In vielen realen Szenarien wie z. B. in der Stahlproduktion sind schnelle Entscheidungen darüber, welche Phasen bei bestimmten Temperaturen und Zusammensetzungen in chemischen Systemen auftreten können, erforderlich. Der klassische Ansatz, die Gibbsenergie des Systems numerisch zu minimieren, ist oft langsam. Daher ist es das Ziel dieser Arbeit, neuronale Netze zu trainieren, welche verwendet werden, um Phasengleichgewichte für ein bestimmtes System zu berechnen. Es wird davon ausgegangen, dass ein trainiertes neuronales Netz schneller Antworten liefern kann als der klassische Ansatz. Das Ziel dieser Arbeit ist es, Phasengleichgewichte in unären und binären Systemen mit neuronalen Netzen vorherzusagen. Zu diesem Zweck werden Gibbsenergien, Entropien, Enthalpien und Wärmekapazitäten von unären Systemen approximiert. Das Netzwerk zur Vorhersage binärer Gleichgewichte verwendet direkt analytische Gibbs-Energie-Funktionen zur Bestimmung der Gleichgewichtszusammensetzungen. Obwohl der Ansatz für das unäre System zur Annäherung an die Gibbs-Energie-, Entropie-, Enthalpie- und Wärmekapazitätsfunktionen eines unären Systems angewendet werden kann, liefert er im Vergleich zu klassischen Methoden keine schnelleren Ergebnisse für die Berechnung von Phasengleichgewichten. Der vorgeschlagene Ansatz für die Berechnung des binären Gleichgewichts mit neuronalen Netzen ist jedoch schneller als mit numerischen Methoden. Der Ansatz mit neuronalen Netzen ist allerdings eine Annäherung und ermöglicht keine exakte Berechnung der Gleichgewichtszusammensetzungen. Er funktioniert am besten, wenn er auf Systeme, bei denen die Gibbs-Energiekurven keine Wendepunkte aufweisen, angewandt wird. Dies kann für reale Anwendungen einschränkend sein. Daher wird eine zusätzliche Methode zur Kategorisierung von Phasen vorgestellt, mit der Messwerte (z. B. für die Wärmekapazität) jenen Phasen zugeordnet werden können, aus denen die Messungen entnommen wurden. Das vorgestellte Netz wurde auf 78 reine Elemente trainiert. Es kann jedoch leicht angepasst werden, um Phasen von binären Systemen zu klassifizieren, indem es mit den Daten der gewünschten binären Systeme trainiert wird. Die Berechnung binärer Phasengleichgewichte mit Hilfe neuronaler Netze ist zwar schneller als mit numerischen Methoden, der Ansatz hat aber Grenzen. Um schnelle Entscheidungen über die in einem System vorhandenen Phasen zu treffen ist es zuverlässiger, Messungen zu klassifizieren, anstatt die Gleichgewichtsbedingungen direkt zu berechnen.