Circular Economy
Filtern
Dokumenttyp
- Vortrag (3)
- Posterpräsentation (1)
Sprache
- Deutsch (4)
Referierte Publikation
- nein (4)
Schlagworte
- RFA (4) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
In Deutschland werden jährlich rund 20 Millionen Tonnen künstliche Mineralwolle für die Dämmung von Dächern und Fassaden sowie für Brandschutzprodukte verwendet. Um künstliche Mineralwolle aus Rückbaumaßnahmen in den Produktionsprozess zurückführen zu können, ist eine Trennung in Glas- und Steinwolle erforderlich, um eine Vermischung der beiden Produkte, die unterschiedliche Schmelztemperaturen aufweisen, zu vermeiden. Anstatt die Mineralwolle in spezielle Labors zu schicken, was zeitaufwendig und teuer ist, wurde das Potenzial eines tragbaren Nahinfrarot-Spektrometers (NIR) für den Einsatz vor Ort getestet. 140 verschiedene Mineralwolleproben wurden untersucht, um eine NIR-basierte Methode für die Vor-Ort-Unterscheidung zwischen Glas- und Steinwolle zu etablieren. Die Validierung der Methode mit Testproben und die Anwendung auf Materialien, die aus BigBags für Deponien entnommen wurden, haben gezeigt, dass die Methode präzise und robust ist. Als Referenzmethode wurde die Röntgenfluoreszenzspektroskopie (RFA) mit einer Kalibrierung auf der Grundlage der VDI 3492 verwendet.
Rückgebaute Mineralwolledämmstoffe und Baustellenverschnitte werden in der Regel deponiert und damit als Rohstoffe dem Markt entzogen. Ziel dieses Projektes ist es darzulegen, dass das Recycling von Glas- und Steinwolle im großmaßstäblich volumenrelevanten Umfang für das Schmelzwannenverfahren technisch umsetzbar und ökonomisch und ökologisch vorteilhaft ist. Neben verfahrenstechnischen Herausforderungen, gilt es die wirtschaftliche in-situ-Identifikation unbekannter Mineralwolle zu ermöglichen. Dazu wird auf erste erfolgversprechende Tastversuche mit spektroskopischen Methoden weiter aufgebaut.
Die vom BMBF unterstütze Forschungsinitiative BonaRes entwickelt Strategien um Boden als nachhaltige Ressource für die Bioökonomie zu nutzen. Das Projekt Intelligence for Soil (I4S) ist ein Teil dieser Initiative und beschäftigt sich mit der Entwicklung eines integrierten Systems zur ortsspezifischen Düngung. Ein Ziel dieses Projektes ist die Etablierung einer mobilen Sensorplattform zur Bodenkartierung. Aufgabe der BAM ist dabei das Installieren und die Optimierung eines RFA Sensors für die online Messung direkt auf dem Feld. Die RFA ist eine zerstörungsfreie Technik, die kaum Probenvorbereitung benötigt und einen schnelle Multielement Analyse ermöglicht. Das schnelle Kartieren des Bodens ermöglicht später eine ortsspezifische Düngung mit Nährstoffen wie z.B. K, Ca und P.
Im Rahmen der vom BMBF geförderten Forschungsinitiative BonaRes werden Strategien entwickelt, um Boden als nachhaltige Ressource in der Bioökonomie zu nutzen. Das interdisziplinäre Teilprojekt I4S - „Intelligenz für den Boden“ - ist verantwortlich für die Entwicklung eines integrierten Systems zur standortspezifischen Steuerung der Bodenfruchtbarkeit. Zu diesem Zweck wird eine Plattform gebaut, auf der verschiedene Sensoren installiert sind. Echtzeitdaten werden in Modellen zusammengefasst und Entscheidungsalgorithmen werden verwendet, um die Düngung zu steuern und die Bodenfunktionen entsprechend zu verbessern. Ziel der BAM im Rahmen von I4S ist die Charakterisierung eines energiedispersiven Röntgenfluoreszenzsensors (EDXRF) zur robusten online-Bestimmung von Makro- und Mikronährstoffen im Boden. Zunächst wurde eine Hauptkomponentenanalyse (PCA) durchgeführt, um Ausreißer zu identifizieren und die größte Varianz innerhalb der deutschen Bodenproben zu beobachten. Es konnte festgestellt werden, dass die Aufspaltung der Proben auf ihren Eisengehalt zurückzuführen ist. Da Tonproben hohe Mengen an Eisen und Sandproben geringe Mengen enthalten, war eine Klassifizierung der Proben nach ihrer Bodentextur nach VD LUFA möglich. In Anbetracht der komplexen Bodenzusammensetzung wurde eine matrixspezifische Kalibrierung durch univariate und multivariate Datenanalyse durchgeführt. Die analytischen Güteziffern zeigen, dass ein robusteres Kalibriermodell mit vernachlässigbaren Matrixeffekten durch einen multivariaten Ansatz unter Verwendung der partiellen Regression kleinster Quadrate (PLSR) erhalten werden kann. Verschiedene Faktoren können die erhaltenen Kalibriermodelle beeinflussen, wie z. B. Feuchtigkeit und Partikelgrößenverteilung, was aufgrund der späteren online-Analyse besonders wichtig ist. In ersten Studien wurde der Einfluss von Feuchtigkeit auf den Nährstoffnachweis untersucht. Mit zunehmendem Wassergehalt nehmen die charakteristischen Fluoreszenzpeaks ab und beginnen bei einem Wassergehalt von 15% wieder anzusteigen. Bei geringerem Feuchtigkeitsgehalt agglomeriert der Boden, was zu einer geringeren Packung der Probe führt, dementsprechend zu einer raueren Oberfläche, die die Signale negativ beeinflusst. Bei höherem Wassergehalt bilden sich keine Agglomerate. Dadurch kann die Probe enger gepackt werden, wodurch eine glattere Oberfläche und eine bessere Homogenität erhalten wird. Darüber hinaus führt die Partikelgrößenverteilung beim Vergleich von gemahlenen und nicht gemahlenen Proben zu signifikant höheren Unsicherheiten und niedrigeren Signalen. Beide Faktoren müssen in die chemometrische PLSR einbezogen werden, um zuverlässige Kalibrierungsmodelle für jeden Nährstoff zu erhalten.