In the presented paper, the applicability of pressure-decay methods to determine the diffusivities of gases in hydraulic fluids is analysed. First, the method is described in detail and compared to other measurement methods. Secondly, the thermodynamics and the mass transfer process of the system are studied. This results in four different thermodynamic models of the gaseous phase in combination with two diffusion models. Thirdly, the influence of the models on the pressure-decay method is evaluated computationally by examining the diffusion process of air in water as all system parameters are available from literature. It is shown that ordinary pressure-decay methods are not applicable to gas mixtures like air and therefore a new method for calculating the diffusivities is suggested.

In chemical and energy engineering, it is crucial to understand the thermodynamic properties of fluids and solids and their phase behavior. Equations of state have been proven to be extremely helpful in representing these properties. Today, the most accurate modeling approaches for equations of state are empirical methods. These methods typically depend on the expert knowledge of the modeler, as well as on the quantity and quality of the available data. To accelerate the modeling process, the potential of symbolic regression, a method that not only fits the parameters of a given model, but also seeks its functional form, is investigated. Accurate modeling of thermodynamic properties is impossible, without a reliable data base. While different data acquisition methods exist, carefully conducted measurements are the most important data acquisition method. However, setting up experiments and conducting the measurements are often time-consuming and expensive. Therefore, reducing the experimental effort without sacrificing information for model development is highly desirable. Optimal experimental design is a methodology for planning measurements that aims to be the most informative regarding the uncertainty in parameter estimates or predictions of a given model. In the present thesis, the optimal experimental design algorithm was adapted to consider different equilibrium times for changes in temperature and pressure. The main problems for the individual application of symbolic regression and optimal experimental design are that for symbolic regression, there are often not enough data available, and for optimal experimental design, the underlying model is rarely known. For this reason, the potential of combining optimal experimental design with symbolic regression for efficient thermodynamic property modeling was investigated within an iterative data acquisition and modeling process. Optimal experimental design and symbolic regression, individually and together, were found to have the potential to accelerate the data acquisition and modeling of thermodynamic properties, which is also of interest for other applications.:Nomenclature Abstract Kurzfassung Introduction Results Summary and Outlook Bibliography Appendix / In der Chemie- und Energietechnik ist es von entscheidender Bedeutung, die thermodynamischen Eigenschaften von Flüssigkeiten und Feststoffen und ihr Phasenverhalten zu verstehen. Zustandsgleichungen haben sich bei der Darstellung dieser Eigenschaften als äußerst hilfreich erwiesen. Die genauesten Modellierungsansätze für Zustandsgleichungen sind heute empirische Methoden. Diese Methoden hängen in der Regel vom Fachwissen des Modellierers sowie von der Menge und Qualität der verfügbaren Daten ab. Um den Modellierungsprozess zu beschleunigen, wird das Potenzial der symbolischen Regression untersucht, einer Methode, die nicht nur die Parameter eines gegebenen Modells anpasst, sondern auch dessen funktionale Form sucht. Eine genaue Modellierung der thermodynamischen Eigenschaften ist ohne eine zuverlässige Datenbasis nicht möglich. Zwar gibt es verschiedene Methoden der Datenerfassung, doch sind sorgfältig durchgeführte Messungen die wichtigste Methode der Datenerfassung. Der Aufbau von Experimenten und die Durchführung der Messungen sind jedoch oft zeitaufwändig und teuer. Daher ist es äußerst wünschenswert, den experimentellen Aufwand zu verringern, ohne dabei Informationen für die Modellentwicklung zu verlieren. Optimale Versuchsplanung ist eine Methodik zur Planung von Messungen die darauf abzielt, die Unsicherheit in den Parameterschätzungen oder Vorhersagen eines gegebenen Modells so informativ wie möglich zu gestalten. In der vorliegenden Arbeit wurde der Algorithmus für die optimale Versuchsplanung so angepasst, dass unterschiedliche Gleichgewichtszeiten für Temperatur- und Druckänderungen berücksichtigt werden. Die Hauptprobleme bei der individuellen Anwendung von symbolischer Regression und optimaler Versuchsplanung sind, dass für die symbolische Regression oft nicht genügend Daten zur Verfügung stehen und bei der optimalen Versuchsplanung das zugrunde liegende Modell selten bekannt ist. Aus diesem Grund wurde das Potenzial der Kombination von optimaler Versuchsplanung und symbolischer Regression für eine effiziente Modellierung thermodynamischer Eigenschaften im Rahmen eines iterativen Datenerfassungs- und Modellierungsprozesses untersucht. Es wurde festgestellt, dass die optimale Versuchsplanung und die symbolische Regression, sowohl einzeln als auch zusammen, das Potenzial haben, die Datenerfassung und Modellierung thermodynamischer Eigenschaften zu beschleunigen, was auch für andere Anwendungen von Interesse ist.:Nomenclature Abstract Kurzfassung Introduction Results Summary and Outlook Bibliography Appendix