Das Recycling von Metallschrotten als Sekundärrohstoffe ist die sicherste, ökologischste und ökonomischste Form der Rohstoffversorgung. Obwohl Metalle im Prinzip unendlich oft recycelt werden können, ist ein Wiedereinschmelzen ohne Qualitätsverlust nur möglich, wenn die Zusammensetzung vor dem Wiedereinschmelzen genau erfasst werden kann und sortenrein eingeschmolzen wird. Eine Bestimmung der Elementzusammensetzung von Schrotten zerstörungsfrei in Echtzeit würde es ermöglichen, Eingangsströme des Recyclingprozesses erstmals optimal zu steuern. Dadurch kann der Schrottanteil weiter erhöht werden und es können zielgerichtet hochwertige Legierungen erzeugt werden. In der Kupfer- und Aluminiumproduktion besteht daher großes Interesse an der Elementanalyse von Recyclingmaterialien in Echtzeit, um die metallischen Sekundärrohstoffe nach existierenden Normen und Regelwerken zu klassifizieren und sortenrein zu recyceln. Eine zufriedenstellende messtechnische Lösung ist derzeit weder für die Kupfer- noch Aluminiumproduktion vorhanden und soll im Rahmen von MetalClass entwickelt werden.

Im Projekt MetalClass werden KI-basierte Auswertealgorithmen für die Echtzeit-Klassifikation metallischer Schrotte entwickelt. Ziel des Projektes ist es, ein Messverfahren zu entwickeln, in dem KI-Verfahren genutzt werden, um Messdaten der PGNAA-Technologie in Sekunden oder sogar Sekundenbruchteilen auszuwerten, um gemessene Schrottteile gemäß ihrer Zusammensetzung zu klassifizieren.
Es werden dazu Methoden der Künstlichen Intelligenz (KI) und des maschinellen Lernens angewendet, in denen Wissen und Techniken aus der Informatik, Statistik, Mathematik und Anwendungswissen verknüpft werden. Die Zielstellung ist dabei, aus Daten praxistaugliche Schlüsse zu ziehen, indem insbesondere Charakteristika der Messdaten als Anwendungswissen im zu entwickelnden Verfahren genutzt werden. Häufig verwendete Modelle sind tiefe neuronale Netze, welche sich für Klassifikationsaufgaben besonders gut eignen. Die Echtzeitfähigkeit eines solchen Verfahrens stellt eine weitere Herausforderung dar. Dabei ist vor allem die Reduktion der Messzeit kritisch, denn eine kürzere Messzeit führt zu stark verrauschten Daten. Daher werden im Rahmen des Projektes Modelle entwickelt, welche trotz stark verrauschter Daten erfolgreich eine Klassifikation in kürzester Zeit vornehmen können.

Experimentelle Messdaten werden durch einen Demonstrator im Technikum von AiNT erhoben, wobei innovative Detektorsysteme zur Anwendung kommen. AiNT entwickelt und erprobt Messanlagen zur Elementanalyse auf Grundlage der Prompt-Gamma-Neutronen-Aktivierungsanalyse (PGNAA). Diese Messanlagen ermöglichen eine zerstörungsfreie Elementanalyse unterschiedlichster Materialien und grenzen sich von bestehenden Verfahren dadurch ab, dass das Messgut als Ganzes und ohne Probenvorbereitung analysiert wird. Bei einer Messung wird ein Gamma-Spektrum aufgenommen, dessen Auswertung die vollständige Elementzusammensetzung des Materials ermöglicht. Diese Daten werden mittels KI-Verfahren analysiert, um eine Klassifikation vorzunehmen.