Motivation
Das Recycling von Metallschrotten als Sekundärrohstoffe ist die sicherste, ökologischste und ökonomischste Form der Rohstoffversorgung. Obwohl Metalle im Prinzip unendlich oft recycelt werden können, ist ein Wiedereinschmelzen ohne Qualitätsverlust nur möglich, wenn die Zusammensetzung genau erfasst und sortenrein eingeschmolzen wird. Eine zerstörungsfreie Bestimmung der Elementzusammensetzung von Schrott in Echtzeit würde es ermöglichen, Eingangsströme des Recyclingprozesses erstmals optimal zu steuern. Dadurch kann der Schrottanteil weiter erhöht werden, und es können zielgerichtet hochwertige Legierungen erzeugt werden.
Ziele und Vorgehen
Ziel des Projektes MetalClass ist es, KI-basierte Auswertealgorithmen für die Echtzeit-Klassifikation metallischer Schrotte zu entwickeln. Im Technikum von AiNT wird ein Demonstrator gebaut, um experimentelle Messdaten zu erheben, wobei innovative Detektorsysteme zur Anwendung kommen. Messanlagen auf Grundlage der Prompt-Gamma-Neutronen-Aktivierungsanalyse (PGNAA) ermöglichen eine zerstörungsfreie Elementanalyse unterschiedlichster Materialien und grenzen sich von bestehenden Verfahren dadurch ab, dass das Messgut als Ganzes und ohne Probenvorbereitung analysiert wird. Mit einer solchen Analyse lässt sich die vollständige Elementzusammensetzung des Materials ermitteln. Im zu entwickelnden Messverfahren sollen KI-Verfahren genutzt werden, um Messdaten der PGNAA-Technologie in Sekunden oder sogar Sekundenbruchteilen auszuwerten und gemessene Schrottteile gemäß ihrer Zusammensetzung zu klassifizieren. Dazu werden Methoden der Künstlichen Intelligenz (KI) und des maschinellen Lernens angewendet, in denen Wissen und Techniken aus der Informatik, Statistik, Mathematik und Anwendungswissen verknüpft werden. Ziel ist es, aus Daten praxistaugliche Schlüsse zu ziehen, indem insbesondere Charakteristika der Messdaten als Anwendungswissen im zu entwickelnden Verfahren genutzt werden.
Innovationen und Perspektiven
Modelle wie tiefe neuronale Netze eignen sich für Klassifikationsaufgaben besonders gut. Die Echtzeitfähigkeit eines solchen Verfahrens ist eine weitere Herausforderung. Dabei ist vor allem die Reduktion der Messzeit kritisch, denn eine kürzere Messzeit führt zu stark verrauschten Daten. Daher sollen Modelle entwickelt werden, welche trotz stark verrauschter Daten erfolgreich eine Klassifikation in kürzester Zeit vornehmen können. Nach Projektabschluss und Erprobung der KI-Algorithmen wird ein Prototyp mit ergänzender Förder- und Sortiertechnik bei einem Bedarfsträger aufgebaut und betrieben.