TY - GEN

T1 - Methoden zur Optimierung der Erkennung von Mehrschichtfolien

AU - Koinig, Gerald

AU - Vollprecht, Daniel

AU - Rutrecht, Bettina

PY - 2022/3/17

Y1 - 2022/3/17

N2 - Die steigende Verbreitung von eingesetzten Mehrschichtverpackungsfolien stellt die Entsorgungsindustrie vor zunehmende Herausforderungen. Die derzeit stattfindende thermische Verwertung dieser Fraktion ist in Hinblick auf strenger werdende Recyclingquoten seitens der EU durch neuartige Technologien zu ersetzen, die eine kostengünstige und wertschöpfende stoffliche Verwertung ermöglichen. Die Nahinfrarotspektroskopie birgt hier, als weitverbreitete Methode zur Klassifizierung und Sortierung von Kunststoffabfällen, Potential. Im Rahmen dieser Arbeit wurde untersucht, inwieweit ein State of The Art Nahinfrarotsortieraggregat durch Adaptierungen in der Aufnahmegeometrie in die Lage versetzt werden kann, verwertbare Spektren aus dünnschichtigen Materialien zu gewinnen. Durch Adaptierungen, wie etwa angepasster Belichtung, konnte die Spektralqualität trotz für die Nahinfrarotspektroskopie ungeeigneter Materialeigenschaften, wie etwa Schichtdicken im Micrometerbereich, erhöht werden. Die so gewonnenen Spektren wurden herangezogen, um Machine Learning Algorithmen für die Aufgabe zu trainieren, Einschichtfolien und Mehrschichtfolien voneinander zu unterscheiden, ohne vorher explizit sämtliche zu erwartenden Spektren von Mehrschichtfolienkombinationen einprogrammiert zu haben. Hierbei wurden verschiedene Machine Learning Algorithmen auf ihre Rechengeschwindigkeit und Prognosegenauigkeit untersucht. Dabei hat sich die Support Vector Machine mit vorangegangener Hauptkomponentenzerlegung als beste Variante herausgestellt. Ferner konnten durch die verbesserte Spektralqualität Post Processing Methoden angewandt werden, die eine weitere Verbesserung der Spektren ermöglichen. So konnte nach Anwendung einer Fast Fourier Transformationen ein, das Spektrum überlagernder Störeffekt, nämlich durch destruktive Interferenzen verursachte Sinusschwingungen, identifiziert und eliminiert werden.

AB - Die steigende Verbreitung von eingesetzten Mehrschichtverpackungsfolien stellt die Entsorgungsindustrie vor zunehmende Herausforderungen. Die derzeit stattfindende thermische Verwertung dieser Fraktion ist in Hinblick auf strenger werdende Recyclingquoten seitens der EU durch neuartige Technologien zu ersetzen, die eine kostengünstige und wertschöpfende stoffliche Verwertung ermöglichen. Die Nahinfrarotspektroskopie birgt hier, als weitverbreitete Methode zur Klassifizierung und Sortierung von Kunststoffabfällen, Potential. Im Rahmen dieser Arbeit wurde untersucht, inwieweit ein State of The Art Nahinfrarotsortieraggregat durch Adaptierungen in der Aufnahmegeometrie in die Lage versetzt werden kann, verwertbare Spektren aus dünnschichtigen Materialien zu gewinnen. Durch Adaptierungen, wie etwa angepasster Belichtung, konnte die Spektralqualität trotz für die Nahinfrarotspektroskopie ungeeigneter Materialeigenschaften, wie etwa Schichtdicken im Micrometerbereich, erhöht werden. Die so gewonnenen Spektren wurden herangezogen, um Machine Learning Algorithmen für die Aufgabe zu trainieren, Einschichtfolien und Mehrschichtfolien voneinander zu unterscheiden, ohne vorher explizit sämtliche zu erwartenden Spektren von Mehrschichtfolienkombinationen einprogrammiert zu haben. Hierbei wurden verschiedene Machine Learning Algorithmen auf ihre Rechengeschwindigkeit und Prognosegenauigkeit untersucht. Dabei hat sich die Support Vector Machine mit vorangegangener Hauptkomponentenzerlegung als beste Variante herausgestellt. Ferner konnten durch die verbesserte Spektralqualität Post Processing Methoden angewandt werden, die eine weitere Verbesserung der Spektren ermöglichen. So konnte nach Anwendung einer Fast Fourier Transformationen ein, das Spektrum überlagernder Störeffekt, nämlich durch destruktive Interferenzen verursachte Sinusschwingungen, identifiziert und eliminiert werden.

KW - Nahinfrarot

KW - Kunststoffrecycling

KW - Mehrschichtfolien

KW - Einschichtfolien

KW - Leichtverpackung

KW - Machine Learning

M3 - Beitrag in Konferenzband

SN - 978-3-99106-064-2

VL - 11

SP - 127

EP - 132

BT - 11. Wissenschaftskongress

A2 - Rotter, Vera Susanne

PB - Innsbruck Univ. Press

CY - Dresden

T2 - 11. Wissenschaftskongress „Abfall- und Ressourcenwirtschaft“ der DGAW e.V.

Y2 - 16 March 2022 through 18 March 2022

ER -