KI-gesteuerte Dekontaminierungstechnologien für Wiederverwendung/Recycling zur Erfüllung von Vorschriften für den Kontakt mit Lebensmitteln unter Verwendung von Licht (Light-AIClean)

Aktuelle Dekontaminationsmethoden (DC) wie Heißwasserreinigung und Gamma-Bestrahlung sind ressourcenintensiv und umweltschädlich, wodurch sie für eine nachhaltige Kreislaufwirtschaft ungeeignet sind. Um diese Einschränkungen zu überwinden, besteht ein dringender Bedarf an innovativen, ressourcenschonenden DC-Technologien, die eine effektive Entfernung von Verunreinigungen ermöglichen und gleichzeitig den Energieverbrauch und die Abfallproduktion reduzieren. Dieses Projekt adressiert diesen Bedarf durch die Entwicklung eines fortschrittlichen DC-Prozesses, der erneuerbare Energiequellen und KI-gestützte Optimierungstools integriert, um die Wiederverwendung und das Recycling von Materialien zu verbessern und gleichzeitig strenge EU-Vorschriften für den Lebensmittelkontakt einzuhalten.

Das Projekt zielt darauf ab, (i) einen chemometrisch unterstützten Dekontaminationsprozess mit KI-gestützter Qualitätskontrolle zu entwickeln und (ii) eine neuartige DC-Technologie zu schaffen, die sichtbares Licht als erneuerbare Energiequelle nutzt. Durch den Einsatz von KI-Techniken soll die Effizienz und Nachhaltigkeit von DC-Verfahren für Kunststoff- und Glasmaterialien optimiert werden, die mit Weichmachern, Herbiziden, persistenten organischen Schadstoffen, Schmierölen und Ablagerungen kontaminiert sind. Das Endziel ist die Etablierung eines skalierbaren, industrietauglichen DC-Systems, das wesentlich zur Kreislaufwirtschaft beiträgt, indem es die Lebensdauer von Materialien verlängert und die Umweltbelastung reduziert. Während des Projekts können Anpassungen vorgenommen werden, um das System basierend auf experimentellen Ergebnissen und KI-gestützten Analysen zu optimieren.

Das Projekt entwickelt ein lichtgetriebenes katalytisches DC-System, das mehrfach ohne Aktivitätsverlust wiederverwendet werden kann. Das Konsortium wird KI-gestützte Algorithmen – darunter neuronale Netzwerke, Reinforcement Learning, Clustering, genetische Algorithmen und große Sprach-/Multimodal-Modelle (LLM/LMM) – einsetzen, um die Prozesseffizienz zu verbessern, den Ressourcenverbrauch zu reduzieren und die Systemleistung zu optimieren. Die Methodik umfasst die Konstruktion und Erprobung des katalytischen Systems in einem Photoreaktor sowie die Integration in ein automatisiertes Dekontaminations-Setup mit Echtzeit-KI-Feedback. Falls erforderlich, wird der Ansatz basierend auf experimentellen Erkenntnissen und KI-Modellanpassungen weiterentwickelt, um eine maximale Effizienz sicherzustellen.

Das Projekt soll eine skalierbare, ressourcenschonende DC-Technologie liefern, die den ökologischen Fußabdruck der Dekontamination von Kunststoff- und Glasabfällen erheblich reduziert. Wichtige Ergebnisse sind:

• Ein funktionales chemometrisches Software-Tool für lichtgetriebene DC, mit Potenzial für eine breitere Anwendung in Standard-DC-Verfahren.
• Ein validiertes KI-gestütztes Optimierungsframework für effiziente Dekontaminationsprozesse.
• Ein Photoreaktor-basiertes System mit integriertem automatisiertem Feedback-Mechanismus.
• Der Nachweis einer nachhaltigen, leistungsstarken DC für kritische Verunreinigungen in der Recyclingindustrie.

Die Projektergebnisse werden der wiederverwendbaren Verpackungsindustrie, Recyclingunternehmen, KI-Entwicklern und Photoreaktor-Herstellern zugutekommen und Österreichs Führungsrolle in Innovationen der Kreislaufwirtschaft stärken. Zudem wird die Integration von KI-gestützten chemometrischen Techniken neue Maßstäbe für Effizienz und Nachhaltigkeit im Recycling von Abfällen setzen und zur Reduzierung von Treibhausgasemissionen, zur verstärkten Nutzung erneuerbarer Energiequellen und zur Entwicklung widerstandsfähiger, ressourceneffizienter Produktionssysteme beitragen.

Projektleitung

Dr. Olga Guselnikova
Technische Universität Wien

Projektpartner

• FOTEC GmbH
• SWISDATA GmbH
• Moncon GmbH
• Redeem Solar Technologies GmbH

Dr. Olga Guselnikova
Technische Universität Wien
Wiedner Hauptstraße 8-10, 1040 Wien
Tel: +43 588 01134 01
E-Mail: olga.guselnikova@tuwien.ac.at
Website: www.tuwien.at/phy/iap