h1

000974799 001__ 974799
000974799 005__ 20250930142703.0
000974799 0247_ $$2HBZ$$aHT030618531
000974799 0247_ $$2Laufende Nummer$$a42928
000974799 0247_ $$2datacite_doi$$a10.18154/RWTH-2023-11638
000974799 037__ $$aRWTH-2023-11638
000974799 041__ $$aEnglish
000974799 082__ $$a620
000974799 1001_ $$0P:(DE-82)IDM04123$$aKroell, Nils$$b0$$urwth
000974799 245__ $$aSensor-based characterization of anthropogenic material systems: developing characterization methods and novel applications for optimizing the mechanical recycling of lightweight packaging waste$$csubmitted by Nils Kroell, M.Sc.$$honline
000974799 260__ $$aAachen$$bRWTH Aachen University$$c2023
000974799 260__ $$c2024
000974799 300__ $$a1 Online-Ressource : Illustrationen, Diagramme
000974799 3367_ $$02$$2EndNote$$aThesis
000974799 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000974799 3367_ $$2BibTeX$$aPHDTHESIS
000974799 3367_ $$2DRIVER$$adoctoralThesis
000974799 3367_ $$2DataCite$$aOutput Types/Dissertation
000974799 3367_ $$2ORCID$$aDISSERTATION
000974799 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024
000974799 502__ $$aDissertation, RWTH Aachen University, 2023, Kumulative Dissertation$$bDissertation$$cRWTH Aachen University$$d2023$$gFak05$$o2023-12-01
000974799 5203_ $$aDas 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.$$lger
000974799 520__ $$aMechanical 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.$$leng
000974799 588__ $$aDataset connected to Lobid/HBZ
000974799 591__ $$aGermany
000974799 653_7 $$aData Science
000974799 653_7 $$aInline Sensortechnik
000974799 653_7 $$aKreislaufwirtschaft
000974799 653_7 $$aNahinfrarotspektroskopie
000974799 653_7 $$acircular economy
000974799 653_7 $$ainline sensor technology
000974799 653_7 $$amachine learning
000974799 653_7 $$amaschinelles Lernen
000974799 653_7 $$amechanical plastic recycling
000974799 653_7 $$amechanisches Kunststoffrecycling
000974799 653_7 $$anear-infrared spectroscopy
000974799 7001_ $$0P:(DE-82)IDM04767$$aGreiff, Kathrin$$b1$$eThesis advisor$$urwth
000974799 7001_ $$aPomberger, Roland$$b2$$eThesis advisor
000974799 7870_ $$0RWTH-2021-03518$$iRelatedTo
000974799 7870_ $$0RWTH-2021-10057$$iRelatedTo
000974799 7870_ $$0RWTH-2022-06579$$iRelatedTo
000974799 7870_ $$0RWTH-2023-01395$$iRelatedTo
000974799 7870_ $$0RWTH-2023-03005$$iRelatedTo
000974799 7870_ $$0RWTH-2023-10416$$iRelatedTo
000974799 7870_ $$0RWTH-2023-11056$$iRelatedTo
000974799 8564_ $$uhttps://publications.rwth-aachen.de/record/974799/files/974799.pdf$$yOpenAccess
000974799 8564_ $$uhttps://publications.rwth-aachen.de/record/974799/files/974799_source.zip$$yRestricted
000974799 909CO $$ooai:publications.rwth-aachen.de:974799$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000974799 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM04123$$aRWTH Aachen$$b0$$kRWTH
000974799 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM04767$$aRWTH Aachen$$b1$$kRWTH
000974799 9141_ $$y2023
000974799 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000974799 9201_ $$0I:(DE-82)512110_20140620$$k512110$$lLehrstuhl für Anthropogene Stoffkreisläufe und Institut für Aufbereitung, Kokerei und Brikettierung$$x0
000974799 9201_ $$0I:(DE-82)510000_20140620$$k510000$$lFachgruppe für Rohstoffe und Entsorgungstechnik$$x1
000974799 961__ $$c2024-02-22T08:55:29.285533$$x2023-12-11T15:55:38.940251$$z2024-02-22T08:55:29.285533
000974799 9801_ $$aFullTexts
000974799 980__ $$aI:(DE-82)510000_20140620
000974799 980__ $$aI:(DE-82)512110_20140620
000974799 980__ $$aUNRESTRICTED
000974799 980__ $$aVDB
000974799 980__ $$aphd