Detailseite
Projekt
Mehrdimensionale probabilistische Charakterisierung von Schlackenmaterialien zur Optimierung von Kühl-, Zerkleinerungs- und Trennprozessen mittels statistischer Bildanalyse unterstützt von Methoden des maschinelles Lernens
Antragsteller
Professor Dr. Volker Schmidt
Fachliche Zuordnung
Mechanische Verfahrenstechnik
Förderung
Förderung seit 2021
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 470322626
Ein interdisziplinärer Ansatz verschiedener Fachgebiete (einschließlich Metallurgie, tomographischer Bildgebung, Mineralverarbeitung sowie datengetriebene Analyse und Modellierung) ist notwendig, um die Recycling-Fähigkeit wertvoller Metalle in Schlacken zu verbessern. Ein wichtiger Punkt ist dabei das "maßgeschneiderte Design" der Schlackenstruktur während der Bildung von Schlacken, um nachgeschaltete Prozesse optimieren zu können, was ein detailliertes Verständnis des Zusammenspiels von Prozessparametern und Deskriptoren der Struktur und Zusammensetzung der Schlacken verlangt. Um dieses Ziels zu erreichen, ist die Aufklärung von quantitativen Zusammenhängen zwischen Prozessparametern und strukturellen/kompositionellen Kenngrößen der Schlacke notwendig, was eine eingehende Charakterisierung von Schlackenmaterialien durch mikroskopische Bildgebung erfordert. Eine solche Analyse ist entscheidend für die genaue Quantifizierung der Auswirkungen von Prozessparametern auf die Mikrostruktur und Zusammensetzung der Schlacke sowie auf ihre funktionellen Eigenschaften wie Trennverhalten. Das Projekt zielt darauf ab, die Recycelbarkeit von Schlacken durch die folgenden drei Schritte zu verbessern: (a) Charakterisierung von Schlackenmaterialien: Einsatz von statistischer Bildanalyse und maschinellem Lernen für eine multidimensionale Charakterisierung von Schlacken, unter Verwendung von Deskriptorvektoren für Morphologie, Textur und chemische Zusammensetzung. Dies umfasst fortgeschrittene Bildverarbeitungstechniken (convolutional und generative adversarial networks) gefolgt von multivariater stochastischer Modellierung. (b) Charakterisierung der Auswirkungen von Kühl-, Zerkleinerungs- und Trennprozessen auf resultierende Schlacken, durch die Bestimmung von quantitativen Prozess-Struktur-Eigenschafts-Beziehungen. Dies beinhaltet das Abbilden von Prozessparametern auf Parameter der Struktur/Zusammensetzung von Schlacken durch nichtlineare Regressionsmodelle, was die Vorhersage von Schlackeneigenschaften nach der Prozessierung erleichtert. (c) Anwendung von Prozess-Struktur-Eigenschafts-Beziehungen für die Prozessoptimierung, um Schlacken mit gewünschten Eigenschaften bei reduziertem experimentellem Aufwand zu bilden/zerkleinern/trennen. Dabei werden Prozessparameter identifiziert, die zu vordefinierten (gewünschten) strukturellen/kompositionellen Parametern von Schlackenmaterialien führen. Auf diese Weise werden den Partnergruppen des SPP 2315 sowohl strukturelle Empfehlungen als auch optimierte Prozessparameter zur Verfügung gestellt, was zur Reduktion des experimentellen Aufwands bei der Optimierung von Kühlungs-, Zerkleinerungs- und Trennprozessen beitragen kann.
DFG-Verfahren
Schwerpunktprogramme
