Sensor-based characterization of anthropogenic material systems: developing characterization methods and novel applications for optimizing the mechanical recycling of lightweight packaging waste

Kroell, Nils; Pomberger, Roland; Greiff, Kathrin

doi:HT030618531

Sensor-based characterization of anthropogenic material systems: developing characterization methods and novel applications for optimizing the mechanical recycling of lightweight packaging waste

Kroell, Nils^RWTH*

2023 & 2024

Verantwortlichkeitsangabesubmitted by Nils Kroell, M.Sc.

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2023, Kumulative Dissertation

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Greiff, Kathrin (Thesis advisor)^RWTH* ; Pomberger, Roland (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2023-12-01

Online
DOI: 10.18154/RWTH-2023-11638
URL: https://publications.rwth-aachen.de/record/974799/files/974799.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
Data Science (frei) ; Inline Sensortechnik (frei) ; Kreislaufwirtschaft (frei) ; Nahinfrarotspektroskopie (frei) ; circular economy (frei) ; inline sensor technology (frei) ; machine learning (frei) ; maschinelles Lernen (frei) ; mechanical plastic recycling (frei) ; mechanisches Kunststoffrecycling (frei) ; near-infrared spectroscopy (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Das mechanische Recycling von Post-Consumer Kunststoffverpackungen ist durch den hohen Aufwand einer manuellen Stoffstromcharakterisierung von einer weitgehend fehlenden Transparenz geprägt. Aufgrund dieser fehlenden Transparenz können Sammelprozesse häufig nicht zielgerichtet optimiert werden, Sortier- und Aufbereitungsanlagen nicht adaptiv auf schwankende Inputstoffströme ausgelegt werden und es fehlt oftmals an Vertrauen in Sekundärrohstoffe. Die vorliegende Dissertation zeigt auf, wie sich Sensortechnik im mechanischen Recycling von einer Sortiertechnologie hin zu einer Schlüsseltechnologie zur Ermöglichung von Transparenz weiterentwickeln kann und welche Optimierungspotenziale sich daraus ableiten lassen. Im ersten Teil der Dissertation wurde hierzu ein systematisches Literaturreview durchgeführt, welches eine vereinheitlichte Terminologie einführt, einen fundierten Überblick über den aktuellen Forschungsstand gibt und daraus zehn zukünftige Forschungspotenziale aufgedeckt. Im zweiten Teil wurden neuartige Charakterisierungsmethoden zur Extraktion massenbasierter Stoffstromzusammensetzungen aus flächen-/volumenbasierter Sensordaten entwickelt. Hierbei gelang es, Machine Learning Modelle zur trainieren, mit denen sich binäre Zusammensetzungen von Kunststoffflakes und Post-Consumer Kunststoffverpackungen mit einer Messunsicherheit von respektive 1,2 vol% und 2,4 Ma.-% über verschiedene Stoffstrompräsentationen und -zusammensetzungen hinweg mittels Nahinfrarot (NIR)-Sensoren bestimmen lassen. Basierend auf den entwickelten Charakterisierungsmethoden wurden im dritten Teil zwei innovative Sensortechnik-Anwendungen im industriellen Maßstab demonstriert. Erstens wurde ein sensorbasiertes Qualitätsmonitoring für Kunststoffvorkonzentrate aus Sortieranlagen mittels Inline-NIR-Sensoren entwickelt. Hierbei wurde am Beispiel einer PET-Tray Fraktion gezeigt, dass es möglich ist, massenbasierte Produktreinheiten sensorbasiert mit einer Messunsicherheit von 0,31 Ma.-% zu bestimmen. Im Abgleich mit probenahmebasierten Qualitätsanalysen nach Stand der Technik zeigte sich, dass mehr als 350 kg eines 600 kg PET Tray Vorkonzentratballens manuell hätten analysiert werden müssen, um eine vergleichbare Messgenauigkeit zu erzielen. Zweitens wurden Inline-NIR-Sensoren zum sensorbasierten Prozessmonitoring eines industriellen Sensorsortierers eingesetzt. Mittels künstlicher neuronaler Netze wurde hieraus ein Prozessmodell entwickelt, das das Sortierverhalten des Sensorsortierers über verschiedene Sortierszenarien hinweg mit einem mittleren absoluten Fehler von 3,0 % vorhersagen kann. Zusammenfassend demonstriert die Dissertation vielversprechende Potenziale von Sensortechnik zur Optimierung der Kreislaufwirtschaft. Auf Basis der erzeugten Transparenz können zukünftig Prozessverbesserungen in einzelnen Wertschöpfungsstufen sowie wertschöpfungskettenübergreifend implementiert und damit die Menge und Qualität im Kreislauf geführter Materialien und daraus erzielte ökologische und ökonomische Vorteile gesteigert werden.

Mechanical recycling of post-consumer plastic packaging is characterized by a high lack of transparency due to the high effort of manual material flow characterization. As a consequence, optimizing collection processes in a targeted manner as well as adaptively designing and operating sorting and processing plants are often not possible, and confidence in secondary raw materials is often missing. This dissertation demonstrates how sensor technology in mechanical recycling can evolve from a sorting technology towards a key technology for enabling value-chain-wide transparency, and what optimization potentials can be derived from this enabled transparency. In the first part of the dissertation, a systematic literature review was conducted, which introduces a unified terminology, provides a comprehensive overview of the current state of research and identifies ten essential future research potentials. In the second part, novel characterization methods for extracting mass-based material flow compositions from area/volume-based sensor data were developed. Machine learning models were successfully trained to determine binary compositions of plastic flakes and post-consumer plastic packaging with a measurement uncertainty of 1.2 vol% and 2.4 wt%, respectively, across different material flow presentations and compositions using near-infrared (NIR) sensors. Based on the developed characterization methods, two novel sensor technology applications were demonstrated at industrial scale in the third part. First, a sensor-based quality monitoring of plastic pre-concentrates from sorting plants was developed using inline NIR sensors. The results showed that for a PET tray fraction as an example, sensor-based quality control of mass-based product purities is possible with a measurement uncertainity of 0.31 wt%. In comparison with state-of-the-art sampling-based quality analyses, it was shown that more than 350 kg of a 600 kg PET tray pre-concentrate bale would need to be analyzed manually to achieve a comparable measurement accuracy. Second, inline NIR sensors were used for sensor-based process monitoring of an industrial sensor-based sorting (SBS) unit. Using artificial neural networks, the process data was used to develop a process model that can predict the sorting behavior of the SBS unit across different sorting scenarios with a mean absolute error of 3.0%. In summary, the dissertation demonstrates the promising potentials of sensor technology in optimizing the circular economy. Based on the generated transparency, future process improvements can be implemented in individual process stages and across value chains, thus increasing the quantity and quality of recycled materials and the resulting ecological and economic benefits.

OpenAccess:
PDF
(additional files)