Mit Artificial Intelligence zu weniger CO2 in der Zementherstellung
Web-Applikation für die Bundesanstalt für Materialforschung und -prüfung (BAM)

Klimafreundlichere Zementherstellung durch Machine Learning

Zement ist einer der wichtigsten Baustoffe der Welt und gleichzeitig für 8% der globalen CO2-Emissionen verantwortlich. Wäre dieser Industriezweig ein Staat, würde er sich im Länder-Ranking nach CO2-Aussstoß unter den Top 5 befinden. Um die klimaschädlichen Emissionen radikal zu reduzieren, arbeitet die Bundesanstalt für Materialforschung und -prüfung an der schnelleren Entwicklung von nachhaltigen Zementrezepturen. Mit einer von iteratec entwickelten Webanwendung, die Software Engineering mit Artificial Intelligence-Methoden kombiniert, wurde nun die Forschung nach klimafreundlichen Zementformeln um ein Vielfaches vereinfacht.

Neue Ansätze für effizientere Forschung

Aufgrund der hohen CO2-Emissionen in der Zement-Produktion ist die Forschung an neuen Rezepturen unerlässlich. Diese ist jedoch sehr herausfordernd, da Schwankungen in der Rezeptur gewaltige Auswirkungen auf wichtige Faktoren wie die Druckfestigkeit des Betons haben können. Hinzu kommt, dass Labor-Untersuchungen sehr zeitaufwändig sind. Mithilfe von AI-Methoden sollten vorhandene Daten analysiert werden, um lediglich die vielversprechenden Rezepturen mit allen notwendigen Materialeigenschaften im Labor zu testen. Für die Weiterentwicklung eines von der BAM entwickelten Prototypen, war die technische Exzellenz von iteratec gefragt, denn:

  • Die experimentelle Validierung von Rezepturen ist teuer und zeitaufwändig. AI-Modelle können daher nur auf wenige bekannte Messdaten zurückgreifen und sollen dennoch vielversprechende Ergebnisse erzielen.
  • Die Pflege der hochkomplexen Rezepturen erfolgte bis dato händisch und war ein mühsamer Vorgang. Mit der Entwicklung eines digitalen Laborzwillings, sollte eine vollautomatisierte und intuitive Lösung geschaffen werden, um komplexe Rezepturen durch nur wenige Mausklicks mit Detailwissen anzureichern.

Die mit iteratec gemeinsam erarbeitete Software ist ein technisches Novum und hat großes Potenzial für die Zementindustrie, die in Deutschland bis 2050 klimaneutral werden will.

Die Lösung: Sequential Learning meets Usability

Der bestehende Prototyp wurde mit state-of-the-art AI-Methoden von iteratec weiterentwickelt und validiert. Da aufgrund der vielen Parameter in der Rezeptur-Herstellung – und der minimalen Datenbasis – klassische Machine Learning Ansätze nicht sinnvoll sind, kam hier das Sequential Learning ins Spiel. Der Vorteil ist, dass bereits mit einer sehr geringen Datenmenge gearbeitet werden kann, die mit neuen Labor-Untersuchungen sukzessive erweitert wird. Somit wird der Algorithmus mit mehr Daten angereichert. Schritt für Schritt kann so die Qualität der Vorhersagen optimiert werden durch das Wechselspiel von Machine Learning auf der einen Seite und Labor-Experimenten auf der anderen Seite.

Um diese Lösung den Labor-Mitarbeiter*innen für ihre Arbeit zur Verfügung zu stellen, wurde der AI-Core in eine vollständig neuentwickelte und offen zugängliche Web-Applikation mit dem Namen SLAMD integriert (Mehr Informationen hier). Diese Anwendung beinhaltet eine Vielzahl an fachlich komplexen Funktionen, um Rezepturen anhand unterschiedlicher Zusammensetzungen von Materialien testen und visualisieren zu können und die optimale Druckfestigkeit sowie einen geringen CO-Ausstoß zu gewährleisten.

Das Ergebnis: Die Rezeptur-Forschung ist wesentlich effizienter. Die Labor-Mitarbeiter*innen können schneller und somit günstiger alternative, klimafreundliche Zemente entwickeln.

Digital Champions - that's why

Kosten-und lizenzfreies Open-Source-Tool für Forschung und Industrie

Erster Schritt in Richtung eines autonomen, vollautomatisierten Labors

Universelle Anwendbarkeit der App für Forschung an weiteren Baustoffen

 

In unserem Projekt an vorderster Front der angewandten Kl-Forschung im Bereich der Materialwissenschaft hat uns die Zusammenarbeit mit iteratec auf eine ganz neue Ebene gebracht. Das hochqualifizierte Team war beeindruckend schnell in der Lage, sich in die komplexe Fachlichkeit einzuarbeiten und sie durchdacht in die Anwendung zu integrieren. So konnte von Beginn eine maßgeschneiderte KI- und Software-Architektur inklusive Anwendung geschaffen werden, die unsere Erwartungen auf allen Ebenen übertraf. Die von uns gemeinsam entwickelte Lösung hat das Potenzial, die Forschung zu ökologischen Baustoffen zu revolutionieren.

Dr. Christoph Völker, Bundesanstalt für Materialforschung und -prüfung

Eingesetzte Technologien & Methoden

  • Python
  • Flask
  • Pandas
  • Scikit Learn
  • Machine Learning und Sequential Learning
  • Vanilla Javascript
  • Bootstrap
  • Heroku

Über die Bundesanstalt für Materialforschung und -prüfung

Die BAM ist eine wissenschaftlich-technische Bundesoberbehörde im Geschäftsbereich des Bundesministeriums für Wirtschaft und Klimaschutz. Sie prüft, forscht und berät zum Schutz von Mensch, Umwelt und Sachgütern.

Sie stehen vor ähnlichen Herausforderungen?

Wenn Sie ein Anliegen oder Fragen zu möglichen AI- und Data Analytics-Projekten für Ihr Unternehmen haben, senden Sie eine Anfrage und ich melde mich bei Ihnen.

 

Dr. Felix Böhmer, Head of AI & Data Analytics

Kontakt