PA/BA/MA: Automatisierte Bewertung der Sortiergüte im Kontext des Recyclings von Seltenen Erden mittels Bildverarbeitung

Seltenerdmagnete (SE-Magnete), insbesondere Neodym-Eisen-Bor-Magnete kommen in vielen Zukunftstechnologien zum Einsatz und spielen daher eine zentrale Rolle für die Transformationsstrategie der Europäischen Union. Die notwendigen Seltenerdmetalle wie Neodym, Dysprosium und Terbium werden dabei aufgrund vulnerabler Lieferketten und schlechter Substituierbarkeit als kritische Rohstoffe klassifiziert. Außerdem verursacht die Primärproduktion von Seltenerdmagneten signifikante Umwelt- und Klimabelastungen.

In diesem Kontext besitzt das Recycling von SE-Magneten hohes geopolitisches, ökonomisches und ökologisches Potential. Allerdings ist ein geschlossener Rohstoffkreislauf aus technischen und organisatorischen Gründen derzeit nur schwer realisierbar, sodass aktuell weniger als ein Prozent der SE-Magnete in der EU recycelt wird. Da für viele End-of-Life-Produkte die Magnetextraktion durch Demontage nicht wirtschaftlich realisierbar ist, besitzt die Sortierung von geschreddertem Elektroschrott hohe Bedeutung. Die Herausforderung hierbei besteht darin, granulare Stoffgemische zuverlässig zu trennen, deren Bestandteile sich in vielen physikalischen Eigenschaften ähneln. Gleichzeitig muss die zu entwickelnde Prozesskette einen ausreichenden Durchsatz ermöglichen.

Derzeit werden am Lehrstuhl FAPS entsprechende Sortierverfahren untersucht. Für die Prozessentwicklung ist dabei eine Quantifizierung der Sortiergüte entscheidend. Verfahren wie die energiedispersive Röntgenspektroskopie (EDX) erlauben die Identifikation von Elementen und somit direkte Aussagen über die Zusammensetzung von Proben. Als Nachteile bestehen dabei jedoch Limitationen in Hinblick auf die analysierbare Probenform und den untersuchten Ausschnitt. Eine mögliche Alternative stellt die Charakterisierung von Partikeln anhand lichtmikroskopischer Aufnahmen dar. Rückschlüsse auf die Probenzusammensetzung können so indirekt beispielsweise anhand von Farben und Oberflächenstruktur der Partikel getroffen werden. Die Auswertung soll mittels Machine Learning automatisiert erfolgen.

Inhalte:

• Literaturrecherche
• Zieldefinition und systematische Charakterisierung von relevantem Eingangsmaterial mittels Mikroskopie (Licht- / Lasermikroskop)
• Datenerhebung und -aufbereitung: Erzeugen einer ausreichenden Datengrundlage auf Basis der Mikroskopaufnahmen, Labeln der Daten
• Modellauswahl und -anpassung
• Trainieren des Modells

Anforderungen und Informationen:

• Methodische und strukturierte Vorgehensweise
• Ausreichende IT-Kenntnisse notwendig
  (Kenntnisse in Python und Erfahrungen im Umgang mit den Libraries PyTorch, OpenCV sind von Vorteil)
•  Forschung in einem Zukunftsthema mit hoher strategischer Bedeutung
• Weitere Informationen auf Anfrage

Der Beginn der Arbeit ist ab sofort möglich. Aussagekräftige Bewerbungen sind bitte per E-mail inkl. Lebenslauf und aktuellem Notenspiegel zu stellen. Generische bzw. KI-generierte Anfragen werden ignoriert.

Kategorien:

Kontakt: