Die entscheidende Frage war, ob die automatisierte Sortierung die Qualität der Materialtrennung verbessert und gleichzeitig wirtschaftlich rentabel ist. In der Studie „Machine learning-based automated waste sorting in the construction industry: A comparative competitiveness case study“ haben sie ihre Ergebnisse präsentiert. Die Studie wurde in „Waste Management“ veröffentlicht.
Die Bau- und Abbruchwirtschaft gehört zu den Branchen mit dem höchsten Ressourcenverbrauch. Gleichzeitig entstehen dort große Mengen an Beton, Holz, Metallen, Kunststoffen, Dämmstoffen und weiteren Materialien. Viele dieser Stoffe lassen sich grundsätzlich wiederverwerten. Oftmals entscheidet jedoch die Qualität der Sortierung darüber, ob eine stoffliche Verwertung möglich ist oder nicht.
In diesem Zusammenhang vergleicht die Studie auf maschinellem Lernen (ML) basierende Sortiersysteme mit herkömmlichen Verfahren. Sie untersucht, wie sich diese Technologie auf Materialqualität, Recyclingfähigkeit und Kosten auswirkt.
Einschränkungen der herkömmlichen Sortierung
Die meisten traditionellen Sortierprozesse setzen auf mechanische Trennverfahren und manuelle Nachsortierung. Bau- und Abbruchabfälle werden zunächst gesammelt und häufig zerkleinert. Anschließend kommen unter anderem Fördertechnik, Siebe, Magnetabscheider und Windsichter zum Einsatz. Zusätzlich erfolgt an vielen Anlagen eine manuelle Qualitätskontrolle.
Die Studie beschreibt diesen Ablauf im Detail. Nach der Anlieferung werden die Materialien zunächst aufbereitet; anschließend folgen mehrere Trennschritte. Mitarbeitende entfernen Störstoffe, kontrollieren Materialströme und sortieren verwertbare Fraktionen.
Dieses Vorgehen funktioniert in vielen Anlagen zuverlässig. Gleichzeitig entstehen Herausforderungen, wenn Materialströme komplexer werden. Verbundmaterialien, Mischfraktionen und neue Baustoffe erschweren die Trennung. Zudem wird die Qualität der Sortierung teilweise von Faktoren wie Aufmerksamkeit, Materialgeschwindigkeit und Zusammensetzung der Stoffströme beeinflusst.
Auch die Verfügbarkeit von Personal spielt eine Rolle. Viele Unternehmen der Entsorgungs- und Recyclingbranche berichten von Schwierigkeiten, Stellen im Bereich der manuellen Sortierung zu besetzen.
Darüber hinaus steigen die Anforderungen an die Qualität von Sekundärrohstoffen. Für viele Anwendungen werden klar definierte Materialeigenschaften benötigt. Diese lassen sich nicht in jedem Fall mit den gleichen Ergebnissen erreichen.
Ein weiterer Punkt betrifft den Energieeinsatz. Zahlreiche Anlagen sind auf eine vorgelagerte Zerkleinerung angewiesen. Dieser zusätzliche Schritt im Prozess führt zu Energieverbrauch und Verschleiß der Anlagen.
Wenn Maschinen Materialien identifizieren
ML-basierte Sortiersysteme verfolgen einen anderen Ansatz. Die in der Untersuchung betrachtete Anlage des Unternehmens ZenRobotics vereint Sensorik, Bilderkennung und Robotik.
Optische Sensoren, Kamerasysteme und Nahinfrarottechnologie kommen dabei zum Einsatz. Die Software wertet die erfassten Daten in Echtzeit aus, identifiziert Materialarten und steuert Robotergreifer, die einzelne Objekte aus dem Materialstrom entnehmen.
Ein entscheidender Vorteil ist die Fähigkeit, komplexe und heterogene Materialien zu erkennen. Laut der Studie führt die Steuerungseinheit eine Zusammenführung und Bewertung der Sensordaten durch, indem sie Machine-Learning-Methoden anwendet. Neue Daten können zur weiteren Verbesserung der Erkennungsleistung genutzt werden.
Die Autoren weisen außerdem darauf hin, dass bestimmte große oder unregelmäßige Objekte direkt verarbeitet werden können. Dadurch kann der Bedarf an zusätzlicher Vorzerkleinerung in einzelnen Anwendungsfällen sinken.
Hinzu kommt eine feinere Differenzierung der Stoffströme. Manuelle Sortierplätze können nur eine begrenzte Anzahl von Fraktionen gleichzeitig bearbeiten, während automatisierte Sortieranlagen mehr Materialkategorien parallel erfassen und trennen können.
Materialqualität entscheidend
Die Untersuchung betrachtet die Entwicklung im Kontext der Kreislaufwirtschaft. Hierbei geht es nicht nur um die Recyclingquote; auch die Qualität der zurückgewonnenen Materialien ist von großer Bedeutung.
Je höher die Reinheit eines Sekundärrohstoffs ist, desto vielfältiger sind die Einsatzmöglichkeiten, besonders bei Metallen, Kunststoffen und Holzfraktionen. Eine genauere Trennung kann Verunreinigungen minimieren und die Wiederverwendung der Materialien erleichtern.
Die Autoren verweisen außerdem auf regulatorische Entwicklungen in Europa. Unternehmen müssen zunehmend dokumentieren, wie Materialien verarbeitet, getrennt und wiederverwendet werden. Digitale Sortiersysteme können dafür zusätzliche Prozessdaten bereitstellen.
Im Kontext der ESG-Berichterstattung, der Recyclingziele und der Dokumentationspflichten sind belastbare Daten über Materialströme entscheidend. Automatisierte Systeme sind in der Lage, einen Teil dieser Informationen direkt während des Sortierprozesses zu erfassen.
Skalierung abhängig von Wirtschaftlichkeit
Die Akzeptanz neuer Technologien hängt unter anderem von ihren Kosten ab. Daher ist die Wirtschaftlichkeitsanalyse ein wichtiger Bestandteil der Studie.
Die Autoren vergleichen die Gesamtkosten konventioneller Sortierung mit denen eines ML-basierten Systems über sieben Jahre. Trotz höherer Anfangsinvestitionen zeigen sich in der langfristigen Fallstudie geringere Gesamtkosten.
Nach Angaben der Studie lagen die kumulierten Kosten bei 12,76 Millionen Euro gegenüber 21,47 Millionen Euro für die konventionelle Variante.
Die Autoren führen diesen Unterschied auf mehrere Faktoren zurück. Der Bedarf an manueller Sortierarbeit sinkt; gleichzeitig verbessern sich die Trennungsergebnisse. Höhere Materialreinheiten erleichtern die Vermarktung von Sekundärrohstoffen; zudem fallen weniger Fehlwürfe und Reststoffmengen an.
Über längere Zeiträume können automatisierte Systeme zudem mit konstantem Leistungsniveau betrieben werden. Dadurch erhöht sich die Anlagenauslastung.
Die Studie macht jedoch deutlich, dass die Wirtschaftlichkeit von den spezifischen Rahmenbedingungen abhängt. Faktoren wie Investitionskosten, Energiepreise, Arbeitskosten und regionale Stoffstrommengen haben einen erheblichen Einfluss auf das Ergebnis.
Neue Struktur der Recyclingwirtschaft
Laut den Ergebnissen der Studie ist digitale Sortierung mehr als nur eine weitere Automatisierung innerhalb einer Recyclinganlage.
Während die Digitalisierung im Bauwesen bisher hauptsächlich Planung, BIM und Baustellenprozesse betraf, wird nun auch die Phase nach dem Rückbau verstärkt berücksichtigt. Materialströme können erfasst, dokumentiert und teilweise automatisiert gesteuert werden.
So entstehen neue Chancen entlang der Wertschöpfungskette. Es ist denkbar, dass Rückbauunternehmen in Zukunft detaillierte Materialdaten an Recyclinganlagen übermitteln. Diese könnten dann verwendet werden, um Sortierprozesse gezielt zu steuern.
Auch für Hersteller von Baustoffen werden hochwertige Sekundärrohstoffe zunehmend interessant. Die steigenden Anforderungen an Ressourceneffizienz und Rohstoffversorgung machen wiederverwertbare Materialien immer wichtiger.
Im Rahmen der Diskussion über Rohstoffversorgung und Lieferketten kann hochwertiges Baustoffrecycling einen Beitrag leisten. Die Studie zeigt, dass die automatisierte Sortierung die Qualität der zurückgewonnenen Materialien verbessern kann.
Technologische Herausforderungen
Trotz dieser positiven Aspekte benennt die Studie mehrere Herausforderungen. ML-Systeme benötigen große Datenmengen und müssen regelmäßig weiterentwickelt werden. Neue Materialarten oder stark verschmutzte Stoffströme können die Erkennungsleistung beeinträchtigen. Zudem ist die Integration in bestehende Anlagen eine Herausforderung. Viele Recyclingbetriebe nutzen Infrastrukturen, die ursprünglich nicht für hochautomatisierte Prozesse ausgelegt wurden. Umbauten, Schnittstellen und Investitionen können die Einführung neuer Systeme erschweren.
Die Studie betont auch, wie wichtig die Qualität der Eingangsmaterialien bleibt. Bereits auf der Baustelle wird beeinflusst, wie gut sich Materialien später trennen lassen. Fehlende Vorsortierung oder stark vermischte Stoffströme können auch moderne Systeme vor Herausforderungen stellen.
Schließlich verändern sich die Anforderungen an das Personal. Neben klassischen Anlagenkenntnissen gewinnen Kompetenzen in den Bereichen Datenanalyse, Sensorik, Robotik und Prozesssteuerung an Bedeutung.
