ReCyCONtrol - Selbstlernende Steuerungstechniken für die automatisierte Produktion robuster Ressourcenschutzbetone

Beton ist einer der am meisten verwendeten Baustoffe im Bauwesen – alleine in Deutschland werden jährlich mehrere Millionen Tonnen Beton gemischt und verbaut. Um natürliche Ressourcen zu schonen, kann Abbruchmaterial (Beton, Mauerwerk, Gestein) aus dem Rückbau von Bauwerken bei der Betonherstellung in Form von rezyklierter Gesteinskörnung wiederverwendet werden. Eine Herausforderung dabei ist die Tatsache, dass die Eigenschaften der zu rezyklierenden mineralischen Abbruchmaterialien extrem schwanken und so den neuen Beton – hier insbesondere die Frischbetoneigenschaften (Verarbeitbarkeit, Entmischungsneigung) – negativ beeinflussen. Könnten die Eigenschaften des neu gemischten Betons bereits während dessen Herstellung bestimmt werden, wäre es möglich, direkt mit geeigneten Mitteln gegenzusteuern. Das vom Bundesministerium für Bildung und Forschung geförderte Forschungsprojekt ReCyCONtrol hat diese Aussteuerung zum Ziel.

Ein Teil des Projekts ist die Beobachtung des Betonmischvorgangs mittels optischer Messsensoren. Ziel ist es, in Echtzeit das Strömungsverhalten des Betons auszuwerten und so seine rheologischen Eigenschaften (bspw. Viskosität und Fließgrenze) zu prädizieren. Auf Basis dieser Daten kann der Beton dann gezielt, z.B. durch den Einsatz von geeigneten Additiven, auf die gewünschten Eigenschaften ausgesteuert werden. Der Prozess soll automatisch und in einem selbstlernenden Verfahren geschehen.

Da angenommen wird, dass viele Informationen aus den dreidimensionalen Daten des strömenden Betons abgeleitet werden können, wird ein Stereokamerasystem eingesetzt. Mithilfe von Deep Learning sollen die Frischbetoneigenschaften anhand einer Regression bestimmt werden. Ein Convolutional Neural Network (CNN) lernt hierbei Merkmale einer aufgenommenen Bildsequenz. Dabei werden verschiedene Szenarien untersucht: (a) In einem zweistufigen Prozess wird zunächst die 3D-Oberfläche des Betons aus den aufgenommenen Stereobildsequenzen mit klassischen Bildzuordnungsverfahren als Funktion der Zeit berechnet. Anschließend werden sowohl die aufgenommenen Bildsequenzen als auch die berechneten 3D-Informationen als Eingangsdaten für das CNN verwendet. (b) Das Netzwerk lernt die für die Regression relevanten 3D-Oberflächeninformationen implizit selbst, indem nur die Stereobildsequenzen in das Netz eingehen. Da in diesem Modell weniger Informationen als Eingangsdaten gegeben werden und mehr selbst gelernt werden muss, werden tendenziell mehr Trainingsdaten benötigt. (c) Als Kontrolle für die Relevanz der 3D-Information werden die Aufnahmen von lediglich einer Kamera genutzt und so im Training monoskopische Bildsequenzen verwendet.  (d) Als Kontrolle für die Relevanz der Zeitinformation werden im Training die Aufnahmen von lediglich einem Zeitpunkt und keine Bildsequenzen verwendet. Ggf. können weitere Informationen, z.B. Ergebnisse aus Optischen Fluss-Berechnungen hinzugefügt werden.