Risikofaktor für Funktionsstörungen bei Herzklappen
In chemischen Anlagen, Rohrleitungen oder auf künstlichen Herzklappen lagern sich kontinuierlich dünne Schichten aus Proteinen, Polymeren oder anderen Substanzen ab. Fachleute nennen diesen Vorgang „Fouling“. Die Ablagerungen behindern den Stofftransport oder verengen den Durchfluss. In der Medizin bedeutet das für Patient*innen mitunter folgenschwere Funktionseinschränkungen. In der Industrie beeinträchtigen die Beläge Produktionsprozesse und treiben Wartungs- und Energiekosten in die Höhe. Bislang fehlen geeignete Modelle und Daten, um das komplexe Zusammenspiel von Oberflächen, Flüssigkeiten und Strömungen in Echtzeit zuverlässig vorherzusagen. Wissenschaftler*innen der Universität Paderborn entwickeln im Forschungsprojekt „ML4Fouling“ deshalb ein Machine Learning-Modell, das die unerwünschten Ablagerungen auf Medizin- und Industrieprodukten voraussagt. Das interdisziplinäre Team verknüpft dabei Laborexperimente, Computersimulationen und maschinelles Lernen, sodass eine systematische Vorhersage von Belagsbildung über verschiedene Materialien, Flüssigkeiten und Strömungsbedingungen hinweg ermöglicht wird. Damit schaffen sie eine Grundlage für smartere Werkstoffe und energiesparendere Industrieprozesse. Das Vorhaben wurde mit dem Forschungspreis 2026 der Universität ausgezeichnet.
Maschinelles Lernen als Brücke zwischen Mikroskop und Realität
„In ML4Fouling nutzen wir Algorithmen, die aus riesigen Datenmengen Muster ableiten. Diese Daten stammen aus zwei Quellen: Experimenten und Simulationen“, erklärt Prof. Dr. Martin Brehm, Leiter des Lehrstuhls für Theoretische Chemie an der Universität Paderborn. In präzisen Labormessungen lassen die Forscher*innen dabei Elektrolytlösungen über rotierende Metallscheiben fließen und messen, wie sich elektrische Widerstände an der Grenzfläche ändern. „Der Ansatz liefert neue Erkenntnisse zum kombinierten Einfluss von Oberflächenchemie und Hydrodynamik auf die Vermeidbarkeit des Foulings. Zusätzlich liefern Computersimulationen auf atomarer Ebene wichtige Einblicke“, so Prof. Brehm weiter. Ein neuer Verfahrensansatz passt diese Rechenverfahren so an, dass sie auch für Ablagerungsfragen funktionieren. In dem Modell werden anschließend beide Datenwelten miteinander verknüpft. Es rechnet aus, wie sich molekulare Wechselwirkungen an der Grenzfläche unter Strömungsbedingungen auf makroskopische Belagsbildung auswirken. Das Team entwirft dadurch ein Modell, das über eine alleinige experimentelle oder simulative Vorgehensweise hinausgeht.
Vom Molekül bis zum Herzklappenmodell
Die Forscher*innen validieren ihre Vorhersagen anhand praktischer Beispiele. Dafür nutzen sie u. a. einen Mikroreaktor zur Polymerherstellung. „In der Chemie ist ein Mikroreaktor ein besonders kleiner Reaktor, in dem Stoffe unter genau kontrollierten Bedingungen miteinander reagieren – etwa bei der Herstellung von Polymeren. Mithilfe von Sensoren können wir kontinuierlich verfolgen, wann und wo sich auf den Oberflächen erste Beläge bilden“, erläutert Dr. Vanessa Neßlinger, Leiterin der Arbeitsgruppe Polymere Interphasen in der Technischen und Makromolekularen Chemie und Initiatorin des Projekts. Später folgen medizinische Anwendungen. Das Team plant hierfür ein dreidimensionales Herzmodell aus dem 3D-Drucker einzusetzen. Es bildet Strömungsverhältnisse einer echten Herzklappe nach. Das Rechenmodell prüft, wie sich unterschiedliche Werkstoffe unter Blutfluss bewähren.
Kühne Ideen für die Wissenschaft
Für ihr Vorhaben haben die Wissenschaftler*innen den Forschungspreis der Universität Paderborn erhalten. Die Hochschulleitung vergibt die mit 140.000 Euro dotierte Auszeichnung als Anerkennung außergewöhnlicher Forschungsprojekte abseits des Mainstreams und fördert damit kühne Ideen für die Wissenschaft. „Das Projekt geht weit über die reine Grundlagenforschung hinaus. Es liefert Werkzeuge für die Werkstoffentwicklung, die Implantathersteller*innen und Anlagenbauer*innen gleichermaßen nutzen können. Die Forscher*innen reduzieren damit den Bedarf an teuren Trial-and-Error-Tests. Gleichzeitig sparen sie Energie und Rohstoffe, weil sie Prozesse von vornherein optimieren. Mit diesem zukunftsweisenden Ansatz an der Schnittstelle von Theoretischer Chemie, Technischer Chemie und Data Science können gefährliche Risiken im Vorfeld bekämpft werden“, sagt Prof. Dr. Thomas Tröster, Vizepräsident für Forschung und akademische Karrierewege an der Universität Paderborn.
Erste Ergebnisse schon nächstes Jahr
„Die größte Hürde bleibt die riesige Kluft zwischen verschiedenen Zeitskalen. Experimente laufen in Sekunden, Simulationszyklen in Nanosekunden“, erklärt Dr. Robert Schade, der als wissenschaftlicher Mitarbeiter des Paderborn Center for Parallel Computing (PC2) KI- und Datenexpertise in das Projekt einbringt. Das Team umgeht dieses Problem, indem es physikalische Gesetzmäßigkeiten direkt in das ML-Modell einbaut. So verhindert es, dass das System rein statistisch operiert und falsche Trends liefert. Die ersten Tests laufen bereits. Sobald das Modell zuverlässig arbeitet, öffnen sich Türen für Biosensoren, Filtrationsanlagen und neue Schutzbeschichtungen. Mit ersten Ergebnissen rechnet das Team im kommenden Jahr.
