Sensorbasierte Vorhersage von Korngrössenverteilungen durch Machine Learning Modelle auf Basis von 3D-Lasertriangulationsmessungen

Abstract

Ein ausschlaggebendes Qualitätskriterium für Recyclingbaustoffe ist die Korngrössenverteilung (KGV) nach DIN 66165-1, die mittels manueller Siebanalysen bestimmt wird. Siebanalysen sind zeit- und kostenaufwändig und Analyseergebnisse nur mit Zeitverzug verfügbar. Eine sensorbasierte Ermittlung von KGVs würde diese Probleme lösen und neue Anwendungen wie ein automatisiertes Qualitätsmonitoring ermöglichen. Zur Untersuchung der technischen Machbarkeit wurden 78.575 und 102.736 Partikel aus Quarzkies und RC-Material (3,15 mm - 31,5 mm) mittels 3D-Lasertriangulation vermessen, um die Korngrösse mittels Machine Learning (ML) vorherzusagen. Die trainierten ML-Modelle ermöglichen eine präzise Vorhersage der Korngrösse je Partikel (R$^2$ textgreater 0,95) und die aus den Vorhersagen abgeleiteten KGVs stimmen bis auf ± 1,4 Ma.-% (mittlerer Fehler) mit den wahren KGVs überein.