KIMBA

Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen durch rezyklierte (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen wie bspw. Treibhausgasemissionen um bis zu 85% reduziert. Bisher decken RC-Baustoffe mit 73,3 Mio. t/a lediglich 12,5 Ma.-% des Gesteinskörnungsbedarfs ab​. Ihr Einsatz beschränkt sich mit 53,9 Mio. t/a (73,5 Ma.-%) bisher überwiegend auf Tiefbauanwendungen.  

Während die Aufnahmekapazität im Tiefbau aufgrund von weniger Neutrassierungen perspektivisch abnimmt​, wird eine steigende Nachfrage im Hochbau prognostiziert​. Zur Sicherung und zum Ausbau der ökologischen Vorteile von RC-Baustoffen ist es daher zwingend notwendig, dass zukünftig auch anspruchsvollere Hochbauanwendungen durch RC-Baustoffe erschlossen werden können. Hierfür ist einerseits eine ausreichende Qualität der RC-Baustoffe zu garantieren, andererseits muss die Akzeptanz der Abnehmer durch eine garantierte Einhaltung geltender Normen für Hochbauanwendungen sichergestellt werden​.  

Ein wesentliches Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV) nach DIN 66165-1, die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird​.  Siebanalysen sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft (abhängig von der Beprobung) und Analyseergebnisse sind nur mit erheblichem Zeitverzug verfügbar​. Folglich ist es weder möglich frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden​.  

Hier kommt das Projekt KIMBA ins Spiel: Anstelle zeit- und kostenaufwendiger Probenahmen und Siebanalysen soll die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein sensorbasiertes Inline-Monitoring erfolgen. Hierbei soll das produzierte RC-Material bereits im Aufbereitungsprozess inline mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in einzelne Partikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird.

Die sensorbasiert erfassten KGVs sollen anschließend intelligent genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern und damit den Übergang in eine nachhaltige Kreislaufwirtschaft zu beschleunigen. Ausgehend vom erbrachten Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst kontinuierlich die KGV des produzierten RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen frühzeitig in den Prozess eingreifen zu können. Ein KI-basiertes Assistenzsystem soll auf Basis sensorbasiert erfasster KGVs und Maschinenparameter eine adaptive Steuerung des Aufbereitungsprozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können.