackchemiker in der üblichen Laborarbeit Methoden der Automation und Datenauswertung nutzen können.
• Interreg Sustainable Surface Coats (SuSuCoats): Das grenzübergreifende Projekt mit Partnern auf der deutschen und niederländischen Seite in der Grenzregion behandelt die Entwicklung von Schutzbeschichtungen. Im Arbeitspaket Modellierung sollen die Daten von Hansen-Löslichkeitsparameter durch digitale Werkzeuge mitgenutzt werden. Es besteht Möglichkeit der Mitarbeit auf den Gebieten der Lackentwicklung, Rohstoffsynthese und Charakterisierung der Polarität sowie der Entwicklung von Computerprogrammen für den Einsatz der digitalen Methoden.

Inhouse Arbeiten

Es können jederzeit Abschluss- und Projekt-Arbeiten zu den Forschungsthemen in der digitalen Lackformulierung durchgeführt werden. Die Arbeiten können angepasst an die eigenen Interessen einen stärkeren Fokus auf folgende Bereiche legen:

• lackchemische Formulierung z.B. basierend auf Charakterisierung der Polarität von Lackrohstoffen
• Synthese neuer Rohstoffe bzw. Untersuchung einer ausgewählten Rohstoffgruppe für den Einsatz in Lacksystemen
• Einsatz der Automation mit den Großanlagen am HIT
• Nutzung digitalen Werkzeuge zur Datenauswertung u.a. Programmieren in Python
• Entwicklung neuer Messverfahren für bessere Quantifizierung von Lackeigenschaften
• Struktur-Eigenschaftsbeziehungen mittels moderner Machine Learning Methoden ("Chemical Language")

Für einen Einblick in aktuelle Aktivitäten können Posterbeiträge zu Projekt-, Abschlussarbeiten und Promotionen unter diesen Links eingesehen werden.

• Machine Learning ermöglicht die Vorhersage von Polymerverträglichkeit mittels Modellierung von Polaritätsskalen (englisch)
• Vorhersage von Bindemitteleigenschaften: Eine Integration von Graph Neural Networks und Deskriptoren
• Modellierung von Eigenschaften einer 2K-Pur Lackrezeptur durch Machine Learning
• Einfluss der Hansen-Löslichkeitsparameter auf die Verträglichkeit der Komponenten einer Lackrezeptur

Buchkapitel

Schmitz, Cremanns, Bissadi, Application of machine learning algorithms for use in material chemistry in Computational and Data-Driven Chemistry Using Artificiel Intelligence, 2022, 161-192, https://doi.org/10.1016/B978-0-12-822249-2.00001-3

Schmitz, Oprych, Kütahya, Strehmel, Chapter 14. NIR Light for Initiation of Photopolymerization in Photopolymerization Initiating Systems Eds. J Lalaevée, J‑P Fouassier, Royal Society of Chemistry, 2018, 431-478, https://doi.org/10.1039/9781788013307-00431 

Fachzeitschriften

Zhang, Quix, Hoseini, Schmitz, Natural-language interfaces to a process-aware, graph-based ELN: An UV coatings case study, Digital Chemical Engineering 19, 2026, 100310, https://doi.org/10.1016/j.dche.2026.100310

Zhang, Borgert, Stoffelen, Schmitz, High-throughput and explainable machine learning for lacquer formulations: Enhancing coating development by interpretable models, Progress in Organic Coatings 205, 2025, 109265, https://doi.org/10.1016/j.porgcoat.2025.109265

Hoseini, Zhang, Jongbloed, Schmitz, Quix, Automated defect detection for coatings via height profiles obtained by laser-scanning microscopy, Machine Learning with Applications 10, 2022, 100413, https://doi.org/10.1016/j.mlwa.2022.100413

Zhang, Schmitz, Fimmers, Quix, Hoseini, Deep learning-based automated characterization of crosscut tests for coatings via image segmentation, Journal of Coatings Technology and Research 19, 2022, 671-683, https://doi.org/10.1007/s11998-021-00557-y

Schmitz, Schucht, Verjans, Krupka, Data-analysis method for material optimization by forecasting long-term chemical stability, Journal of Chemometrics, 2022, e3383, https://doi.org/10.1002/cem.3383

Zhang, Schmitz, Fimmers, Quix, Hoseini, Deep learning-based automated characterization of crosscut tests for coatings via image segmentation, Journal of Coatings Technology and Research, 2022, 19, 671-683, https://doi.org/10.1007/s11998-021-00557-y

Strehmel, Schmitz, Kütahya, Pang, Drewitz, Mustroph, Photophysics and photochemistry of NIR absorbers derived from cyanines: key to new technologies based on chemistry 4.0, Beilstein J. Org. Chem., 2020, 16, 415-444, https://doi.org/10.3762/bjoc.16.40

Schmitz, Poplata, Feilen, Strehmel, Radiation crosslinking of pigmented coating material by UV LEDs enabling depth curing and preventing oxygen inhibition,Progress in Organic Coatings 144, 2020, 105663, https://doi.org/10.1016/j.porgcoat.2020.105663

Strehmel, Schmitz, Cremanns, Göttert, Photochemistry with Cyanines in the Near Infrared: A Step to Chemistry 4.0 Technologies, Chemistry: A European Journal, 2019, 25, 12855-12864, https://doi.org/10.1002/chem.201901746

Schmitz, Strehmel, NIR LEDs and NIR lasers as feasible alternatives to replace oven processes for treatment of thermal-responsive coatings, Journal of Coatings Technology and Research 16, 2019, 1527-1541, https://doi.org/10.1007/s11998-019-00197-3

Fachartikel (Kategorie B - ohne peer-Review)

Zhang, Korten, Schmitz, Enhanced Colour Forecasting, European Coatings Journal 06/2025, 34-45

Zhang, Korten, Schmitz, Flüssig zu trocken: Wie KI Farbspektren voraussagt, Farbe und Lack 06/2025, 38-43

Schmitz, Schucht, Tekath, Machine Learning für robuste Modellierung in der Material- und Prozessoptimierung von Leiterplattenbeschichtungen, Konferenzpaper imTagungsband 11. DVS/GMM-Tagung in Fellbach2022, 203-209

Cremanns, Schmitz, Wagner, A computer learns colours – colouristic based on artificial intelligence, European Coatings Journal 07/2020, 34-39