KI zur Quantifizierung von Mineralphasen in mineralischen Reststoffen mittels REM und XRD (KIMmich)

Kurzfassung

Im Projekt KIMmich wird künstliche Intelligenz ( KI) zur automatisierten Bestimmung der mineralogischen Zusammensetzung industrieller Reststoffe wie Aschen und Schlacken eingesetzt. Durch die Kombination hochauflösender REM-Analysen mit XRD-Messungen entsteht ein belastbares Trainingsdatenset, das es ermöglicht, KI-Modelle für die zuverlässige Identifikation und Quantifizierung von Mineralphasen zu entwickeln. Ziel ist es, die Nutzung dieser Materialien als Sekundärrohstoffe zu erleichtern und Prozesse wie Abfallverbrennung oder Metallurgie im Sinne eines ökologisch optimierten Materialkreislaufs gezielt zu steuern.

Problemstellung

Mineralische Reststoffe wie Aschen und Schlacken fallen in großen Mengen bei industriellen Prozessen an – insbesondere bei der thermischen Abfallverwertung oder in der Metallurgie. Der Umgang mit diesen Rückständen stellt eine zentrale ökologische und wirtschaftliche Herausforderung dar: Diese Materialien besitzen ein großes Potenzial als Sekundärrohstoffe – beispielsweise als Füllstoffe in der Bauindustrie oder als Gesteinskörnung im Beton. Voraussetzung für eine Recycling ist jedoch die Einhaltung bau- und umwelttechnischer Qualitätanforderungen, die sehr aufwändig und zeitintensiv ist. Die mineralogische Zusammensetzung dieser Materialien ist ein entscheidender Einflussfaktor auf die bau- und umwelttechnische Eignung und kann zudem bereits im Entstehungsprozess der Reststoffe beeinflusst werden. Ihre quantitative Bestimmung ist jedoch auch komplex und erfordert Expertenwissen. Hier setzt das Projekt KIMmich an.

Projektbeschreibung

Das Projekt KIMmich verfolgt das Ziel, Analysetechniken mit Methoden der künstlichen Intelligenz ( KI) zu kombinieren, um die mineralogische Zusammensetzung industrieller Reststoffe effizient und automatisiert zu bestimmen. Zur Analyse werden zwei etablierte Techniken eingesetzt:

Die Rasterelektronenmikroskopie ( REM) liefert hoch ortsaufgelöste Informationen zur lokalen chemischen Zusammensetzung.
Die Röntgendiffraktometrie ( XRD) erlaubt Aussagen zur mineralogischen Phasenverteilung im Gesamtmaterial (Bulk-Zusammensetzung).

Im Projektverlauf werden zunächst – ebenfalls mithilfe künstlicher Intelligenz – synthetische Mischungen typischer Mineralphasen simuliert, um ein umfangreiches Trainingsdatenset zu erzeugen. Dieses wird durch real gemessene Referenzproben ergänzt, um eine möglichst hohe Datenvielfalt und Praxisnähe zu gewährleisten. Auf dieser Grundlage werden die KI-Modelle trainiert und in mehreren Schritten validiert. Dabei erfolgen gezielte Tests zur Bewertung der Vorhersagegenauigkeit bei der Phasenquantifizierung.

Anschließend werden die trainierten Modelle auf reale Proben angewendet. Die Auswertung erfolgt mit zwei unterschiedlichen KI-Ansätzen, die jeweils zur Quantifizierung der enthaltenen Mineralphasen eingesetzt werden:

Convolutional Neural Networks ( CNN), eine bewährte Methode aus der Bildverarbeitung, analysieren spektrale und bildhafte Daten über lokale Muster und Kanten.
Vision Transformers ( ViT) hingegen nutzen sogenannte Self-Attention-Mechanismen, um komplexe, globale Zusammenhänge in den Daten zu erfassen – auch über größere Distanzen hinweg.

Der Einsatz beider Modelle erlaubt einen systematischen Vergleich hinsichtlich Genauigkeit, Robustheit und Interpretierbarkeit, um die bestgeeignete Architektur für die zuverlässige Phasenerkennung zu identifizieren.

Projektziel

Ziel von KIMmich ist die automatisierte und zuverlässige Identifikation sowie Quantifizierung von Mineralphasen in industriellen Reststoffen mithilfe künstlicher Intelligenz. Die Ergebnisse sollen dazu beitragen, die Prozesse zur Entstehung dieser Materialien – etwa in Verbrennungsanlagen oder metallurgischen Verfahren – gezielt zu beeinflussen. Auf diese Weise kann nicht nur das Hauptprodukt optimiert, sondern auch die Qualität und Wiederverwendbarkeit der Nebenprodukte gezielt gesteuert werden. Langfristig wird so ein Beitrag zum Ökodesign mineralischer Reststoffe geleistet.

Potenzielle Anwendungsbereiche

Einsatz mineralischer Reststoffe als industrielle Gesteinskörnungen für Asphalt und Beton
Bewertung der Umweltverträglichkeit von Aschen und Schlacken
Automatisierte Materialcharakterisierung im Labor oder direkt in der Prozesslinie durch Kopplung mit Sensordaten (LIBS, NIR)
Beitrag zur zirkulären Wertschöpfung durch gezieltere Nutzung von Sekundärrohstoffen

Team

Resource and Chemical Engineering