Veränderungen eines Materials können physikalischer oder auch chemischer Natur sein. Zu den physikalischen Veränderungen (Phasenumwandlungen) zählen z.B. das Schmelzen eines Metalls, das Kristallisieren von Honig oder die Reorganisation der inneren Struktur eines Kunststoffes. Bei chemischen Prozessen wird das untersuchte Material z.B. mit oder ohne Luftsauerstoff zersetzt. All diese Prozesse benötigen die Zufuhr von Wärme oder geben Wärme ab. Der bei diesen Prozessen gemessene Wärmefluss kann als Funktion der Temperatur der Probe mit der sogenannten Differenzialkalorimetrie (DSC) gemessen werden. Je nach ablaufenden Prozessen (= Effekt) nehmen die Wärmeflüsse unterschiedliche Verläufe an, so dass man aus dem Kurvenverlauf auf die verursachenden Prozesse schliessen kann.Ziel dieses Projekts war das automatische Detektieren, Klassifizieren und Ausmessen dieser Effekte mittels Deep Learning, einer sehr mächtigen Methode, um auch mit schlecht parametrisierbaren Effekten umgehen zu können. Allerdings sind dazu tausende von Kurvenverläufen mit korrekter Zuordnung zu den entsprechenden Effekten notwendig.Das IDP hat in diesem Kontext u.a. mittels einer robustifizierten generalisierten K-Means-Methode die fehlerhaften Zuordnungen in den Trainingsdatensätzen detektiert. Weiter wurden die nachgelagerten Berechnungen robustifiziert, welche zur Auswertung der Effekte benötigt werden. Damit können jetzt auch etwas ungenauere Zwischenergebnisse aus dem Deep-Learning-Algorithmus zu stabilen Endergebnissen führen.