Physik  |  Technik

 

Luis Nicklaus Cáceres, 1999 | Zürich, ZH
Sofie Liz Gnannt, 2004 | Zürich, ZH

 

In diesem Projekt werden die Möglichkeiten der Terahertz (THz) Time-Domain-Spektroskopie (TDS) als Methode zur zuverlässigen Klassifizierung von Kunststoffen für das Recycling untersucht. Polyme-re sind für THz-Strahlung relativ transparent, was uns erlaubt, sie in Transmission mit einem THz Ti-me-Domain-Spektrometer zu untersuchen. Dadurch lernen wir, wie ein spezifisches Material mit der Strahlung interagiert und können die unterschiedlichen Kunststoffe voneinander unterscheiden. Mit Hilfe eines etablierten Rechenalgorithmus für die Extraktion des Brechungsindex und der Absorption sowie von Modellen des maschinellen Lernens zeigen wir, dass es möglich ist, Kunststoffabfälle automatisiert und zuverlässig in vier der wichtigsten wiederverwertbaren Klassen zu kategorisieren.

Fragestellung

Ist es möglich, im Recycling-Prozess die verschiedenen Arten von Kunststoffen für das Recycling mit Hilfe der THz Time-Domain-Spektroskopie zu klassifizieren?

Methodik

Die THz-TDS wurde zur Messung von 298 Kunststoffabfallproben aus 4 verschiedenen Polymeren verwendet: PET, PVC, PP und PS. Anhand der erhaltenen Spektren und der gemessenen Probendicke, die entweder manuell oder automatisiert durch einen Roboterarm ermittelt wurde, wurde der komplexe Brechungsindex im THz-Bereich berechnet. Diese Informationen wurden dann verwendet, um einen Algorithmus für maschinelles Lernen mit Hilfe von Support Vector Machines zu trainieren, um neue Proben in eine der vier Kategorien einordnen zu können.

Ergebnisse

Die Validierungsgenauigkeit des Machine Learning Modells auf der Trainingsmenge (N=278) betrug 98.56%. In der Testmenge (N=20) war das Modell in der Lage, die entsprechende Klasse jeder Probe korrekt vorherzusagen, wodurch eine Genauigkeit von 100% erreicht wurde.

Diskussion

Es wurden einige Lösungsansätze für die in dieser Arbeit vorhandenen Herausforderungen vorgeschlagen. Eine Methode zur Bestimmung der Probendicke unter Verwendung der Mehrfachreflexionen im Inneren des Materials mit einer iterativen, kommerziellen Software wurde vorgestellt. Es wurden auch mehrere Optionen zur Erweiterung des Anwendungsbereichs dieser Arbeit präsentiert, darunter die alternative Möglichkeit von Reflexionsmessungen anstelle der Transmissionsmessungen. Mögliche Schwachstellen in der implementierten Auswertung wurden untersucht, und es wurde ein Interview mit einem Recycling-Unternehmen geführt, um die industrielle Anwendung dieser Arbeit zu eruieren.

Schlussfolgerungen

Diese Ergebnisse belegen das Potenzial der entwickelten Methode für die Klassifizierung von Kunststoffabfällen für den Recycling-Prozess. Die Technologie hat auch das Potenzial, einige der Herausforderungen zu bewältigen, mit denen die Recyclingindustrie heutzutage konfrontiert ist. Weitere Arbeiten sind erforderlich, um die Integration dieses Systems in eine industrielle Anwendung zu ermöglichen.

 

 

Würdigung durch den Experten

Dr. Gregory Gäumann

Um ihr Ziel zu erreichen sind Nick Cáceres und Sofie Gnannt sehr zielstrebig und strukturiert vorgegangen. Dabei haben die beiden angehenden Physiklaboranten sowohl experimentelles Geschick im Labor wie auch viel Talent beim Implementieren von Algorithmen an den Tag gelegt. Auf dem Gebiet des Maschinellen Lernens haben sie sich viel Wissen selber beigebracht und erfolgreich umgesetzt. Die beiden haben durch ihr Projekt, ihre engagierte Teamarbeit und hohe Motivation gezeigt, wie ein Technologietransfer von der Wissenschaft in die Gesellschaft erfolgreich realisiert werden kann. Gratulation!

Prädikat:

hervorragend

Sonderpreis «MILSET Expo-Sciences International (ESI)» gestiftet von der Metrohm Stiftung

 

 

 

Berufsmaturitätsschule Zürich
Lehrer: Dominik Bachmann