Raman-spektroskopische Klassifikation von Mineralen und Gesteinen unter Einsatz von Machine Learning - Mit Fokus auf sensorgestützte Charakterisierung von (Tunnel-) Aushubmaterialien

In Österreich werden (Tunnel-) Aushubmaterialien, sofern sie nicht gemäß § 5 des Abfallwirtschaftsgesetzes am Ort der Entstehung einer Verwendung zugeführt werden, im Abfallregime eingeordnet. Aushubmaterialien stellen mit einem Anteil von 57 % des Gesamtaufkommens - 38,1 Millionen Tonnen - den mengenmäßig größten Abfallstrom Österreichs dar. Die gesetzlichen Rahmenbedingungen sowie geringe Entsorgungskosten begünstigen die Deponierung dieser Materialien. Zeitgleich werden in Österreich Primärrohstoffe zur Herstellung von Gesteinskörnungen, Zuschlagsstoffen und Baustoffen abgebaut. Das Forschungsprojekt NNATT (Langtitel: Nachhaltige Nutzung von Aushubmaterialien des Tief- & Tunnelbaus mithilfe sensorgestützter Technologien) hat das Ziel, mineralische Sekundärrohstoffe sensorbasiert zu identifizieren und anschließend einer nachhaltigen Verwendung zuzuführen, um Primärressourcen zu sparen, Transportwege zu verkürzen und Deponierungsvolumen zu reduzieren. Um eine präzise Klassifikation zu gewährleisten, werden verschiedene Methoden der optischen Spektroskopie im Rahmen der Sensorfusion kombiniert. Diese Arbeit beschäftigt sich mit der grundlegenden Charakterisierung von Mineralen und Gesteinen mit einem für das Projekt entwickelten Raman-System. Der Fokus liegt auf Granit, Sandstein, karbonatischen Gesteinen sowie den gesteinsbildenden Mineralen. Durch schnelle Abtastraten soll eine Materialidentifizierung auf einem konstant bewegten Förderband ermöglicht werden. Erste Versuche an Mineralen und Gesteinen unter statischen Bedingungen (Messungen am ruhenden Material) deuten darauf hin, dass die, durch das im Projekt verwendete System gemessenen Daten nur begrenzt mit Literaturwerten oder Referenzdatenbanken verglichen werden können. Hingegen dazu zeigt die Auswertung mittels Machine-Learning-Modellen, dass eine Klassifikation von Mineralen und Gesteinen unter statischen Messbedingungen durch eine eigens aufgebaute Datenbank eine hohe Testgenauigkeit und Reproduzierbarkeit aufweist. Messungen unter dynamischen Bedingungen (Messungen während des Materialtransportes) können von den zuvor erfolgreich genutzten Modellen nicht ausgewertet werden.