Überblick

Durch die steigende Bevölkerung und eine expandierende Weltwirtschaft steigt die Menge des weltweit produzierten Abfalls kontinuierlich an. Ein Großteil des Abfalls wird heutzutage immer noch auf Deponien entsorgt und verbrannt, anstatt aufbereitet und wiederverwendet zu werden. Um die einzelnen Materialien effizient voneinander trennen zu können (z.B. in einem Wirbelschichtabscheider) ist ein detailliertes Wissen über die Gas-Feststoff-Wechselwirkungen dieser komplexen granularen Gemische unabdingbar. Daher besteht der Bedarf an einem "Expertensystem", das die Klassifizierung von Partikeln durchführen kann und gleichzeitig die Orientierungsinformationen für eine polydisperse, vielgestaltige Partikelströmung mit "minimaler Überwachung" extrahiert.

Am Institut für Thermische Strömungsmaschinen wird daher untersucht, inwieweit ein mittels synthetischer Daten trainiertes und auf Objekterkennung spezialisiertes Deep Learning Modell in der Lage ist, die Form und Orientierungstendenzen von beliebig geformten Partikeln zu extrahieren. Entscheidend ist dabei, einen Trainingsdatensatz mit möglichst realen Bildern verschiedener Partikel, bei denen Form und Orientierung bekannt sind, zu generieren. Dies kann einerseits über eine möglichst gute Abbildung realer Partikel in einer virtuellen Welt erfolgen, die dann zur Generierung beliebiger synthetischer Trainingsdaten verwendet werden kann oder aber durch den Einsatz realer Aufnahmen von Partikeln, die automatisiert unter Zuhilfenahme synthetischer Daten gelabelt werden und dann als Trainingsdaten verwendet werden können.

Ziel des Projektes ist daher die Entwicklung einer KI-basierten Plattform zur Lösung dieses Bildklassifizierungs- und Orientierungstendenzproblems für den Abfalltrennungsprozess im Rahmen des "Zero Waste"-Kreislaufs. Diese Schnittstelle hat das Potenzial, bei der Lösung des Problems der Turbulenz-Granulat-Wechselwirkungen auf proaktive Weise zu helfen, indem die zugrunde liegende Dynamik untersucht wird und explizite Korrelationen extrahiert werden können - ein wichtiger strategischer Schritt, um das Ziel der "Null-Abfall-Städte" zu erreichen.

Herausforderungen

• Generierung eines ausreichend großen Trainingsdatensatzes mittels synthetischer Daten
• Identifizierung einzelner Partikel im Bild über ein Objekterkennungsmodell oder andere Methoden der Partikelverfolgung
• Extrahierung von Form und Orientierungstendenzen der Partikel aus einer Zeitreihe von Aufnahmen, aufgenommen aus verschiedenen Positionen
• Validierung der Plattform mittels realer Partikelströmungen im Experiment