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.

Das Projekt wird durch das KI-Produktionsnetzwerk Augsburg finanziert.

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. Gleichzeitig besitzen sie ein erhebliches Potenzial als Sekundärrohstoffe wie z.B. als Füllstoffe in der Bauindustrie oder als Gesteinskörnung im Beton. Für ein hochwertiges Recycling ist jedoch die Einhaltung bau- und umwelttechnischer Qualitätsanforderungen erforderlich, deren Überprüfung derzeit aufwendig und zeitintensiv ist. Die mineralogische Zusammensetzung der Materialien spielt dabei eine entscheidende Rolle, denn sie beeinflusst maßgeblich die technische und ökologische Eignung und kann zudem bereits im Entstehungsprozess, wie etwa in der Verbrennung oder Metallurgie, gezielt gesteuert werden. Ihre quantitative Bestimmung ist jedoch komplex und erfordert derzeit spezialisiertes Expertenwissen. Genau 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).

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

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