Mehrdimensionale Feinstpartikelfraktionierung

Mehrdimensionale Feinstpartikelfraktionierung mit akustischen Oberflächenwellen

Ansprechpartner

Prof. Christian Cierpka
Fachgebiet Technische Thermodynamik

Telefon: +49 3677 69-2445
e-mail:  christian.cierpka@tu-ilmenau.de

Förderinformation

Projektträger: DFG

Förderkennzeichen: CI 185/8-1

beteiligte Fachgebiete: Technische Thermodynamik

Laufzeit: 01.09.2020 - 31.08.2023

Projektinformation

Sebastian Sachs
Strömungsfeld mit Visualisierung der Anfangs.- und Endwirbel durch zwei gegenläufige akustische Oberflächenwellen erzeugt

In vielen Industrieprodukten, verfahrenstechnischen Prozessen bis hin zur Lebensmittelchemie und Pharmakologie werden Partikelsysteme eingesetzt. Aufgrund der Skalierbarkeit unterschiedlicher Kräfte auf Partikel, eignen sich mikofluidische Systeme zur Fraktionierung einer Partikelsuspension nach verschiedenen Kriterien. Methoden zur Fraktionierung von technischen Feinstpartikeln in mikrofluidischen Systemen können in aktive und passive Methoden unterteilt werden. Passive Methoden sind sehr robust und nutzen zumeist die laminaren Strömungsverhältnisse in Mikrokanälen aus. Aktive Methoden nutzen überlagerte elektrische, magnetische oder akustische Felder. Dabei können zusätzlich größenunabhängigee Trennmerkmale basierend auf den elektrischen, magnetischen oder mechanischen Eigenscahften der Partikeleigenschaften adressiert und die Methode auf jeweilige Partikelklasse angepasst werden. Um ein möglischst flexibles stuerbares System zur Partikelfraktionierung aufbauen zu können, bedarf es daher eder Kombination aus einer passiven und einer aktiven Methode. Deshalb soll im Forschungsvorhaben ein Fraktionierungssystem aufgebaut werden, welches mit akustischen Oberflächenwellen eine Partikelfraktionierung nach Größe, akustischem Kontrast und Form ermöglicht. Zur Charakterisierung der Strömung, Partikelverteilung und Selektivität der Fraktionierung, soll zusätzlich eine Messtechnik auf Basis der astigmatischen Partikel Tracking Velocimetry in Kombination mit tief lernenden neuronalen Netzen untersucht und entwickelt werden.