Laufende Projekte

Deutschland hat sich mit dem 2021 beschlossenen Klimaschutzgesetz zu einer Verschärfung der Klimaschutzvorgaben verpflichtet.[1] Die Förderung der Kreislaufwirtschaft stellt hierzu einen grundlegenden Baustein dar und ermöglicht die aktive Abfallvermeidung und Wiederverwendung sowie die Rückgewinnung von Materialien durch Recycling.[2] Großes Potenzial bieten in diesem Sinne Elektro- und Elektronikaltgeräten, EAG genannt, da hier mit einer wachsenden Menge in den nächsten Jahren gerechnet wird und die Produkte sich aufgrund ihres Aufbaus oftmals für die Wiederverwendung und Reparatur eignen.[3] Allein 2018 wurden in Deutschland pro Person 10,3 kg entsorgt, womit Deutschland über dem EU Durchschnitt liegt.[4] Dabei werden immer noch EAGs unsachgemäß im Haushaltsmüll entsorgt, was wiederum die sachgerechte Wiederverwertung und das Recycling unmöglich macht.[5] Das Projektvorhaben 6RLogistics greift diese Problematik auf und schafft mittels künstlicher Intelligenz und smarter Logistik Abhilfe bei der Verwertungsentscheidung und dem Transport bzw. der Entsorgung. Dabei erfasst die künstliche Intelligenz den Zustand des Produktes bei den Nutzern und wählte darauf basierend den geeigneten Verwendungszweck. Daran angeschlossen erfolgt der Transport des Produktes vom Nutzer zu den Verwertern. Es findet daher ein Pull-Effekt durch die Verwerter statt, bei der die Idee des „Abstellraums“ als dezentrales Waren- und Ersatzteillager genutzt wird. Hierdurch wird nicht nur die Sammelquote in Bezug auf EAGs erhöht, sondern auch die Wiederverwendungs- und Recyclingquoten der Geräte, womit ein aktiver Beitrag zu den Klimazielen durch die Reduktion von CO₂-Emissionen, sowie die Energie- und Ressourceneinsparungen geleistet wird. In drei verschiedenen Use-Cases werden die Aspekte eines solchen Systems im Rahmen des Vorhabens auf verschiedenen Ebenen erprobt und die Teilsysteme getestet. Dabei werden sowohl die Rückführung bei Endnutzern und in Annahmestellen untersucht, als auch die Erkennung und Evaluierung im industriellen Kontext. Somit werden im Rahmen des Vorhabens neue Systematiken für die Warenlogistik und Wiedernutzung von Gütern erprobt, welche dadurch der Kreislaufwirtschaft einen Vortrieb leisten.

PROJEKTPARTNER: eds-r GmbH (Nürnberg), ceconsoft GmbH (Goslar), Arbeitskreis Recycling e.V. (Herford) und Meikowe Elektro- und Teleservice GmbH (Fleringen).

Ansprechpartner:
E-Mail: Dominique Briechle

[1]www.bundesregierung.de/breg-de/schwerpunkte/klimaschutz/klimaschutzgesetz-2021-1913672

[2] Abfallvermeidung, Umwelt-Bundesamt, www.umweltbundesamt.de/themen/abfall-ressourcen/abfallwirtschaft/abfallvermeidung

[3]www.europarl.europa.eu/topics/de/article/20201208STO93325/elektroschrott-in-der-eu-zahlen-und-fakten-infografik

[4]www.destatis.de/DE/Presse/Pressemitteilungen/Zahl-der-Woche/2021/PD21_11_p002.html

[5]deutsche-recycling.de/blog/e-schrott-elektroaltgeraete-recycling/

Die derzeit im Einsatz befindlichen Elektronikprodukte sind nur auf kurzlebige Nutzungszyklen ausgelegt und sind Mitverursacher des derzeitigen Anstiegs der globalen Abfallmengen und des exzessiven Rohstoffeinsatzes.[1] Dadurch bedingt erzeugen Elektro -und Elektronikprodukte Emissionen, welche sich durch Reparatur und Weiternutzung verringern lassen. Allerdings entstehen auch bei der Lagerung, beim Verkauf und bei der Entsorgung von Geräten Emissionen. Gerade im Hinblick auf die globale Erderwärmung stellen diese Emissionen ein großes Verringerungspotenzial dar. Das Ziel des Projekts Life_TWIN ist es, smarte Lösungen für die Zustandsermittlung zu untersuchen sowie Möglichkeiten für eine Weiterverwendung zu ermitteln und dadurch die CO₂-Emissionen zu verringern. Das Projektvorhaben im Rahmen der Förderlinie „Ressourceneffizienz im Kontext der Energiewende“ innerhalb des 7. nichtnuklearen Förderprogramms des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK) steht damit in direkter Linie mit anderen Forschungsvorhaben zur Wegbereitung der Circular Economy. Die Erforschung von Lösungsansätzen zur Verbesserung des Zustandsmonitorings von Produkten spielt dafür eine zentrale Rolle, da so Schäden und Materialermüdungen an Produkten erkannt werden können. Dabei sollen im Projektvorhaben Digitale Zwillinge zum Einsatz kommen, welche die Zustandserfassung und Steuerung der Produkte ermöglichen.

PROJEKTPARTNER: IMW TU Clausthal, Bernhard Olbrich Elektroinstallationen-Industrieanlagen GmbH, Robert Bosch GmbH, Hellmann Process Management GmbH & Co. KG

Ansprechpartner:
E-Mail: Dominique Briechle

[1] V. Forti, C. P. Balde, R. Kuehr, and G. Bel, “The Global E-waste Monitor 2020: Quantities, flows and the circular economy potential,” 2020.

Der neue 5G-Kommunikationsstandard spielt eine entscheidende Rolle für innovative Anwendungen, insbesondere im Bereich des autonomen Fahrens. Dieses Projekt zielt darauf ab, ein 5G-Campusforschungsnetz zu etablieren, um die Anforderungen des autonomen Fahrens auf Level 3-5 ohne Sicherheitsfahrer an Bord und stattdessen mit einer technischen Remote-Aufsicht (Leitstand) zu erfüllen. Gemäß dem Gesetz zum autonomen Fahren der Bundesrepublik, das am 28.7.2021 in Kraft getreten ist, ist erstmals die Möglichkeit geschaffen worden, autonomes Fahren auf Level 3 ohne Sicherheitsfahrer und mit einer Remote-Aufsicht (im Sinne von einem 5G Remote-Leitstand im Projekt) im Regelbetrieb umzusetzen. Für diesen 5G Remote-Leitstand muss ein 5G-Netzwerk etabliert werden, das die erforderlichen Safety und Security-Eigenschaften des 5G-Funkstandards erweitert, um die Qualität des Funknetzes während der Teleoperation vorherzusagen und das Netz vor Angriffen zu schützen.

Zudem sollen autonome Fahrzeuge in der Lage sein, komplexe Fahrumgebungen zu bewältigen, wie etwa schlecht einsehbare Kreuzungen. 5G-Infrauktursensorik kann hierbei unterstützen, indem sie einen Ersatz für den analogen Verkehrsspiegel bietet, wie er von menschlichen Fahrern genutzt wird. Schließlich muss ein betriebssicheres KI-basiertes Fahrsystem (5G Fail-Operational) mit Shadow-Mode entwickelt und über 5G mit der 5G-Infrastruktursensorik und dem 5G Remote-Leitstand zu einem integrierten 5G-basierten Mobilitäts- und Logistikdienstleistungssystem verbunden werden. Ein autonomer CampusShuttle wird als Demonstrationsbetrieb aufgebaut. Das 5G-Campusforschungsnetz wird als Plattform und Testfeld für laufende und zukünftige Forschungsprojekte genutzt und steht den beteiligten Instituten und Zentren zur Verfügung. Die Projektergebnisse können als Modell für den Aufbau autonomer Shuttles in anderen 5G-Reallaboren und Gebieten mit 5G-Netzversorgung dienen. Das Projekt wurde in der vierten Beiratssitzung des Verbundvorhabens 5G-Reallabor in der Mobilitätsregion Braunschweig-Wolfsburg vorgestellt und einstimmig positiv unterstützt. Dies zeigt die ausgezeichnete Einbettung des Projekts in die 5G Innovationsregion Braunschweig-Wolfsburg.

Ansprechpartner:
E-Mail: Meng Zhang

Umgebungswahrnehmungssysteme autonomer Fahrzeuge verwenden heutzutage umfangreiche KI-basierte Algorithmen. Etablierte Techniken und Methoden zum Nachweis der Safety stoßen hierbei an ihre Grenzen. Auch wenn viele Fahrszenarien definiert wurden und Millionen von Kilometern zum Testen abgefahren wurden, ist eine umfassende Gewährleistung der Safety während der Design Time nicht möglich. Ziel des Projekts SafeWahr ist Verstöße gegenüber sicherheitskritischen Spezifikationen und Unsicherheiten von KI-basierten Umgebungswahrnehmungssystemen von autonomen Fahrzeugen rechtzeitig zu erkennen. Im Falle einer erkannten Verletzung, setzt das autonome Fahrzeug dann seine Fahraufgabe mit eingeschränkter Funktionalität in einem sogenannten Fail-Operational-Modus fort.

Ein grundlegender Lösungsansatz zur Behandlung von Situationen, welche während der Design Time noch nicht bekannt waren, ist die teilweise Verschiebung der Absicherung in die Betriebszeit. Ultimativ möchte man so eine Art der „Betriebszeitzertifizierung“ ermöglichen. In SafeWahr wird hierzu eine Monitoring-Architektur für die Eigendiagnose entwickelt. Innerhalb dieser Monitoring-Architektur kommen drei Monitore zum Einsatz: (1) Ein Situation Monitor, welcher feststellt, ob die aktuelle Situation während der Design Time berücksichtigt wurde, (2) ein Validity Monitor, welcher feststellt, ob die Ergebnisse des KI-basierte Umgebungswahrnehmungssystems sicher gegenüber der Ergebnisse ist und (3) ein Function Monitor, welcher Verletzungen der Zielfunktion gegenüber Sicherheitsspezifikationen erkennt.

Ansprechpartner:
E-Mail: Iqra Aslam

Projekt-Website: Link

Im Rahmen ihres Zukunftskonzeptes 2030 hat die TU Clausthal sich dem Leitthema der Circular Economy verschrieben. Während studiengangsspezifische Lehrveranstaltungen sich mit selektiven Aspekten der Circular Economy beschäftigen, mangelt es an einem universitätsweiten Grundlagenkurs für alle Studierenden, welcher die wesentlichen Konzepte und Grundlagen zu Nachhaltigkeit, Umweltverschmutzung, Ressourcenknappheit und der Circular Economy vermittelt.

Da der Limits to Growth (LTG) Kurs allen Studierenden der TU Clausthal – und in Zukunft auch weiteren Universitäten, z.B. der Georg-August-Universität ab dem SS2023 als Teil der universitätsweiten Soft Skill Module bzw. der Ostfalia Hochschule im Rahmen des gemeinsamen Digital Technologies Studienganges – offen steht Bedarf es eines angepassten Lehrformates und einer entsprechenden technischen Unterstützung. Geplant ist eine Umsetzung des LTG Kurses als Massive Open Online Course (MOOC) welcher traditionelle Formen der Wissensvermittlung (Folien, Aufzeichnungen, etc.) über eine IT-getriebene Infrastruktur skaliert und um weitere technische Features wie Foren, Quizze und andere Formen von (semi-) automatisiert bzw. via Peer-Feedback zu bewertenden Aufgaben erweitert. Darüber hinaus bieten entsprechende MOOC Plattformen den Teilnehmenden Interaktions- und Vernetzungsmöglichkeiten sowie die Möglichkeit zum asynchronen Lernen, bei dem die Studierenden anhand ihres eigenen Zeitplanes studieren. Dabei erhalten sie Zugang zu allen Lehr- und Lernmaterialien, welche in regelmäßigen Treffen besprochen werden – gefolgt von optionalen Frage-Antwort-Sitzungen zur Klärung eventueller Fragen. Sämtliche Lehr- und Lernmaterialien, Aufzeichnungen, Hausaufgaben, Tutorials, etc. werden unter einer Open-Source-Lizenz (CC-BY-SA-4.0) veröffentlicht und stehen somit als direkt integrierbare Lehreinheiten oder als Grundlage für weitere Lehrveranstaltungen frei zur Verfügung.

Ansprechpartner:
Prof. Dr. Benjamin Leiding benjamin.leiding@tu-clausthal.de

Projekt-Webseite: https://www.sorec-greentech.de/

Das Schließen von Material- und Stoffkreisläufen ist ein integraler Bestandteil der Kreislaufwirtschaft. Viele Produkte (insb. elektronische Geräte) werden bezüglich ihres Aufbaus und der eingesetzten Rohstoffe, immer komplexer. Zur Rohstoffrückgewinnung müssen die Stoffströme in immer feinere Korngrößen zerkleinert werden. In der Regel erzielen trockene Sortierprozesse im feinen Korngrößenbereich mit geringeren Durchsätzen gute Sortierergebnisse. Ab einer gewissen Steigerung der Durchsatzleistung lässt die Qualität der Sortierergebnisse stark nach. Um wirtschaftlich zu arbeiten, werden Sortiermaschinen so nah wie möglich am „Kipppunkt“ zwischen guter Qualität und maximalem Durchsatz gefahren, die Ausfallzeiten werden durch regelmäßige Wartungen reduziert. Schwankungen der Durchsatzleistung führen zum Unter- und Überschreiten des optimalen Betriebspunkts, im schlimmsten Fall müssen die erzeugten Fraktionen kostspielig nachsortiert werden.
Das SoRec Projektes widmet sich der Digitalisierung von Sortierprozessen für feinkörnige, metallhaltige Stoffströme in der Recyclingindustrie. Durch die Installation von optischen Erkennungssystemen wird der Sortierprozess überwacht und Daten wie der Massendurchsatz, die Partikelgröße und Störstoffe gewonnen. Diese werden zur Regelung bzw. zur Kontrolle des Sortierprozesses genutz. Darüber hinaus werden sie mit weiteren Maschinenparametern und Sensoren zu einem vollumfänglichen Datenbild in Form eines Digital Twins zusammengeführt. Auf diese Wiese können Sortier- und Recyclingsysteme teilautomatisiert und mit minimalem Personalaufwand betrieben werden. Wirtschaftliche Vorteile ergeben sich aus dem maximierten Durchsatz des Systems, verringerten Ausfallzeiten, sowie der höheren  Sortierqualität. Aus kreislaufwirtschaftlicher Sicht steigt die Rückgewinnungsquote von bereits extrahierten Rohstoffen zur zirkulären Nutzung und die Schließung von Material- und Stoffkreisläufen.

Ansprechpartner:
Prof. Dr. Benjamin Leiding benjamin.leiding@tu-clausthal.de

Im Bereich der untertägigen Bewirtschaftung haben bisherige Simulationsmodelle einzelne Aspekte wie Geologie, Hohlraumgeometrie, Wettertechnik/Strömungsmechanik und Geomechanik separat betrachtet. Eine umfassendere Modellkopplung ermöglicht jedoch eine ganzheitlichere Analyse der Systemzusammenhänge und der Abhängigkeiten der Modelle untereinander. Im Rahmen des MOVIE-Projekts wird ein hybrides Modell unter Einsatz künstlicher Intelligenz entwickelt, um die Rechenzeit für diese Simulationsmodelle zu optimieren und eine interaktive Nutzung im virtuellen Labor zu ermöglichen. Dabei wird ein retrospektiver Simulationsansatz verwendet, bei dem die Prognosen basierend auf historischen Daten mit aktuellen Messungen aus dem realen Untertagelabor verglichen werden. Die dadurch ermittelte Differenz wird zur Feinabstimmung des Modells genutzt.

Projektpartner: TU Clausthal - Institut für Bergbau (IBB), Institut für Endlagerforschung (IELF-LR und IELF-GM), Institute for Software and Systems Engineering (ISSE); Technische Universität Bergakademie Freiberg - Institut für Bergbau und Spezialtiefbau,  Forschungs- und Lehrbergwerk (FLB) „Reiche Zeche“; fibrisTerre Systems GmbH (Berlin) und die Terranigma Solutions GmbH (Aachen).

Ansprechpartner: Dhananjeyan Jeyaraj

Dieses Projekt ist Teil des Graduiertenkollegs CircularLIB zur kreislauforientierten Produktion von Lithium-Ionen-Batterien. In diesem Programm kooperieren die drei Universitäten TU Braunschweig, TU Clausthal und die Leibnitz Universität Hannover zusammen mit dem Fraunhofer-Institut für Schicht- und Oberflächentechnik IST.

Ziel ist die Erforschung eines hybriden KI-basierten Modellierungsansatzes für Lithium-Ionen-Batterien. In jüngster Zeit kommt auch im Kontext der klassischen Ingenieurdisziplinen vermehrt maschinelles Lernen zum Einsatz. Insbesondere Deep-Learning-Ansätze bieten schnelle und relativ genaue Modellierungsansätze, die auf dem Lernen bestimmter Aufgaben aus Beispielen basieren. Dies ist vor allem im Zusammenhang mit hochdimensionalen komplexen Systemen, bei denen die zugrunde liegende Physik nicht vollständig bekannt ist oder der Rechenaufwand für die Simulation mit herkömmlichen numerischen Methoden hoch ist, von entscheidendem Interesse. Ein weiterer Aspekt, der den Einsatz von Deep-Learning-Ansätzen fördert, ist der Bedarf an schnellen Modellen, die in iterativen Aufgaben wie Optimierung und Steuerung eingesetzt werden können. Bei datengesteuerten Modellen handelt es sich jedoch in der Regel um Black-Box-Ansätze, die nur auf der Grundlage von Daten entwickelt werden und physikalisches Wissen oder Randbedingungen nicht explizit in die Modellentwicklung einbeziehen. Dies kann dazu führen, dass es solchen Modellen an Robustheit und Genauigkeit mangelt, insbesondere bei begrenzten Trainingsdaten.

Die jüngsten Fortschritte im Bereich des physikalisch informierten maschinellen Lernens haben zu einer Reihe von Ansätzen geführt, die sich gut für die Lösung von verschiedenen Arten von partiellen Differentialgleichungen (PDEs) eignen. Dieses Projekt zielt darauf ab, Modelle zu entwickeln, die sowohl auf Daten als auch auf verfügbarem physikalischem Wissen für Lithium-Ionen-Batterien basieren.  Hierbei kommen physikalisch informierte maschinelle Lernverfahren zum Einsatz, die einen hybriden KI-basierten Modellierungsansatz erlauben.

Ansprechpartner: Hamidreza Eivazi Kourabbaslou