Industrie + Technik

Wasser für die Energiewende | Der Leitfaden Water-for-X unterstützt das Wasserressourcenmanagement im geopolitischen Rahmen. Wasser ist wichtig für die Energiewende – ob als Kühlmittel für Kraftwerke und Industrie oder als Rohstoff für den Wasserstoff. Für den Leitfaden müssen Produktionsstandorte im regionalen Kontext analysiert werden. Interessierte können sich an der Weiterentwicklung der Roadmap beteiligen.Zur Roadmap: <a href="https://dechema.de/water_for_x" target="_blank">dechema.de/water_for_x</a>Edelmetall-Katalysatoren | Bei mehr als 90 Prozent aller chemischen Alltagsprodukte dient ein Katalysator der Herstellung. Forschende des Karlsruher Instituts für Technologie (KIT) haben ein Konzept entwickelt, das Edelmetall-Katalysatoren stabiler macht und weniger Edelmetall verbraucht. Sie haben Palladium auf Ceroxid-Nanoinseln aufgebracht, die ihrerseits auf Aluminiumoxid verteilt wurden. So sammeln sich die Pd-Atome auf den Ceroxid-Inseln, und es bilden sich weder zu große Cluster noch liegen Pd-Einzelatome vor.Angew. Chem., doi: 10.1002/anie.202408511Industriechemikalien aus CO2 | Die Partner im Projekt Air2Chem entwickeln ein Verfahren, das windenergiegetrieben CO2 über Membran-Gasabsorption aus Luft abscheidet und die Absorberlösung elektrolytisch verarbeitet. Dazu gehört ein Anodenprozess, der die Produktion von Chemikalien wie Formaldehyd, Laktat und Formiat aus beispielsweise Methanol oder Glycerin ermöglicht. Das Projekt soll verfahrenstechnische Infrastrukturen der chemischen Industrie ergänzen und im Technikumsmaßstab pilotiert werden.Projektpartner sind das Fraunhofer-Institut für Umwelt-, Sicherheits- und Energietechnik, das niederländische Start-up CO2Circulair, die RWTH Aachen, das Unternehmen GKD – Gebr. Kufferath aus Düren und das Aachener Unternehmen FXC Engineering.Zum Projekt: <a href="https://s.fhg.de/biaA" target="_blank">s.fhg.de/biaA</a>Wie viel Ressourcen Agrosprit braucht | Um Kraftstoffe aus Ackerpflanzen wie Raps, Mais und Palmöl herzustellen, wird teils mehr Energie verbraucht, als am Ende entsteht. Einer Studie der Deutschen Umwelthilfe (DUH) zufolge sind pro Megajoule Energie aus Agrodiesel 0,6 Megajoule fossile Ressourcen nötig, bei Agroethanol seien es 1,1 Megajoule. Deutschland verbrauche für hier getankte Kraftstoffe wie HVO100 und E10 zudem etwa ein Viertel seines Düngemittelbudgets, das nach dem Kunming-Montréal-Abkommen bei jährlich 833 000 Tonnen Stickstoff- und 100 000 Tonnen Phosphordünger liegt. Darüber hinaus ließe sich der jährliche Pestizideinsatz um 24 Prozent, etwa 10 000 Tonnen reduzieren, wenn hierzulande kein Agrosprit getankt würde.Zur Studie: <a href="https://t1p.de/j9fs3" target="_blank">t1p.de/j9fs3</a>Ökobilanzierungen | Um zu entscheiden, welche Verfahren, Rohstoffe und Dienstleistungen beim Kunststoffrecycling sinnvoll sind, helfen Ökobilanzierungen. Forschende des Fraunhofer Cluster of Excellence Circular Plastics Economy haben zehn Probleme und zehn Anforderungen herausgearbeitet, die ökologisches Bewerten des Kunststoffrecyclings vergleichbar und transparent machen.Zum Positionspapier: <a href="https://t1p.de/4kojl" target="_blank">t1p.de/4kojl</a>Maren Bulmahn

Kurz notiert

Von Agrosprit, Edelmetallen und Wasser

Wasser für die Energiewende | Der Leitfaden Water-for-X unterstützt das Wasserressourcenmanagement im geopolitischen Rahmen. Wasser ist wichtig für die Energiewende – ob als Kühlmittel für Kraftwerke und Industrie oder als Rohstoff für den Wasserstoff. Für den Leitfaden müssen Produktionsstandort...

Software hilft, etwa Medikamente oder Reinigungsmittel zu entwickeln und die Rezepte zu aktualisieren. Ein Beispiel aus der Beschichtungsindustrie zeigt einen Ansatz, der mit künstlicher Intelligenz arbeitet und sich an Unternehmensbedürfnisse anpassen lässt.Produktionsprozesse verlangen ein Höchstmaß an Präzision und <link href="#nadc20244144197-fig-0001">Qualität. Dies führt oft zu Strukturen, die es Unternehmen erschweren, auf andere Faktoren zu reagieren, etwa Marktveränderungen, Umweltauflagen, Nachhaltigkeitsanforderungen oder Fachkräftemangel. Hinzu kommt hoher Konkurrenzdruck.<figure xml:id="nadc20244144197-fig-0001"><figure><img alt="image" src="https://media.graphassets.com/BrPC9FrQRCep0M06wXrd"><figcaption><label>Abb.1: </label>Wie KI denkt, dass ein menschlicher Denker denkt. Bild: KI-generiert, DALL·E (OpenAI, 2024)</figcaption></figure></figure>Etwas, worauf Unternehmen zunehmend reagieren müssen, ist Digitalisierung. Wegen Industrie 4.0, digitaler Zwillinge, digitaler Transformation und Datenmanagement müssen sie die Handhabung und Priorisierung interner Daten neu strukturieren. In diesen Daten liegt das Expertenwissen und Know-how der Firmen. Dies ist der Ansatzpunkt des Unternehmens Ai-predict. Mit Datenwissenschaft (Data Science) und künstlicher Intelligenz (KI, auch artificial intelligence, AI) unterstützt es Unternehmen, aus ihren Daten Mehrwert zu gewinnen.<h2 type="main">Zusammen Grundlagen schaffen</h2>Oft haben Unternehmen nur eine vage Vorstellung davon, wie KI einen Mehrwert liefern oder was sie überhaupt leisten kann. Gleichzeitig trauen sich Firmen häufig nicht an das Potenzial ihrer eigenen Daten heran: Es gebe zu wenig Strukturen und noch weniger Personalressourcen.Dies lässt sich durch Kooperieren mit Fach- und KI-Experten verbessern. Der Austausch startet dort, wo sich die Firma gerade befindet. Bestehende Prozesse werden analysiert. In Gesprächen mit den internen Experten etwa aus Forschung und Entwicklung (F+E), Produktion und Informationstechnik (IT) zeigen sich Ansatzpunkte, an denen KI einen Mehrwert liefern könnte. Schrittweise werden diese Ansätze ergänzt, und die Expertensynergie führt zu einer definierten, kundenbasierten Lösung, einer firmenspezifischen „AI-Vision“.KI- und IT-Know-how sind die Grundlage. Jahrelange Erfahrung mit Firmen der chemischen und pharmazeutischen Industrie liefert die Ergebnisse. Dafür müssen alle Randbedingungen verstanden sein, etwa für Aufgaben<list><listitem>der F+E wie Erstformulierungen oder Austausch von Inhaltsstoffen,</listitem><listitem>der Produktion, etwa Effizienzanalysen, Wartungsoptimierung und Kostenminimierung,</listitem><listitem>der Qualitätssicherung, darunter das Zuordnen praxisnaher Toleranzen zu Produkten und Fehleranalysen oder</listitem><listitem>der Anwendung wie Energiereduzierung und Materialverbrauch.</listitem></list>Die Firmendaten werden dabei auf ein Level abstrahiert, das ihre Geheimnisse wahrt. Das gemeinsam erarbeitete Verständnis der Zusammenhänge ist nötig, um die ersten Umsetzungsschritte zu definieren: Gemeinsam wird ein Mehrwert schaffendes Produkt (minimum viable product, MVP) als erstes Projektziel festgelegt. Die erste Software dafür nutzen Kunden nach zwei bis drei Monaten.<h2 type="main">Daten nutzbar machen</h2>Datenanalysten schauen sich die Datengrundlage an und stellen sicher, dass die Daten homogen sind. Als Datenquellen dienen etwa Excel- oder Worddateien, Datenbanken oder der Output digitaler Messgeräte. Zusammen mit den Firmenexperten interpretieren die Analysten die Daten und bereiten sie so auf, dass KI sie optimal nutzen kann (<link href="#nadc20244144197-fig-0002">Abbildungen links).<figure xml:id="nadc20244144197-fig-0002"><figure><img alt="image" src="https://media.graphassets.com/8tADhxrR1qOOn7LWKn1M"><figcaption><label>Abb.2: </label>Datenwissenschaft bereitet Daten für künstliche Intelligenz vor; ein Beispiel mit beliebigen Daten zeigt die Datenanalyse (Clustern) nach Farben. Der Lab-Farbraum (oder L*, a*, b*) soll eine realistische Farbendarstellung ermöglichen. Dabei steht L für die Helligkeit (Luminanz). Die a-Achse geht von Grün nach Rot, b von Blau nach Gelb.</figcaption></figure></figure>Expertenwissen der chemischen Industrie ist zudem die Grundlage, um mit zehn bis hundert statt tausenden oder mehr Datensätzen korrekte Ergebnisse zu erzielen. Gute Datenqualität ersetzt Datenmassen. Beschreibt etwa ein physikalisches Modell bestimmte Bereiche einer Formulierung, so lässt sich dieses integrieren und die KI damit trainieren.Anhand dieser Datengrundlage wählt die Ai-predict-Software aus dem darin befindlichen KI-Werkzeugkoffer die optimalen Methoden aus: darunter Deep-Learning- und Machine-Learning-Algorithmen, Heuristiken, neuronale Netze, Evaluierungs- und Validierungswerkzeuge. Dabei entsteht eine firmenspezifische Vorlage (KI-Pipeline), anhand derer die Firmen eigene KI-Modelle und daraus eigene Formulierungen berechnen können. Der Vorteil: Das Wissen, das über die firmenspezifische KI-Pipeline in die Modelle fließt, bleibt Eigentum der Kunden.Diese KI-Pipeline wird auf die Anforderungen und Daten des Kunden optimiert. Die KI-Pipelines sind flexibel und skalierbar. Zum einen kann der Kunde selbstständig die Datengrundlage erweitern. Zum anderen lassen sich weitere Eigenschaften oder Techniken einbeziehen. Häufig sind dies etwa Kostenfaktoren wie Inhaltsstoffpreise, Energieaufwendungen oder Integrationen in bestehende Prozesse und Automatisierungen.<h2 type="main">Beispiel Beschichtungsindustrie</h2>Alle Probleme der chemischen Industrie finden sich in den Anforderungen an Beschichtungen. Spezielle Coatings sind aus hunderten Inhaltsstoffen zu formulieren. Eigenschaften und Techniken wie Farbe, Stoßfestigkeit, Glanz, Aushärtung, Emissionen und Korrosionsschutz stehen gegenüber Kostendruck, Umweltvorschriften und Kundenpräferenzen an Nachhaltigkeit und Individualität.Beim Projekt in der Beschichtungsindustrie wurde das übergeordnete Ziel mit dem Kunden in Webmeetings und einem Workshop vor Ort definiert. Daraus entstand gemeinsam die Festlegung des initialen Projekts: Ein Vorschlagssystem für die Erstrezeptur von Farben plus festgelegter Eigenschaften soll Experten entlasten und die Iterationen bis zur finalen Formulierung reduzieren.Die bestehenden Formulierungen und Messwerte wurden gemeinsam aufgearbeitet und für KI nutzbar gemacht. Nach einigen Iterationen und Validierungsschleifen wurde nach drei Monaten eine Softwarelösung beim Kunden implementiert.Eine der ersten Skalierungen ermöglichte, die Toleranzvorgaben zu unterschreiten. Dazu hat das Unternehmen die KI mit einem Physikmodell mit Lichteigenschaften pigmentierter Systeme trainiert (physics-informed neural network, PINN). Weitere Erweiterungen und Automatisierungen sind in der Beta-Phase.<h2 type="main">Der Autor</h2>Der promovierte Anthropologe Mathias Huck ist Vertriebsleiter des Friedrichshafener Unternehmens Ai-predict. <a href="https://www.ai-predict.de" target="_blank">www.ai-predict.de</a>

Kurz notiert

Von Agrosprit, Edelmetallen und Wasser

Überprüfung Ihres Anmeldestatus ...