Bachelorstudiengänge

Lackrohstoffe und Grundlagen der Rezeptierung – Teilmodul in Lackchemie I - 4430

Lackrohstoffe Praktikum I – Teilmodul in Lackchemie I - Testat 4431

Lackrohstoffe Praktikum II – Teilmodul in Lacktechnologie I - Testat 4441

Masterstudiengänge

Lackrohstoffe II – Teilmodul in Lackchemie III - 4814

Lackformulierung – Teilmodul in Lackchemie III – 4814

Herstellverfahren – Teilmodul in Lacktechnologie II – 4815

Optimierungsprojekt / DoE - aus Vertiefungspraktikum Lack – 4900

Lack I Praktikum – aus Vertiefungspraktikum – 4900

Moodle-Kurse zu den Lehrveranstaltungen

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

FB 01 Chemie / 01 Master / Master of Engineering / Lackingenieurwesen / Lackchemie III - Rohstoffe und Formulierungen - Moodle-Link ->

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

FB 01 Chemie / 01 Master / Master of Engineering / Lackingenieurwesen / Optimierungsprojekt Vertiefungspraktikum Lacktechnologie - 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

Fachzeitschriften

Schmitz, Schucht, Verjans, Krupka, Data-analysis method for material optimization by forecasting long-term chemical stability in 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 in 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 in Beilstein J. Org. Chem., 2020, 16, 415-444, https://doi.org/10.3762/bjoc.16.40

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