Diplomarbeit NIR - LLA Instruments GmbH GER/NIR... · LIBS Laserinduzierte Breakdown Spektroskopie LIPS Laserinduzierte Plasmaspektroskopie LS Lernset LVP Leichtstoffverpackungen

Bauhaus Universität Weimar

Fakultät Bauingenieurwesen

Professur Aufbereitung von Baustoffen und Wiederverwertung

Untersuchungen zur Sortierbarkeit von heterogenen Abbruchgemischen mittels Nahinfrarot-Technik

Diplomarbeit Bearbeiter: B.Sc. Martin Escher geb. am 04. 03. 1984 in Ilmenau Matr.-Nr.: 31147 Erstprüfer: Univ.-Prof. Dr.-Ing. habil. Anette Müller Zweitprüfer: Dipl. Ing. Thomas Schnellert Betreuer: Dipl.-Ing. Thomas Schnellert Eingereicht am: 07. 12. 2010

Escher M. Vorwort

Vorwort Die vorliegende Diplomarbeit wurde im Zeitraum von Juni 2010 bis Dezember 2010 an der

Bauhaus Universität Weimar, Professur Aufbereitung von Baustoffen und Wiederverwertung

angefertigt. Das Thema der Arbeit ging aus der Studienarbeit „Sensorgestützte

Sortierungsverfahren“ hervor und wurde mit technischer Unterstützung der Fa. LLA, Berlin

ermöglicht.

Für die mir zur Verfügung gestellten Räumlichkeiten und technischen Ausrüstungen möchte

ich mich bei Frau Prof. Anette Müller und allen Mitarbeitern der Professur, die mich bei der

Durchführung der Diplomarbeit mit Rat und Tat unterstützt haben, sowie der Fa. LLA, Berlin,

die den mobilen Versuchsstand zur Verfügung gestellt haben, bedanken. Mein spezieller

Dank gilt dabei meinem Betreuer Herrn Dipl.-Ing. Thomas Schnellert, der mir stets mit

tatkräftiger Unterstützung bei der Anfertigung und wissenschaftlichen Betreuung der Arbeit

beiseite stand.

________________________

Weimar, 07.12.2010 cand.-Ing. Martin Escher

Escher M. Abstract

Abstract

With present state of the technology the resulting mixtures by the demolition of concrete,

lightweight concrete, lime sandstone, pore concrete and brick stone cannot be separated

kinds-purely. With the NIR-technology these building materials are calibrated with measuring

conditions and measure technology and will separate breakdown materials tried around the

possibility to create high-quality recycled manufacture, since with conventional separation

processes only heavily an assortment of these building materials is to be mastered. A NIR-

spectrum library for mineral building materials and breakdown material in unused form was

provided. The employment of the measuring technique regarding the separation from building

debris into different categories is judged in the work. Unused mineral wall materials are

collected, prepared and fractionated by means of impact crushers.

The NIR measurement is characterised by high sample throughput, simple handling in the

laboratory, simultaneous determination of several parameters, good integrableness into the

process and by a high saving potential. The spectra can be measured within the NIR range

with extraordinarily high precision without destruction, which is to be owed to the temporally

sturdy sources of light and sensors. The permeability of glass for the NIR light is just as

favourable. This permits the use of bearing surfaces, which are not located in the direct

contact with the measuring head. In summary it can be said that in approaching infrared range

spectra of building materials can be evaluated.

On the basis of this problem, the available thesis with the assortment and separableness of

mineral building materials, which can be detected by means of NIR spectroscopy with

different results, concern themselves.

In the first part theoretical bases are given to measuring method to the topic sensor-based

assortment procedure and particularly to the NIR. Physical fundamentals and function modes

are discussed and the historical career/development up to present application is described.

The second part deals in the trial programme - collection, processing, cracking with the

characterisation of the particle size distribution of the materials which can be examined,

which is described by five groups. It is dealt further with the views of the differences in the

distributions.

Escher M. Abstract

In the third part of the thesis follows the description of the determination of the physical

characteristics of the materials, with the density, the water absorption and porosity.

Differences between that to examining materials can be derived on the basis the pure density

less well, however different values are set to determine and in the concluding chapter of the

correlation identification in dependence with the NIR recognition due to the different values

of the water absorptions and gross densities and according to also the porosity.

The fourth part in the context of the thesis describes the NIR measurement and - evaluation.

On the mathematical production analysis model as well as the admission and graphic

evaluation are entered. Different recognition of the building materials are determined and in

tabular diagrams among themselves were compared. Some further tests were accomplished,

like the increase water content of a sample the recognition to e.g. affect and whether concrete

with different gypsum portions are detected accordingly.

Finally correlations are set up between the physical characteristics and NIR recognition and

deposited graphically. Dependence are to be described only in trends and hardly give

realizations over connections among themselves.

Escher M. Inhaltsverzeichnis

Inhaltsverzeichnis Abbildungsverzeichnis ......................................................................................................... i

Tabellenverzeichnis ............................................................................................................ iii

Abkürzungen ........................................................................................................................v

1. Einleitung..........................................................................................................................1

2. Theoretische Grundlagen.................................................................................................3

2.1 Historischer Hintergrund...............................................................................................4

2.2 Sensorgestützte Sortierungsverfahren............................................................................6

2.3 Physikalische Grundlagen der Infrarottechnik .............................................................11

2.4. Funktionsweise ..........................................................................................................16

3. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung ...............................19

3.1 Versuchsbeschreibung ................................................................................................19

3.1.1 Korngrößenverteilung ..........................................................................................20

3.2 Auswertung ................................................................................................................23

4. Versuchsprogramm – Ermittlung physikalischer Charakteristika..............................27

4.1 Vorbereitung der Baustoffproben................................................................................27

4.2 Ermittlung der Rohdichte im Flüssigkeitspyknometer .................................................28

4.2.1 Auswertung..........................................................................................................30

4.3 Ermittlung der Wasseraufnahme mittels Flüssigkeitspyknometer ................................32

4.3.1 Auswertung..........................................................................................................32

4.4 Ermittlung der Rohdichte mittels Feststoffpyknometer................................................34

4.4.1 Auswertung..........................................................................................................35

4.5 Ermittlung der Reindichte ...........................................................................................37

4.5.1 Auswertung..........................................................................................................38

4.6 Ermittlung der Porosität ..............................................................................................40

4.6.1 Auswertung..........................................................................................................41

Escher M. Inhaltsverzeichnis

5. Versuchsprogramm – NIR- Spektrenbibliothek am Versuchsstand ............................43

5.1 Eigenschaften von NIR- Spektren ...............................................................................43

5.2 Probenvorbereitung.....................................................................................................45

5.2.1 Aufnahmegerät ....................................................................................................46

5.3 Durchführung der NIR- Spektroskopie........................................................................49

5.3.1 Mittelwertspektren ...............................................................................................52

5.4 Auswertung ................................................................................................................56

5.4.1 Multivariate Auswertung mit Partial Least Square Regression..............................56

5.4.2 Erstellen eines Analysemodells ............................................................................62

5.5 Auswertung der NIR- Spektroskopie...........................................................................63

5.6 Grafische Darstellungen der Auswertung ....................................................................72

5.7 Prüfungen der Datenbank............................................................................................77

5.8 Wasseranteil- Test ......................................................................................................80

5.9 Weitere Tests ..............................................................................................................85

5.9.1 Asbesterkennung..................................................................................................85

5.9.2 Gipserkennung.....................................................................................................87

6. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit .......................89

6.1 Gesamtauswertung......................................................................................................89

6.2 Korrelationen..............................................................................................................92

7. Ausblick ..........................................................................................................................95

8. Zusammenfassung ..........................................................................................................98

Literaturverzeichnis .........................................................................................................102

Anhang.................................................................................................................................. I

Selbstständigkeitserklärung.......................................................................................... XXV

Thesen zur Diplomarbeit..............................................................................................XXVI

Escher M. Abbildungsverzeichnis i

Abbildungsverzeichnis Abb. 2.1: Schematische Darstellungen eines sensorgestützten Sortierverfahren ......................7

Abb. 2.2: Position der Infrarot-Strahlung im elektromagnetischen Spektrum ........................11

Abb. 2.3: Messung von Flüssigkeiten und Feststoffen (diffuser Reflexion)...........................15

Abb. 2.4: „Polysort“ der Firma TITECH...............................................................................18

Abb. 3.1: Mauerstein - Marktanteile in Deutschland für 2005 und 2006................................19

Abb. 3.2: Primärbaustoffsammlung vor dem Brechen und fraktioniert …..…………………21

Abb. 3.3: Prallbrecher...........................................................................................................21

Abb. 3.4: Maschinelle Siebung zur Ermittlung der Korngrößenverteilung.............................22

Abb. 3.5: Korngrößenverteilung der Betonsorten 1 bis 10.....................................................23

Abb. 3.6: Korngrößenverteilung der Leichtbetonsorten 1 bis 9 .............................................23

Abb. 3.7: Korngrößenverteilung der Porenbetonsorten 1 bis 9 ..............................................24

Abb. 3.8: Korngrößenverteilung der Ziegelsteinsortensorten 1 bis 9 .....................................24

Abb. 3.9: Korngrößenverteilung der Kalksandsteinsorten 1 bis 9 ..........................................25

Abb. 3.10: Korngrößenverteilung der 5 Baustoffsorten im Mittelwert...................................25

Abb. 4.1: Trocknungsbleche zur Probenvorbereitung der Gesteinskörnung...........................27

Abb. 4.2: Befüllte Pyknometer zur Bestimmung der Trockenrohdichte.................................28

Abb. 4.3: mit dem Flüssigkeitspyknometer ermittelte Rohdichte der jeweiligen Baustoffe....31

Abb. 4.4: Wasseraufnahmen der Baustoffe in 2 Stunden.......................................................33

Abb. 4.5/4.6: Feststoffpyknometer GeoPyc 1360, Hersteller: Micromeritics GmbH

/Messzelle (50,8 mm Durchmesser) mit Messpulver (DryFlo) gefüllt ...............34

Abb. 4.7: mit dem Feststoffpyknometer ermittelte Rohdichte der jeweiligen Baustoffe.........36

Abb. 4.8: Mahlgerät RS 100, Hersteller: Retsch……………………………..………….……37

Abb. 4.9: Helium(Ultra)pyknometer 1000, Hersteller: Quantachrome Corporation ...............37

Abb. 4.10: mit dem Heliumpyknometer ermittelte Reindichte der jeweiligen Baustoffe.…...39

Abb. 4.11: Porosität über Glas-, Festoffpyknometer und im Mittelwert der

gesammelten Baustoffsorten...............................................................................42

Abb. 5.1: Probenteiler für die statistisch genaue Herstellung von 10 Proben .........................45

Abb. 5.2: KUSTA 4004S; LLA ............................................................................................46

Abb. 5.3: Arbeitsbildschirm der Spektroskopiesoftware KustaSpec® ....................................48

Abb. 5.4: Probenaufnahme am Versuchsstand ......................................................................49

Abb. 5.5/5.6: Spektrenauswahl nach Intensität und Kurvenverlauf der Aufnahmespektren

und nach 1. Ableitung....................................................................................49

Escher M. Abbildungsverzeichnis ii

Abb. 5.7: Alle aufgenommenen, weiter verwendeten Spektren in einem Lernset..................51

Abb. 5.8: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung ....................52

Abb. 5.9: Oberton- und Kombinationsschwingungen typischer chemischer Verbindungen…54

Abb. 5.10: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 1.

Ableitung ............................................................................................................54

Abb. 5.11: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 2.

Ableitung ............................................................................................................55

Abb. 5.12: Grafische Darstellung der Ergebnisse (Scores Plot) .............................................73

Abb. 5.13: Alle Spektren der Baustoffe nach der Analyse in der 3D-Darstellung ..................75

Abb. 5.14: NIR-Erkennung in Abhängigkeit der Wasseranteile in den Proben……...………83

Abb. 5.15: Wasseranteiltest in Datenbank A und C grafisch dargestellt...........................…...84

Abb. 5.16: PLS Scores Plot der Asbest und Faserzementspektren mit ihren

konkurrierenden Auswertungsspektren................................................................86

Abb. 5.17: Proben mit Beton und bestimmten Gipsanteilen ..................................................87

Abb. 6.1/6.2: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C...91

Abb. 6.3: NIR- Erkennung in Abhängigkeit der physikalischen Charakteristika....................93

Escher M. Tabellenverzeichnis iii

Tabellenverzeichnis Tab. 2.1: Sortierung entsprechend der Stoffmerkmale.............................................................9

Tab. 2.2: Anwendung von Detektoren in unterschiedlichen Spektren....................................12

Tab. 3.1: Analysensiebe und zugehörige Kornklassen zur Bestimmung der

Korngrößenverteilung………………………………………………………………22

Tab. 4.1: Rohdichten der Baustoffsammlung im Mittelwert ..................................................30

Tab. 4.2: Wasseraufnahmen der Baustoffsammlung..............................................................33

Tab. 4.3: Rohdichten der gesammelten Baustoffe .................................................................36

Tab. 4.4: Reindichten der Baustoffe im Mittelwert ...............................................................38

Tab. 4.5: Porosität der Baustoffe mit der Rohdichteermittlung vom Glas- und

Feststoffpyknometer...............................................................................................41

Tab. 5.1: Technische Spezifikationen des Messgerätes KUSTA 4004S.................................47

Tab. 5.2: Baustoffsammlung und Anzahl der Messungen......................................................50

Tab. 5.3: Ergebnisse der Erkennbarkeit der Spektren mit Datenbank A.................................65

Tab. 5.4: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 2

Eigenvektoren, Mittelwertspektren als Lernset .......................................................66

Tab. 5.5: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 6

Eigenvektoren, Datenbank A als Lernset ................................................................67

Tab. 5.6: Datenbank B und C mit den Auswertungsverfahren ...............................................68

Tab. 5.7: Erkennung untereinander in Prozent-bei Datenbank B, 2. Ableitung, 4 Eigen-

vektoren, Mittelwertspektren aus Datenbank B als Lernset.....................................69

Tab. 5.8: Erkennung untereinander in Prozent-bei Datenbank B, 1. Ableitung, 6

Eigenvektoren, Datenbank B als Lernset ................................................................70

Tab. 5.9: Ergebnisse aus Datenbank C..................................................................................71

Tab. 5.10: Resultate der Erkennbarkeit von Spektren die nicht der Datenbank angehören

(bestes Ergebnis) .................................................................................................78

Tab. 5.11: Ergebnisse der Erkennbarkeit von Spektren die nicht der Datenbank angehören

(gemitteltes Ergebnis) .........................................................................................79

Tab. 5.12: Erkennung der Baustoffspektren in trockenem Zustand und 5 M-%

Wasseranteilen ....................................................................................................81

Tab. 5.13: Erkennung der Baustoffspektren in trockenem Zustand und 10 M-%

Wasseranteilen ....................................................................................................82

Tab. 5.14: Asbest- Faserzement- Vergleich...........................................................................85

Escher M. Tabellenverzeichnis iv

Tab. 5.15: Beton-Gipsanteil- Vergleich ................................................................................87

Tab. 5.16: Erkennungen von Beton, Gips und bestimmten Gipsanteilen in Beton nach einer

Auswertung.........................................................................................................88

Tab. 6.1: Gesamtübersicht der ermittelten Werte ..................................................................89

Tab. 6.2: zusätzliche Baustoffe/Störstoffe in ihrer NIR- Erkennung......................................90

Tab. 6.3: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C .........91

Tab. 6.4: Bewertung der ermittelten Baustoffparameter inklusive NIR- Erkennbarkeit .........92

Tab. 7.1: Beispiele für kombinierte Detektion.......................................................................96

Escher M. Abkürzungen v

Abkürzungen A Datenbank mit 5 Wandbaustoffen AB Altbeton B Datenbank mit 9 Baustoffen B(1-10) Beton(Sorte) bzw. beziehungsweise bspw. beispielsweise C Datenbank mit 14 Baustoffe CO2 Kohlenstoffdioxid cm Zentimeter cm² Quadratzentimeter cm³ Kubikzentimeter cm-1 Einheit Wellenzahl d Differenzierung auf 1. Ableitung dd Differenzierung auf 2. Ableitung d.h. das heißt EV Eigenvektoren FIR Ferninfrarot g Gramm Gew. Gewicht ggf. gegebenenfalls h Stunde IR Infrarot k Wellenzahl [cm-1] kg Kilogramm KS Kunststoffe KS(1-8) Kalksandstein(Sorte) l Liter LB(1-9) Leichtbeton(Sorte) LIF Laserinduzierte Fluoreszenz LIBS Laserinduzierte Breakdown Spektroskopie LIPS Laserinduzierte Plasmaspektroskopie LS Lernset LVP Leichtstoffverpackungen m Meter M1 Masse Pyknometer[g] M2 Masse Pyknometer mit dest. Wasser [g] M3 Masse Pyknometer mit Probe [g] M4 Masse Pyknometer mit dest. Wasser und Probe [g] M5 Masse Pyknometer mit dest. Wasser und Probe nach 1 Stunde [g] M6 Masse Pyknometer mit gesättigten Probe und dest. Wasser [g] M7 Masse wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g] M8 Masse Probe nach Ofentrocknung [g]

Escher M. Abkürzungen vi

m² Quadratmeter m³ Kubikmeter min Minute mm Millimeter M Masse M-% Masseprozent MIR Mittelinfrarot MW Mittelwert n Normaldifferenzierung(ohne) nm Nanometer NIR Nahinfrarot NIRS Nahinfrarotspektroskopie P Porosität PB(1-9) Porenbeton(Sorte) PBB Porenbetonbruch PP Polypropylen PCA Principal Component Analysis PCR Principal Component Regression PE Polyethylen PET Polyethylenterephthalat PLS Partial Least Square Regression PVC Polyvinylchlorid RGB Rot-Grün-Blau- Farbraum s Sekunde t Tonne TS Testset U Umdrehung u.a. unter anderen V Volt VIS Lichtspektrum des sichtbaren Lichtes Vol. Volumen WA Wasseraufnahme Z(1-10) Ziegelstein(Sorte) °C Grad Celsius z.B. zum Beispiel

λ Wellenlänge % Prozent �m Mikrometer �rd ofentrockene Rohdichte [g/cm³] �a scheinbare Rohdichte [g/cm³] �W Dichte Wasser [g/cm³] �0 Rohdichte [g/cm³] �R Reindichte [g/cm³] Ø durchschnittlich

Escher M. Einleitung 1

1. Einleitung

Recyclingbaustoffe für ihre Verwendung zur Deponieeinsparung und Primärrohstoffschonung

sind für eine nachhaltige Entwicklung zwingend notwendig. Aus dem Grund, dass Bau- und

Abbruchabfälle deutschlandweit den bedeutendsten Abfallstrom darstellen, ist die

Entwicklung von Detektions- und Trennverfahren für Bauabfälle erforderlich. Die Erkennung

und Trennung von mineralischen Stoffgemischen mit wirtschaftlicheren Resultaten als die

händische Sortierung sie erzielt sind dabei die Zielsetzung, um die Recyclingfähigkeit dieser

Stoffe zu erhöhen.

Die sensorgestützte Sortierung und speziell die NIRS hat in den letzten Jahren einen massiven

technologischen Aufschwung erfahren. Der Trend der Computerbranche immer schnellere

Rechenleistungen zu vollbringen sowie die Entwicklung immer feinerer Sensoren

ermöglichen jetzt schon den Einsatz in einer Vielzahl von Anwendungen. In vielen Bereichen

des Recyclings sind Sensorsysteme bereits erprobt und etabliert, wie z.B. in der Aufbereitung

von Glas, Kunststoffen und Metallen. Der Einsatz im Gebiet der mineralischen Rohstoffe ist

bisher meist bei der Aufbereitung von Industriemineralien wie Calzit, Talk oder Edelsteinen

zu finden. Jedoch sind auch schon erste Anwendungen bei der Erzaufbereitung realisiert

wurden. Durch derzeitige recht umfangreiche Forschungsarbeiten und eine rasch fortlaufende

Entwicklung in diesem Einsatzfeld, wird der Anwendungsbereich der Nahinfrarot-

Spektroskopie in Zukunft erweitert werden können. [1]

Durch kontinuierliche Optimierung der Sensorsysteme werden neue Mechanismen in der

Aufbereitung von Abfällen geschaffen. Durch die erhöhte Leistungsfähigkeit dieser

Technologien gegenüber herkömmlichen Trennverfahren ist die Basis für das Recycling von

Abfallströmen enorm vergrößert wurden. Somit hat die Recyclingtechnik die Chance den

Schritt von der reinen händischen Sortierung hin zur teilautomatisierten Aufbereitungsanlage

zu vollziehen. [8][9]

Im Mittelpunkt der geplanten Untersuchungen im Rahmen dieser Arbeit steht die Nah-

Infrarot-Spektroskopie (NIRS). Es soll geprüft werden, inwieweit Wandbaustoffe

verschiedener Sorten mittels NIRS detektierbar und die Ergebnisse den zugehörigen

Baustoffen zuzuweisen sind. Zur Untersuchungen wurden jeweils bis zu 10 nach

Marktanteilen am häufigsten verwendete Wandbaustoffe herangezogen. Im Vorfeld der NIRS

mussten die Proben gesammelt und anschließend zerkleinert und fraktioniert werden. Dieses

Escher M. Einleitung 2

Versuchsprogramm wird in Kapitel 3 ausführlich beschrieben. Weiterhin wurden an den

Fraktionen 4/8 und 8/16 verschiedene physikalische Charakteristika analysiert, um eventuelle

Korrelationen zu finden, die mit der Erkennung mittels NIRS in Abhängigkeit gebracht

werden können. Darüber hinaus soll die Möglichkeit der Erstellung einer möglichst genauen,

aber auch aussagekräftigen Methode zur Qualifizierung von mineralischen Baustoffen mit der

Nah-Infrarot-Spektroskopie an einem Versuchsstand geprüft werden.

Die Bestimmung mittels NIRS ist verglichen mit beispielsweise photometrischen oder

chemischen Untersuchungen eine weniger zeit- und arbeitsaufwendige Methode. Durch die

vergleichsweise geringere Probenvorbereitung bei NIR- Messungen ist der Zeitaufwand

deutlich niedriger und es werden keine Chemikalien verbraucht. Somit fallen kaum Personal-,

Material- und Entsorgungskosten an, auch weil die Messung einer Probe nur wenige

Sekunden Zeit in Anspruch nimmt. Dadurch ist ein hoher Probendurchsatz zu erreichen.

Weiterhin ist die NIR- Messung eine zerstörungsfreie Analysenmethode. Die Proben können

nach der Messung weiterverwendet werden. [33]

Ziel der vorliegenden Arbeit ist es, zu untersuchen, inwieweit Messungen mittels NIR-

Spektroskopie an mineralischen Baustoffen machbar sind und mit welchen physikalischen

Werten die Erkennbarkeit korreliert. Mit den theoretischen Erkenntnissen über

sensorgestützte Sortierverfahren werden im Rahmen der Diplomarbeit praktische Versuche zu

dem Thema NIRS durchgeführt. Dabei werden verschiedene Wandbaustoffe ausgewählt und

geprüft in wie fern diese mit mittels NIR- Technik zu detektieren sind.

Escher M. Theoretische Grundlagen 3

2. Theoretische Grundlagen

Neben klassischen Sortieraggregaten wie Magnetscheidern, Windsichtern oder

Wirbelstromscheidern haben sich sensorgestützte Sortiersysteme zur Trennung von

Abfallströmen etabliert. Die theoretischen Grundlagen zu sensorgestützten Sortierung werden

in diesem Kapitel kurz vorgestellt. Dabei werden diese erst im Allgemeinen erklärt um im

weiteren Verlauf speziell auf die NIR- Technik zu kommen.

Da die händische Sortierung in ihrem Trennerfolg und Durchsatz deutlich begrenzt ist, sind

beste Vorraussetzungen für die Automatisierung der Sortierung geschaffen. Vor allem die

Entwicklung des Sensorsystems NIR darzustellen ist wichtiger Bestandteil der Arbeit und

wird in diesem Kapitel vorgestellt.

Die Arbeitsschritte bei der sensorgestützten Sortierung sind in verscheiden Einheiten zu

kategorisieren: Vereinzelung, Erkennung, Klassifizierung und Trennung. „Erkennung“ und

„Klassifizierung“ werden dabei als Sensoreinheit bezeichnet. Um eine effiziente Sortierung zu

gewährleisten, ist die Auswahl notwendiger Merkmale entscheidend, die zur eindeutigen

Identifizierung der anzureichernden Fraktion notwendig sind. [11]


2.1 Historischer Hintergrund

Die Optische Sortierung von Kupfermineralien und Zinn für die Bronzeverarbeitung waren

die Anfänge für Sortierverfahren. Je reiner die Minerale waren, desto besser gelangen die

Endprodukte. Die Bedeutung der Sortierung hat sich im Laufe der Zeit enorm vergrößert. Die

Unterscheidung der Minerale wurde immer schwieriger und die Anforderungen an eine

geeignete Sortierung immer höher. Die damaligen Sortierungstrenneigenschaften waren

Charakteristika wie Farbe, Glanz, Strich, Bruchverhalten und Reflektion. Schon in der

Vergangenheit wurden unterschiedliche Verfahren verwendet um mineralische Stoffe zu

trennen. Unterschieden werden sie heute in die Klassierung und die Sortierung. Geometrische

Merkmale wie Volumen, Länge oder Fläche sind bei einer Klassierung entscheidend. Bei der

Sortierung wird nach physikalischen Eigenschaften wie Dichte und Mineraleigenschaften wie

Farbe, Glanz oder Infrarotreflektion unterschieden. Die Nahinfrarot-Spektroskopie gehört

somit zu den Verfahren, die der Sortierung untergeordnet sind. [URL 1]

In den 90er- Jahren wurden erste Schritte zur Einführung sensorgestützter Sortierung durch

die Verpackungsverordnung ausgelöst. Dies führte zur Entwicklung der ersten automatischen

Sortierverfahren, die auf Reflexions- und Absorptionsmessung im Nahinfrarotspektrum

aufbauten. Mit Hilfe von verschiedenen Sensortechniken, wie der Nahinfrarot- Erkennung

oder der intelligenten Bilderkennung und -Auswertung, konnten neuartige Trennverfahren

entwickelt werden.

Optischen Eigenschaften, die beispielsweise nur in bestimmtem Licht zu erkennen sind,

erfahren immer mehr Bedeutung. Die ersten Sortierer wurden bereits vor mehr als siebzig

Jahren für die Aufbereitung mineralischer Rohstoffe eingesetzt. Dabei waren die Durchsätze

der Sortierung sehr gering und wurden deshalb nur für spezielle, sehr hochwertige Rohstoffe

verwendet, wie z.B. bei der Diamantensortierung. Wirtschaftlich war die Sensorsortierung

noch nicht, was auch an der fehlenden Präzision und natürlich den Kosten lag. Zu einer

industriellen Anwendung auch bei höheren Durchsätzen wurden radiometrische Sortierer zur

Aufbereitung von Uranerzen entwickelt. Doch auch vor etwa 3 Jahrzehnten schien der Einsatz

von sensorgestützten Sortierungsverfahren in vielen Bereichen noch unmöglich. Ein

Aufschwung um die Thematik der Sensortechnik erfolgte mit der Einführung des

Rohstoffrecyclings. Die dabei entstandenen Anforderungen an die Aufbereitungstechnik

führten in den Jahren 1980 bis 1990 zu ersten Versuchen mit Recyclingmaterial. Analoge

Einzelkanal-Sortierer mit Fotodioden waren die ersten derzeitigen Sortierer. Doch durch die


schnell fortschreitende Entwicklung und dem sich rasch entwickelndem Markt im

Recyclingbereich wurden schnellere und leistungsfähigere Sensorsysteme konstruiert. Auch

die Entwicklung im Bereich der Aussortierung über Luftventile gewährleistete eine Erhöhung

der möglichen Durchsätze. [1]

Das Prinzip der NIR- Spektroskopie ist seit den fünfziger Jahren der 20. Jahrhunderts

bekannt. Erste praktische Anwendungen fand die Technik in den sechziger Jahren in der

landwirtschaftlichen Industrie und in der Lebensmittelchemie. [17][18] Ende der achtziger

Jahre fand die NIR- Technik ein größeres Anwendungsspektrum durch die Möglichkeit des

Einsatzes multivariater Analysenmethoden zur Auswertung der NIR- Spektren und die

erhöhte Leistungsfähigkeit der Rechenmodule. [19] In der Industrie wird die Nah-Infrarot-

Spektroskopie inzwischen in vielen Produktionsanlagen eingesetzt, auch weil Messungen

mehrere Meter entfernt möglich geworden sind. Weiterhin wird die NIR- Technik unter

anderem in der Medizin zur nichtinvasiven Blutzuckermessung genutzt [20]. Andere

Anwendungsbereiche sind vor allem in der Pharmazie zu finden. [21] Somit hat die Nah-

Infrarot-Spektroskopie bereits in vielen Bereichen Einzug gehalten.[33]

Abschließend ist festzuhalten, dass mit einer wachsender Entwicklung in der Sensortechnik,

auch im speziellen bei der NIRS, mit der Automatisierung der Sortierung von mineralischen

Baustoffen zu rechnen ist. [1]


2.2 Sensorgestützte Sortierungsverfahren

Die Entwicklung der Sensortechnik sowie die immer besseren Rechenleistungen waren

maßgebend, um in Echtzeit Auswertungen rund um die Detektionseinheiten zu generieren.

Angetrieben wurde die Weiterentwicklung solcher Systeme zunächst durch die

Qualitätssicherung. Aufgrund hoher Ansprüche an Produkte der Nahrungs- und

Lebensmittelindustrie, wurde die Entwicklung in diesem Bereich stark von der Industrie

gefördert, da ein entsprechend großer Absatzmarkt vorhanden ist. Dabei wurden

Detektionssysteme entworfen, die eine Überwachung während des Produktionsprozesses

sicherstellen. Durch den Einsatz hoch auflösender physikalischer Messtechniken werden

Materialeigenschaften detektierbar, die mit dem Auge nicht erkennbar sind. Sensorgestützte

Sortierungsverfahren sind leistungsfähiger und zuverlässiger als herkömmliche Verfahren,

auch weil Fördergeschwindigkeiten, die um das Zehnfache höher liegen als bei der üblichen

Handklaubung, möglich sind. Ausgenommen beim Aspekt der Qualitätskontrolle, hier kann

auf menschliche Arbeitskräfte noch nicht verzichtet werden, um die geringe Fehlerquote

technischer Systeme auszugleichen. [11]

Das Grundprinzip der sensorgestützten Sortierung ist ein Stoffgemisch in mindestens zwei

verschiedene Ströme zu trennen, deren Komponenten sich nach mindestens einem

Trennkriterium unterscheiden. Trennkriterien sind dabei meist physikalische Eigenschaften

wie Dichte, Farbe, Reflexions- oder Transmissionsvermögen. In einer schematischen

Darstellung in Abbildung 2.1 wird der Aufbau und Ablauf der sensorgestützten Sortierung

aufgezeigt. Zuerst erfolgt die Aufgabe der Materialien auf ein Förderband zur Zuführung und

Vereinzelung. Der Materialstromstrom wird über dieses Förderband mit Geschwindigkeiten

bis zu 3,5 m/s zur Sensoreinheit geführt. Das Material gelangt dann zu dem Sensorsystem zur

Erkennung der spezifischen Materialeigenschaften einzelner Bestandteile. Der Sensor erfasst

die Materialien und weist diese durch eine entsprechende Auswertung der detektierten

Spektrallinien verschiedenen Materialtypen zu. Zur Auswertung steuert eine Elektronik die

mit Druckluft arbeitende Ausschleusvorrichtung an, so dass immer mindestens zwei neue

Stoffströme entstehen. Dadurch werden unerwünschte Bestandteile durch Druckluftimpulse

von bis zu mehreren bar in den Auswurf befördert. Die Aufbereitung des Sortiermaterials

sowie eine konstante Korngröße und eine entsprechende Vereinzelung garantieren, dass ein

solches Sortiersystem funktioniert. Nur mit einer entsprechenden Probenvorbereitung lässt

sich sicherstellen, dass einzelne Objekte erkannt und ausgeblasen werden. [9]


Abb. 2.1: Schematische Darstellungen eines sensorgestützten Sortierverfahren [2][9]

Anhand der Abbildung 2.1 können der Ablauf und die Arbeitsschritte der Sensorsortierung

verfolgt werden. Die Aufgaben der sensorgestützten Sortierung lassen sich folgendermaßen

erklären: Identifikation, Transport, Klassifikation, Ansteuerung und Trennung nach frei

wählbaren Klassifikationsmerkmalen.

„Die sensorgestützte Sortierung bietet zudem die Möglichkeit, aus der großen Datenfülle der

Detektion, mittels statistischer Methoden die unterschiedlichen Eigenschaften von Materialien

zu filtern, auf dessen Grundlage ein Trennkriterium generiert werden kann.“ [11]

Im Recyclingbereich und in der mineralischen Aufbereitung stehen heute sensorgestützte

Geräte zur Verfügung, die im Vergleich mit herkömmlicher Aufbereitungstechnik, z.B. der

händischen Sortierung, bei der die Sortierleistung stark begrenzt ist und mit fallender

Stückgröße die Sortierleistung abnimmt, kostengünstiger und mit weitaus höheren

Durchsätzen arbeiten. Dichteunterschiede spielen bei der sensorgestützten Sortierung nur eine

untergeordnete Rolle. Es kann alles, was durch Detektoren erkennbar ist, als Trennkriterium

herangezogen werden. Dies können u.a. geometrische, mineralogische und physikalische

Eigenschaften sein. Derzeit gibt es noch nicht für alle Eigenschaften genügend hoch

auflösende Detektoren, um alle denkbaren Trennmerkmale verwenden zu können. Grenzen

der Sortiertechnik waren vor allem mit der Rechenleistung von Computern und somit mit der

Verarbeitungsgeschwindigkeit verbunden. Probleme bereiten heute vielmehr verschiedene

mechanische Ursachen, besonders bei hohen Durchsätzen oder Einzelkornmengen. Oder die

durch die hohe Anzahl an Ausblasvorgängen entstehenden Luftwirbelungen, die zu

Ablenkungen und somit zu Fehltreffern führen. [9]


Heute können optischen Sensoren bis zu mehrere 10000 einzelne Stücke pro Sekunde und pro

Meter Arbeitsbreite erfassen bzw. auswerten und bis zu 2000 Einzelstücke pro Sekunde und

Meter Arbeitsbreite durch Druckluftventile ausgeben. Hierbei wird jedes Stück einzeln

erfasst, evaluiert und getrennt. Dadurch hängen die resultierenden Massendurchsätze auch

vom Einzelstückgewicht ab. Also je höher das Gewicht der einzelnen Partikel desto höher der

erzielbare Durchsatz. Die kleinste sinnvolle Korngröße liegt derzeit bei etwa 1mm. Die obere

Grenze bei Mineralien ist in etwa bei Korngrößen bis zu 300 mm. Das ermöglicht verschieden

hohe Durchsätze, die nicht nur für kleinere Betriebe in der Mineralindustrie ausreichend sind.

Der deutlichste Unterschied zu herkömmlichen Sortier- und Trenntechniken ist, dass das

Sortierkriterium bei der optischen Sortierung von der trennenden Kraft, beispielsweise der

Auftriebskraft, entkoppelt ist. [1]


In Tabelle 2.1 sind zu den Sortieraggregaten die jeweiligen Trennkriterien der allgemeinen

Abfallaufbereitung aufgelistet.

Tab. 2.1: Sortierung entsprechend der Stoffmerkmale [11][48] Aggregate Trennprozess phys. Merkmal

Windsichter Sichtung Dichte und Form

Rollgutscheider, Schwerguttrenner,

Paddelsichter Ballistische Trennung

Dichte, Rollfähigkeit und

Stückgröße, ggf. Festigkeit

Überband-, Trommel-, Bandrollenmagnetscheider

Magnetscheidung Magnetische Suszeptibilität

Wirbelstromscheider mit ex- und konzentrischem Polrad

Wirbelstromscheidung, Automatische Klaubung mit

Induktionsdetektoren

Elektrische Leitfähigkeit

Handsortierung und sensorgestützte Sortierung

Manuelle Klaubung,

Automatische Klaubung mit Farbkamera,

Laser

Oberflächeneigenschaften

Farbe, Glanz, Artikeleigenschaft

sensorgestützte Sortierung Automatische Klaubung mit

NIR, LIF LIBS

Chemische Zusammensetzung

sensorgestützte Sortierung Automatische Klaubung mit

Röntgenstrahlung

Dichte


Optische Sortieranlagen für mineralische Rohstoffe sind mittlerweile in der Lage, Rohstoffe

aufgrund ihrer Farbe, Form oder Helligkeit zu trennen und können einen selektiven Abbau

von Lagerstätten oder die Klaubung am Förderband ersetzen. Auch in Kornbereichen unter 40

mm und sogar bei Korngrößen von 3-5 mm, wo das Klauben nicht wirtschaftlich war, können

optische Sortieranlagen vorhandene Aufbereitungsprozesse auf jeden Fall entlasten und

vielleicht sogar ersetzen. Entwicklungen dieser Art ermöglichen es Rohstoffe in der optimalen

Korngröße für den Aufschluss zu trennen. Somit können natürliche Ressourcen in bisher

unbekannter Weise effektiv genutzt werden. [3]

Auch die Rohstoffverarbeitenden Industrie muss Produktionsprozesse standardisieren und

optimieren um kostengünstig zu produzieren und gute Qualität zu erbringen. Anforderungen

an qualitativ hochwertige, standardisierte Produkte steigen, um von Schwankungen der

Eingangsrohstoffe unabhängig zu sein. Diese sind nur durch eine optimierte und

wirtschaftliche Aufbereitung der Rohstoffe zu erzielen. Der Aufschluss von

Rohstoffverbindungen bekommt dabei eine immer größere Bedeutung. Durch

Aufbereitungsverfahren werden die Materialien aufgrund von physikalischen oder

chemischen Eigenschaften, durch Dichtetrennverfahren, magnetische oder elektrostatische

Sortierung, durch Lösen und Ausfällen oder durch die Farbe getrennt. Wie schon erwähnt

können Materialien, bei entsprechender Korngröße, durch Klauben an einem Förderband

separiert werden. Moderne optische Sortieranlagen, die in der Lage sind, verschiedenste

Materialien effektiv abzuscheiden, also automatisch zu klauben, können die Aufgaben der

Handklaubung, auch unter erschwerten Bedingungen (Bergbau), derzeit schon

übernehmen.[3]


2.3 Physikalische Grundlagen der Infrarottechnik

Alle Methoden bei denen Wechselwirkungen elektromagnetischer Strahlung mit Materie

genutzt werden, fasst man unter dem Begriff Spektroskopie zusammen. Der Spektralbereich

der infraroten Strahlung liegt zwischen dem Bereich des sichtbaren Lichtes und dem Bereich

der Mikrowellen und erstreckt sich von 800 nm bis 500 �m, wie in Abbildung 2.2 zu

erkennen ist. Dieser Bereich ist unterteilt in das ferne Infrarot (FIR), das sich im Bereich von

50 �m bis 500 �m bzw. 200 cm-1 bis 20 cm-1 befindet. Im mittleren Infrarot (MIR), welches

im Lichtwellenspektrum bei 2500 nm bis 50 �m bzw. 4000 cm-1 bis 200 cm-1 liegt, kommt es

zur Anregung von Molekülschwingungen. Anders sieht es im nahen Infrarot (NIR)- Bereich

aus, der sich im Wellenlängenspektrum bei 800 bis 2500 nm bzw. 12500 cm-1 bis 4000 cm-1

befindet. Hier werden Obertöne und Kombinationsschwingungen der Grundschwingungen

aus dem MIR beobachtet, welche im Wesentlichen den OH-, NH-, CH- und CO-

Funktionalitäten zugeordnet werden können. Solche Schwingungsvorgänge geschehen

aufgrund einer Änderung des Moleküldipolmomentes dann, wenn die wellenlängenabhängige

Energie des eingestrahlten Lichtes genau der Energiedifferenz zwischen dem Grundzustand

und dem jeweiligen Schwingungsniveau entspricht. In der Nahinfrarotspektroskopie gilt das

Lambert-Beersche- Gesetz. Dieses besagt, dass sich die Absorption an einer bestimmten

Wellenlänge proportional zur Konzentration des jeweiligen Inhaltsstoffs verhält. NIR-

Spektren von Stoffgemischen aus der Überlagerung von Einzelspektren resultieren einer

Vielzahl meist unbekannter Inhaltsstoffe. Eine erweiterte sowie inverse Form des Gesetzes

nach Lambert-Beer wird deswegen in der NIR- Spektroskopie angewendet. [38]

Abb. 2.2: Position der Infrarot-Strahlung im elektromagnetischen Spektrum [33]


Zu Beginn der 90er Jahre fand die Technologie ihren Weg in die Abfallwirtschaft, genauer

gesagt zur Altglasaufbereitung. Mit steigender Menge an Recyclingmaterial nahm auch die

Bedeutung der Einhaltung immer strikterer Qualitätskriterien zu. Durch konsequente

Weiterentwicklung ließ sich eine Erweiterung der Anwendungen für sensorbasierte

Sortiertechnologie erreichen. Ein Meilenstein in dieser Entwicklung waren sensorgestützte

Sortiermaschinen mit Sensortechnik im Wellenlängenbereich des nahen Infrarots. Dadurch

wurde die Sortierung nicht ausschließlich auf Trennkriterien wie Oberfläche, Farbe und

Transparenz beschränkt. Ebenso lassen sich Materialeigenschaften zur Separierung einsetzen,

welche die Anwendung sensorbasierter Sortiermaschinen bei unterschiedlichen Materialarten

aus gemischten Abfällen ermöglicht. Heute haben vor allem Systeme der Kunststoff- und

Papiertrennung im NIR- Spektrum die Marktreife erreicht und zählen zum Stand der Technik

in der Recyclingindustrie. [9][48]

Tab. 2.2: Anwendung von Detektoren in unterschiedlichen Spektren [11][48]

Spektralart Anwendung

Sichtbares Licht

Trennung von Metallen wie Messing und Bronze,

Glassortierung, Papieraufbereitung, Sortierung von Industriemineralien

Nahinfrarot NIR

Kunststoffsortierung (LVP), PET Aufbereitung,

Holz aus Sperrmüll, Chlorabreicherungen im Ersatzbrennstoffen

Röntgen

Batteriesortierung, Aufbereitung von Industriemineralien,

Elektroaltgeräte aus Wertstoffgemischen, Metalle unterschiedlicher Dichte

In Tabelle 2.2 sind die NIR- Technik und andere Detektoren für unterschiedliche

Spektralarten den Anwendungen gegenüber gestellt.

Im Folgenden werden einige physikalische Grundlagen erläutert, dabei werden u.a.

Schwingungen, Spektralbereiche und Wellenzahlen bei der NIR- Spektroskopie thematisiert.


Spektralbereiche werden als Wellenzahlen k mit der Einheit [cm-1] bezeichnet.

(Gl. 2.1)

Die Wellenzahl k ist der Reziprokwert der Wellenlänge λ. Das hat den Vorteil, dass sie zur

Frequenz der absorbierten Strahlung und damit auch zur Energie direkt proportional ist

[17][33].

(Gl. 2.2)

Dabei ist h das Plancksche Wirkungsquantum und cV die Lichtgeschwindigkeit im Vakuum.

[33]

Im ultravioletten und sichtbaren Bereich der elektromagnetischen Strahlung werden die

Absorptionsspektren durch Anregung der Elektronen in den Molekülen erhalten. Die NIR-

Spektroskopie gehört, wie auch die Infrarot-Spektroskopie im MIR- Bereich, zu den

schwingungsspektroskopischen Methoden. In den Bereich des mittleren und nahen Infrarots

werden Molekülschwingungen angeregt. Im fernen Infrarot werden dagegen

Molekülrotationen angeregt.

Bei Molekülschwingungen unterscheidet man zwischen Valenzschwingungen

(Streckschwingungen) und Deformationsschwingungen (Beugeschwingungen)[33].

Die Valenzschwingung ist eine Schwingung in Richtung der Bindungsachse, bei der sich der

Abstand der beteiligten Atome zueinander ändert (Streckung). Im Gegensatz zu der

Deformationsschwingung, dort ändert sich der Winkel der beteiligten Atome zueinander

(Beugung) [22]. Hierbei ist weniger Energie zur Anregung nötig als bei Valenzschwingungen

[23][33].


Der Bereich des NIR liegt zwischen dem sichtbaren Licht, das hauptsächlich

Valenzelektronen anregt, und dem MIR, das durch Molekülschwingungen geprägt ist.

[URL21]

Die Quantentheorie besagt, dass nur diskrete Energiezustände und somit auch nur diskrete

Schwingungszustände existieren. Der Übergang vom Grundzustand zum ersten

Schwingungsniveau bezeichnet die Grundschwingung. Die Frequenz der Oberschwingung,

der Übergang über mehrere Schwingungsniveaus, liegt beim Vielfachen der Frequenz der

Grundschwingung. Der Übergang auf das zweite Schwingungsniveau entspricht etwa der

doppelten Grundschwingungsfrequenz. Diese Übergangswahrscheinlichkeit sinkt mit

steigendem Schwingungsniveau, wobei auch die Intensität der Absorptionsbanden abnimmt

[23][33].

Des Weiteren treten noch Kombinationsschwingungen auf, die sich aus mehreren Einzel-

schwingungen zusammensetzen. Die Wahrscheinlichkeit für Kombinationsschwingungen ist

sehr gering, deshalb sind deren Absorptionsbanden noch schwächer ausgeprägt als die der

Obertöne. Das ist ein Grund, der es möglich macht, Materialien im nahen Infrarot ohne

vorherige Extraktion oder Verdünnung direkt zu vermessen. [33].

Der energiereichste Bereich der Infrarotstrahlung ist der NIR- Bereich. Das heißt, dass

Absorptionsbanden von leichten Atomen mit einer starken chemischen Bindung im Bereich

des nahen Infrarots liegen. Diese Bedingungen sind u.a. bei C-H-, O-H- und N-H-Bindungen

erfüllt, womit sich die NIRS vor allem zur Analyse organischer Verbindungen eignet

[25][33].

Die Grundschwingungen von diesen Bindungen liegen bei 2,5 �m bis 15 �m und somit noch

im MIR- Bereich. Im NIR- Bereich befinden sich die erste Oberschwingung, die zwischen

1400 nm und 2000 nm liegt, und die höheren Ober- und Kombinationsschwingungen, die

zwischen 800 nm und 1400 nm liegen. [26][33].

Viele Übergangsmöglichkeiten lassen die einzelnen Absorptionsbanden überlappen und man

erhält im nahen Infrarot sehr breite Banden [27]. Es gibt keine einzelne Wellenzahl, bei der

von einem Substanzgemisch nur eine einzige Komponente absorbiert wird. Deswegen sind

quantitative Auswertungen anhand einer Wellenzahl unmöglich. [28][33].


Flüssigkeiten können im NIRS unverdünnt im Transmissionsmodus gemessen werden.

Feststoffe dagegen werden in diffuser Reflexion vermessen. Die Strahlung trifft bei einer

unförmige Probe auf die zufällig in alle Raumrichtungen verteilten Partikel. Ein Teil der

Strahlung wird von der Probe absorbiert und der andere Teil wird von den Teilchen diffus

reflektiert. Das bedeutet, dass keine Vorzugsrichtung vorhanden ist, wie in Abbildung 2.3 zu

erkennen ist. Die spektrale Information des Materials, die sich in diesen Teil der Strahlung

befindet, wird detektiert.[33]

Abb.2.3: Messung von Flüssigkeiten in Transmission (a) und Feststoffen in diffuser Reflexion (b) [l7][33]


2.4. Funktionsweise

Die NIR- Technik ist eine berührungs- und zerstörungsfreie Technologie zur

Materialidentifizierung. Dabei werden die zu analysierenden Materialien mit hoher

Geschwindigkeit (ca. 2,5 bis 3 m/s) auf einem schwarzen Förderband unter die

Erkennungseinheit transportiert, analysiert und anschließend ausgeblasen. Während des

Vorbeifahrens werden Lichtwellen auf die Objekte gesendet. Während ein Teil der

Lichtwellen absorbiert wird, wird ein anderer Teil reflektiert. Das reflektierte Licht wird an

ein Spektrometer weitergeleitet und im Nahinfrarot-Bereich analysiert. [48]

Auf Grund der molekularen Struktur der Materialien wird das Licht in bestimmten

Wellenlängenbereichen auf eine materialtypische Art und Weise bevorzugt reflektiert bzw.

absorbiert. Die Analyse ergibt ein so genanntes Spektrum.

Altpapier und Kunststoffe sind wegen ihres charakteristischen Absorptionsverhaltens im NIR-

Bereiches sehr gut zu unterscheiden. Aufgrund der technischen Möglichkeiten der

Separierung von Korngrößen größer 10 Millimeter lassen sich nicht nur unaufbereitete Stoffe,

sondern auch zerkleinerte Kunststofffraktionen sortieren. Je nach spezifischer

Zusammensetzung des Stoffes werden bestimmte Wellenlängenbereiche unterschiedlich stark

absorbiert. Abhängig davon detektiert auch das NIR- Spektrometer, das als Sensor dient,

unterschiedliche Spektrallinien. Durch einen Vergleich der charakteristischen Extremwerte

der Spektrallinien wird u.a. eine Unterscheidung möglich. Aufgrund von Informationen über

Intensitäten von Spektrallinien in bestimmten Wellenlängenbereichen ist eine EDV-gestützte

Unterscheidung und dementsprechend eine nachfolgende Separierung möglich. [9]

Neben dieser Einordnung kann noch eine Klassenzuordnung an Eigenschaften wie der Farbe

bestimmend sein. [2] Durch Unterschiede in Materialart und Farbe wird die Strahlung

abgestuft absorbiert und reflektiert. Die reflektierte Strahlung wird dabei von zwei speziellen

Kamerasystemen detektiert. Ein Kamerasystem mit bildgebender NIR- Spektroskopie ist

dabei für die Aufnahme der stoffspezifischen Absorptionseigenschaften verantwortlich.

Anschließend werden Farbe und Bedruckungsgrad der Materialien mit hochauflösenden

RGB- Zeilenkameras detektiert. Die Objekte werden danach definierten Merkmalsklassen

zugeordnet. [2]


Die NIR- Technologie kann auf bisherigen Stand der Entwicklung nur Materialien

identifizieren, die ausreichende Reflexion im Arbeitsspektrum (ca. 1.200 bis 1.700 nm)

verursachen. Dunkle Materialien werden somit nicht vom NIR- Sensor erkannt. Somit

entsteht ein erhebliches Problem bei der eindeutigen Identifizierung und im Erreichen

zufrieden stellender Ausbeuten. Das Erkennen dunkler Materialien steht im Mittelpunkt

einiger Entwicklungsvorhaben. Es besteht die Hoffnung, dass Sensoren, welche als

Arbeitsbereich das Mittlere- Infrarot- Spektrum heranziehen, zu besseren Erkennungsraten

führen. Im MIR- Spektrum ist die Absorption von Ruß niedriger, der z.B. zur Farbgebung

dunkler Polymere eingesetzt wird. Dies erlaubt eine Detektion direkter Reflexion. Sensoren

auf Basis des MIR- Spektrums sind sehr empfindlich, was neben den höheren

Investitionskosten einen industriellen Einsatz noch nicht zu hundert Prozent erlaubt. [12][48]

Die heutigen NIR- Trennmodule für die Separation können auch mit einer Kombination von

optischer und spektraler Analyse arbeiten. Das ist in Abbildung 2.4 dargestellt und wird von

der Firma TITECH ausgeführt. Mit diesen Trennaggregaten können zusätzlich zur NIR-

Detektion auf eine Objekterkennung mit einer hochauflösenden Kamera zurückgegriffen

werden. Gerade im Grobkornbereich (> 200 mm) bringt diese Art der Objekterkennung

Vorteile. [5][48]

Für die Wirksamkeit der NIR- Trennaggregate sollten einige Voraussetzungen geschaffen

werden. Zum Beispiel sollte vor Inbetriebnahme die Festlegung auf ein enges Kornspektrum

erfolgen und eine Metallabtrennung vorgeschaltet werden. Weiterhin sollte eine

Einzelbelegung auf dem Förderband vorhanden sein bezüglich der Arbeitsbreite des NIR-

Moduls. Nach Inbetriebnahme der Trennaggregate müssen regelmäßig Wartungen und

Kontrollen der Sensoreinheiten durchgeführt werden. Außerdem sollten Fehlsortierungen und

Verluste überprüft werden. [5][48]


Abb.2.4:. „Polysort“ der Firma TITECH [URL 5][5]

Nach derzeitigem Stand der Technik kann die NIR- Technologie Materialien die ein

schlechtes Verhältnis von Gewicht zu Fläche aufweisen schwer über Druckluftventile

abtrennen. Bei den eigenen Messungen am Versuchsstand wird der Bereich von 1300 nm bis

2300 nm beleuchtet. [5][48]

Derzeit existieren verschiedene Techniken zur Erzeugung von NIR- Spektren und

dementsprechend auch unterschiedliche Spektrometertypen. Neben den dispersiven

Spektrometern gibt es die Fourier- Transformations- Spektrometer (FT-Geräte). Bei den

dispersiven Spektrometern wird die NIR- Strahlung in einzelne Wellenlängen getrennt auf das

Material eingestrahlt. Hingegen werden bei FT-Geräten alle Frequenzen des NIR-Spektrums

gleichzeitig auf die zu untersuchende Probe gelenkt und im Detektor erfasst, weshalb ein

zeitaufwendiger Wellenlängenscan nicht notwendig ist. [33] Alle NIR- Spektrometern folgen

dem Prinzip, Wechselwirkungen zwischen dem Untersuchungsmaterial und dem Licht zu

detektieren. Spektrometer unterscheiden sich meist in der Art der Lichterzeugung bestimmter

Wellenlängen. Unterschiede bestehen darin, ob es Wellenlängenselektionen mit beweglichen

oder festen Bauteilen erfolgen und ob nur an einzelnen Wellenlängen oder über einen

gewissen Spektralbereich gemessen wird. Seit einigen Jahren sind auch tragbare Geräte

verfügbar, um mobil Messungen durchzuführen. Durch die Vielzahl an verschiedenen

Spektrometern und Messprinzipien sind die möglichem Einsatzgebiete weit gefächert. [38]

Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 19

3. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung Im folgenden Kapitel wird auf das Versuchsprogramm – Sammlung, Aufbereitung und

Fraktionierung eingegangen. Das Programm beschreibt grundsätzlich die Durchführung der

Probenbeschaffung und Art und Weise der Vorbereitung für die folgenden Versuchs-

programme.

3.1 Versuchsbeschreibung

Für das Versuchsprogramm- Sammlung, Aufbereitung und Fraktionierung wurden jeweils bis

zu 10 Proben der mineralischen, sortenreinen, ungebrauchten Wandbaustoffe Beton,

Leichtbeton, Porenbeton, Ziegel- und Kalksandstein gesammelt. Ausgehend von den

Marktanteilen der zu untersuchenden Baustoffe wurde die Einteilung getroffen.

Laut der Deutschen Gesellschaft für Mauerwerksbau sind die Anteile der Baustoffarten wie

folgt aufgeteilt: Mit einem Anteil von 46,2% der Gesamtmenge ist Ziegel der am häufigsten

eingesetzte Wandbaustoff, gefolgt von Kalksandstein mit 24,6%, Porenbeton mit 18,7%

sowie Beton- und Leichbeton mit 10,5%. Abbildung 3.1 stellt die Verteilung dar. [URL 19]

46,2 45,9

24,6 25,518,7 18,6

10,5 10,6

0

10

20

30

40

50

2006 2005Jahr

An

teil

in [%

]

Ziegel Kalksandstein Porenbeton Beton- und Leichtbetonsteine

Abb. 3.1: Mauerstein - Marktanteile in Deutschland für 2005 und 2006

Aufgrund der Marktanteile von Wandbaustoffen nach Abbildung 3.1 wurde die

Baustoffsammlung angelegt.


Nach der Einteilung, welche Baustoffe zu untersuchen sind, wurde die Anzahl der zu

betrachteten Baustoffe je Baustoffsorte bestimmt. Die Einteilung, von jeder Baustoffsorte

möglichst 10 unterschiedliche Proben zu besorgen, wurde getroffen. Bei dieser Anzahl an

Baustoffsorten und der daraus entstehenden Vielzahl an Vergleichswerten von stofflichen

Merkmalen und aufgenommenen NIR- Spektren, können Korrelationen zur Erkennbarkeit

mittels NIR getroffen werden. Durch Abschätzen, wie viel Material einer Probe eines

Baustoffes benötigt wird, um die folgenden Untersuchungen ordnungsgemäß durchzuführen,

konnte die Beschaffung der Baustoffe beginnen. Die Sammlung erfolgte durch Aufsuchen

verschiedener Baumärkte, Baustoffhandel und Bauunternehmen in der näheren Umgebung.

Durch die hohe Anzahl an Baustoffen gestaltete sich der Transport oftmals schwierig.

Dennoch wurden über 1000 kg an Baustoffen gesammelt und anschließend in die

Aufbereitungshalle der Professur Aufbereitung und Wiederverwendung zum Brechen

gebracht.

3.1.1 Korngrößenverteilung Diese gesammelten Baustoffe wurden in der Aufbereitungshalle der Professur mit einem

Prallbrecher zerkleinert und anschließend mittels Siebturm in die Fraktionen 4/8 und 8/16

geteilt. Um weitere Erkenntnisse hinsichtlich der Korngrößenverteilung zu erhalten, wurden

zusätzlich die Siebe der Öffnungsweiten 2 mm und 16 mm benutzt. Somit werden 5

Kornfraktionen erhalten mit denen sich Korngrößenverteilungen erstellen lassen. Diese sind

im Folgenden tabellarisch aufgeführt und geben erste Vergleichsdaten, die in späteren

Bewertungen zu Korrelationen benötigt werden.

Die einzelnen Korngrößenverteilungen und zugehörigen Tabellen sind im Anhang A1

hinterlegt. Beispielhaft wird die Primärbaustoffsammlung vor und nach der Zerkleinerung und

Siebung in Abbildung 3.2 aufgezeigt.


Die Materialien wurden mit einem Prallbrecher, dargestellt in Abbildung 3.3, gebrochen und

zerkleinert.

Abb.3.2: Primärbaustoffsammlung vor dem Brechen und fraktioniert(Auszug) Abb.3.3: Prallbrecher

Die Korngrößenverteilung der gebrochenen Baustoffe erfolgte nach DIN EN 933-1

„Prüfverfahren für geometrische Eigenschaften von Gesteinskörnungen - Teil 1: Bestimmung

der Korngrößenverteilung - Siebverfahren“. [39]

Bei der Bestimmung der Korngrößenverteilung wird mittels Siebanalyse jede Korngruppe mit

Hilfe eines definierten Siebsatzes in Kornklassen zerlegt. Nach den technischen Prüfvor-

schriften gibt die Korngrößenverteilung „die verschiedenen Massenanteile der in einem

Gesteinskörnungsgemisch enthaltenen Körner gleicher Kornklassen wieder. Sie wird im

Regelfall als Summe der Massenverteilung der Siebdurchgänge gegenüber den

Nennöffnungsweiten der Analysensiebe dargestellt.“ [47]

Da für die weiteren Betrachtungen nur die Fraktionen 4/8 und 8/16 entscheidend waren,

wurde auf einige Siebsätze verzichtet. Anschließend konnte für jede gewählte Fraktion ein

Siebsatz aufgebaut werden. Die Anzahl der Siebe ergab sich nach der Einteilung der zwei zu

erzielenden Fraktionen. Um trotzdem eine gewisse Aussagekraft über eine

Korngrößenverteilung zu bekommen, wurden weitere Siebe im Siebturm installiert. Die

Nennweiten der Analysensiebe und die zugehörigen Kornklassen sind in Tabelle 3.1

dargestellt.


Tabelle 3.1 Analysensiebe und zugehörige Kornklassen zur Bestimmung der Korngrößenverteilung [39] Analysensieb [Nennweite in mm] Kornklasse

Siebboden 0/2

2,0 2/4

4,0 4/8

8,0 8/16

16 >16

Die Siebsätze mussten anschließend auf eine Auffangschale gesetzt und mit einem Deckel

versehen werden. Danach erfolgte für die Dauer von 10 Minuten eine maschinelle Siebung.

Diese ist in Abbildung 3.4 dargestellt.

Abb. 3.4 Maschinelle Siebung zur Ermittlung der Korngrößenverteilung Nach Beendung der maschinellen Siebung waren die Siebe einzeln zu entnehmen, auf eine

Auffangschale zu setzen und durch kippen, klopfen und schütteln per Hand nachzusieben. Die

Siebdurchgänge mussten in das nächst kleinere Sieb verbracht und die Siebrückstände

gewogen werden.

Die Anteile der einzelnen Kornklassen mussten abschließend in M-% der Einwaage ermittelt

und deren Summe zu einer Sieblinie grafisch zusammengefügt werden. In der folgenden

Auswertung werden die ermittelten Korngrößenverteilungen gezeigt, die mit jedem

gebrochenen Baustoff erstellt wurde. Tabellarische Werte und Einzelanalysen sind im Anhang

A1 hinterlegt.


3.2 Auswertung

Korngrößenverteilung Beton

0

20

40

60

80

100

0 2 4 8 16 32

Siebweite [mm]

Sie

bdurc

hgan

g in M

%

Beton 1 Beton 2 Beton 3 Beton 4 Beton 5

Beton 6 Beton 7 Beton 8 Beton 9 Beton 10

Abb.3.5: Korngrößenverteilung der Betonsorten 1 bis 10

Abbildung 3.5 stellt die Korngrößenverteilungen der 10 zu untersuchenden Betonsorten dar.

Zu erkennen ist, dass der Anteil der Fraktion 0 bis 2 Millimeter, der im Schnitt bei ca. 35

M.-% liegt, bei fast allem Betonen der Größte ist. Eine Ausnahme stellt hier Beton 9 dar, der

in der Fraktion 4 bis 8 mm die Stärkste Fraktion hat.

Korngrößenverteilung Leichtbeton

0

20

40

60

80

100

0 2 4 8 16 32Siebweite [mm]

Sie

bd

urc

hg

ang

in M

%

Leichtbeton 1 Leichtbeton 2 Leichtbeton 3 Leichtbeton 4 Leichtbeton 5

Leichtbeton 6 Leichtbeton 7 Leichtbeton 8 Leichtbeton 9

Abb.3.6: Korngrößenverteilung der Leichtbetonsorten 1 bis 9

Bei den Leichtbetonsorten stellt sich ähnliches Bild dar. Wobei hier die Fraktion 4 bis 8 mm

noch stärker ausgeprägt ist als beim Beton. Die Korngrößenverteilung der Leichtbetone ist im


Allgemeinen fast identisch mit der des Betons. Stärkste Fraktion hier ist wiederum 0-2 mm,

zusätzlich zu hohen Masseprozenten in den mittleren Fraktionen.

Korngrößenverteilung Porenbeton

0

20

40

60

80

100


Sie

bdu

rchg

ang

in M

%

Porenbeton 1 Porenbeton 2 Porenbeton 3



Abb.3.7: Korngrößenverteilung der Porenbetonsorten 1 bis 9

Abbildung 3.7 zeigt die Korngrößenverteilung der zu untersuchenden Porenbetone. Auffällig

ist hier, dass die Fraktion unter 2 mm extrem stark ausgeprägt ist, mit durchschnittlich über 40

M.-%, im Vergleich mit den anderen Korngrößenverteilungen der Baustoffsammlung. Die

weiteren Kornfraktionen sind dadurch vergleichsweise weniger stark verteilt.

Korngrößenverteilung Ziegelstein

0

20

40

60

80

100

0 2 4 8 16 32

Siebweite [mm]

Sie

bdu

rchg

ang

in M

%

Ziegelstein 1 Ziegelstein 2 Ziegelstein 3 Ziegelstein 4

Ziegelstein 5 Ziegelstein 6 Ziegelstein 7 Ziegelstein 8

Ziegelstein 9 Ziegelstein 10

Abb.3.8 Korngrößenverteilung der Ziegelsteinsortensorten 1 bis 9

Die Korngrößenverteilungen der Ziegelsteinsorten, dargestellt in Abbildung 3.8, zeigen, dass

sich die Verteilungen der Siebdurchgänge anders gestalten als bei den restlichen Baustoffen.


Beim Ziegelstein ist die Kornfraktion 8 bis 16 mm am stärksten ausgeprägt und die Fraktion

unter 2 mm weniger stark, im Vergleich zu den anderen Materialien, mit Ausnahme des

Ziegelstein 3.

Korngrößenverteilung Kalksandstein

0

20

40

60

80

100


Sie

bdur

chga

ng in

M%

Kalksandstein 1 Kalksandstein 2 Kalksandstein 3 Kalksandstein 4

Kalksandstein 5 Kalksandstein 6 Kalksandstein 7 Kalksandstein 8

Abb.3.9: Korngrößenverteilung der Kalksandsteinsorten 1 bis 9

Abbildung 3.9 zeigt die Korngrößenverteilung der Kalksandsteine. Zu erkennen ist wieder die

große Fraktion unter 2 mm mit durchschnittlich 40 M.-% und mit der weniger stark

ausgeprägten Verteilung der Korngrößen zwischen 2 und über 16 mm.

Korngrößenverteilung der Mittelwerte der Baustoffsammlung

0,00

20,00

40,00

60,00

80,00

100,00

Siebweite [mm]

Sie

bdurc

hgan

g in M

%

Beton 0,00 33,24 48,80 73,70 92,73 100,00

Leichtbeton 0,00 32,17 48,37 72,12 92,71 100,00

Porenbeton 0,00 49,75 55,85 65,47 84,10 100,00

Ziegelstein 0,00 20,81 32,22 54,72 88,10 100,00

Kalksandstein 0,00 40,21 50,38 67,12 92,32 100,00

0 2 4 8 16 32

Abb. 3.10: Korngrößenverteilung der 5 Baustoffsorten im Mittelwert


Die Korngrößenverteilung der gesammelten Baustoffsammlung im Mittelwert jeder Sorte ist

in Abbildung 3.10 dargestellt. In der Datentabelle ist expliziert aufgeführt, welche Werte die

jeweiligen Baustoffe in den angegebenen Siebdurchgängen in M- % aufweisen. Zu erkennen

ist, dass die Betone und Leichtbetone sehr ähnliche Korngrößenverteilungen haben. Kaum

Unterschiede lassen sich beim Kalksandstein im Vergleich mit Beton und Leichtbeton

erkennen. Außer dass beim Kalksandstein die Fraktion unter 2 mm stärker und die Fraktion 4

bis 8 mm schwächer ausgeprägt ist. Unterschiede gibt es vor allem zwischen Porenbeton und

Ziegelstein. Wobei beim Porenbeton eine Verteilungen zu kennen ist, ähnlich dem

Kalksandstein, nur dass die Fraktion unter 2 mm die Hälfte der gesamten Masse einnimmt.

Ziegelstein dagegen hat eine komplett andere Verteilung im Vergleich zu den restlichen 4

Baustoffsorten, zu erkennen an der anfangs schwachen und dann erst steil werdenden Kurve

der Masseverteilung.

Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 27

4. Versuchsprogramm – Ermittlung physikalischer Charakteristika Im weiteren Verlauf der Arbeitsschritte wurden typische physikalische Eigenschaften an den

Materialien geprüft. Dies diente hauptsächlich dem Grund gewisse Korrelationen nach der

Erkennbarkeit mittels NIRS zu erstellen. Bei 60 Baustoffproben die jeweils in die Fraktionen

4/8 und 8/16 aufgeteilt waren ergab das eine Vielzahl an Laboruntersuchungen. Die einzelnen

Verfahren werden im Folgenden erläutert.

4.1 Vorbereitung der Baustoffproben Zur Gewährleistung der präzisen und fehlerfreien Durchführung nachfolgender Versuche,

bedurfte es einer ausführlichen Probenvorbereitung. Diese umfasste als erstes eine mindestens

24 h Trocknung mit 105 °C im Wärmeschrank. Hierzu wurden die in Abbildung 4.1 gezeigten

Trocknungsbleche verwendet.

Abb. 4.1 Trocknungsbleche zur Probenvorbereitung der Gesteinskörnung


4.2 Ermittlung der Rohdichte im Flüssigkeitspyknometer Die Bestimmung der Rohdichte der Probekörper erfolgte für die Kornfraktionen 4/8 und 8/16

nach DIN EN 1097-6 „Prüfverfahren für mechanische und physikalische Eigenschaften von

Gesteinskörnungen – Teil 6: Bestimmung der Rohdichte und der Wasseraufnahme“. Bei dem

Verfahren wurde, gemäß Anhang A2, die Trockenrohdichte bestimmt, welche sich nach DIN

als „Verhältnis der vorgetrockneten Masse einer Probe von Gesteinskörnungen zu dem

Volumen, das sie in Wasser einnimmt, einschließlich innerer geschlossener Hohlräume, aber

ausschließlich wasserzugänglicher Hohlräume“ definiert. [41]

Pyknometer sind geeichte Wägeflaschen aus Glas mit bekanntem Rauminhalt. Vor Beginn

des Versuches waren die jeweiligen Pyknometer mit dem zugehörigen Schliffaufsatz zu

wägen und die Masse M1 zu dokumentieren. Außerdem wurde die Masse des nur mit wasser

gefüllten Flüssigkeitspyknometers M2 gemessen. Anschließend konnten die Messproben in

die Pyknometer eingefüllt und einschließlich des Schliffaufsatzes die Masse M3 bestimmt

werden. Pro Baustoff waren zwei Pyknometer mit der jeweiligen Fraktion 4/8 und 8/16 zu

befüllen.

Danach wurden die Pyknometer mit möglichst 22 °C temperiertem, destillierten Wasser

befüllt und anschließend von eingeschlossenen Luftblasen befreit. Die befüllten Pyknometer

sind in beispielhaft Abbildung 4.2 dargestellt.

Abb. 4.2 Befüllte Pyknometer zur Bestimmung der Trockenrohdichte


Nach der Entlüftung waren die Pyknometer erneut bis zur Markierung des Schliffaufsatzes

mit entlüftetem, destillierten Wasser bei möglichst 22 °C zu befüllen. Nach dem sorgfältigen

Abtrocknen der Außenseite waren die Pyknometer einschließlich des Schliffaufsatzes zu

wägen und die Masse M4 zu dokumentieren. Nach einer Stunde wurden die

Flüssigkeitspyknometer bis zur Markierung des Schliffaufsatzes wieder mit destillierten

Wasser befüllt und die Masse M5 war zu notieren. Erneut nach einer Stunde wurde

destilliertes Wasser nachgefüllt und die Masse M6 dokumentiert. Anschließend wurden die

Flüssigkeitspyknometer entleert und die Masse der wassergesättigten und

oberflächentrockenen Probe gewogen (M7). Abschließend waren die Massen M8 der

ofengetrockneten, massekonstanten Proben zu wägen. Dazu wurden die Proben wieder 24

Stunden im Wärmeschrank getrocknet. Einige Massen werden nicht bei Bestimmung der

Rohdichte benötigt, werden aber für zusätzliche Berechnungen verwendet und sind für die

Vollständigkeit der Dokumentation erforderlich.

Die Trockenrohdichte ergab sich gemäß Gleichung 4.1 aus dem arithmetischen Mittel der

zwei, pro Baustoff, bestimmten Trockenrohdichten.

(Gl. 4.1)

�rd ofentrockene Rohdichte [g/cm³]

M2 Masse Pyknometer gefüllt mit dest. Wasser [g]

M6 Masse Pyknometer mit gesättigten Probe und dest. Wasser [g]

M7 Masse wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]

M8 Masse Probe nach Ofentrocknung [g]

�W Dichte dest. Wasser bei Prüftemperatur [g/cm³]

Wrd MMM

Mρρ •

−−=

)( 267

8


4.2.1 Auswertung

Anhand der Formel in Gleichung 4.1 wurden die Rohdichten der gesammelten Baustoffe

berechnet. In Tabelle 4.1 sind diese zusammengefasst dargestellt.

Tab. 4.1: Rohdichten der Baustoffsammlung im Mittelwert

Baustoff Rohdichte 4/8 mm

[g/cm³] Rohdichte 8/16 mm

[g/cm³] Rohdichte im

Mittelwert [g/cm³]

Beton 2,31 2,28 2,30

Leichtbeton 1,13 1,13 1,13

Porenbeton 0,60 0,56 0,58

Ziegelstein 1,82 1,85 1,83

Kalksandstein 1,81 1,84 1,83

grobe Gesteinkörnung 2,43 2,54 2,49

Altbeton 2,15 2,15 2,15

Mauerwerkbruch 1,85 1,85 1,85

Porenbetonbruch 0,61 0,61 0,61

Die in der Tabelle angegebenen Rohdichten ergeben sich aus insgesamt 99 Messungen mit

dem Flüssigkeitspyknometer. 10 Betonsorten, 10 Ziegelsorten, 9 Porenbetonsorten, 9

Leichtbetonsorten, 8 Kalksandsteinsorten, 2 Kiese, 1 Altbeton, 1 mal Mauerwerkbruch und

eine Porenbetonbruchsorte wurden in den Fraktionen 4/8 und 8/16 gemessen. Die Ergebnisse

zeigen, dass Beton, Altbeton und Kies eine Rohdichte von über 2 g/cm³ aufweisen.

Ziegelstein und Kalksandstein haben den gleichen Wert mit 1.83 g/cm³. Beim Porenbeton und

Porenbetonbruch stellen sich Rohdichten von unter 1 g/cm³ dar. Mauerwerk hat mit 1,85

g/cm³ einen ähnlichen Wert wie die Kalksandsteine und Ziegelsteine. Leichtbeton liegt mit

1.13 g/cm³ knapp über dem Rohdichtewert von 1 g/cm³. Die in Tabelle 4.1 dargestellten

Rohdichtewerte sind in Abbildung 4.3 grafisch hinterlegt. Die Ergebnisse der einzelnen

Baustoffproben werden im Anhang A2 gezeigt. Dabei werden die Ergebnisse jeder einzelner

Probe der jeweiligen Baustoffsorte expliziert dargelegt. Zusätzlich zu der ofentrockenen

Rohdichte �rd, wurde die scheinbare Rohdichte �a ermittelt. Für weitere Betrachtungen, sprich

Porositätsberechnung, wurde die ofentrockene Rohdichte verwendet.


Rohdichte mit Glaspyknometer

0,00

0,50

1,00

1,50

2,00

2,50

3,00

Baustoff

Ro

hd

ich

te [

g/c

m³]

Beton

Leichtbeton

Porenbeton

Ziegelstein

Kalksandstein

grobe Gesteinkörnung

Altbeton

Mauerwerkbruch

Porenbetonbruch

Abb. 4.3: mit dem Flüssigkeitspyknometer ermittelte Rohdichte der jeweiligen Baustoffe


4.3 Ermittlung der Wasseraufnahme mittels Flüssigkeitspyknometer

Die Versuche mit dem Flüssigkeitspyknometer wurden außerdem genutzt, um die

Wasseraufnahme der gesammelten Baustoffe zu charakterisieren. Hierfür wurde wieder die

DIN EN 1097-6 „Prüfverfahren für mechanische und physikalische Eigenschaften von

Gesteinskörnungen – Teil 6: Bestimmung der Rohdichte und der Wasseraufnahme“

herangezogen. Die Probenvorbereitung und Durchführung wurde gemäß Kapitel 4.2

vollzogen. [41]

(Gl. 4.2)

WA2h = Wasseraufnahme der Gesteinskörnung in 2 Stunden [%]

M7 = Masse der wassergesättigten und oberflächentrockenen Gesteinskörnung in Luft [g]

M8 = Masse der Probe nach Ofentrocknung [g]

4.3.1 Auswertung

Die Wasseraufnahmen der verschiedenen Baustoffsorten sind in Tabelle 4.2 dargestellt. Zur

Berechnung der Wasseraufnahme wurden die Werte der Fraktionen 4/8 und 8/16 mm der

Baustoffsammlung im Mittelwert der jeweils bis zu 10 Materialien gesetzt. Als Beispiel setzt

sich der Wert der Wasseraufnahme nach zwei Stunden des Betons zusammen, in dem die 10

Werte der Betonsorten 1-10 in der Fraktion 4/8 mm gemittelt wurden und die der Fraktion

8/16 mm ebenfalls. Anschließend wird von diesen beiden Werten der Mittelwert gebildet. Die

nachfolgende Tabelle stellt die Wasseraufnahmen der Baustoffsorten dar.

1008

872 •

−=

M

MMWA h


Tab. 4.2 Wasseraufnahmen der Baustoffsammlung

In Tabelle 4.2 ist zu erkennen, dass Porenbeton die höchste Wasseraufnahme hat, gefolgt vom

Porenbetonbruch. Beton, Altbeton und Kies weisen eine Wasseraufnahme von unter 10 % auf.

Ziegelstein und Kalksandstein haben eine Wasseraufnahme im Mittel bei ca. 15 % und

Mauerwerkbruch weist eine Wasseraufnahme von etwa 12 % auf. Wasseraufnahmen von

durchschnittlich 24,55 % wurden bei Leichtbeton ermittelt. Grafisch sind die Ergebnisse in

Abbildung 4.4 dargestellt. Die Ergebnisse der einzelnen Baustoffproben sind im Anhang A2

hinterlegt. Dabei werden die Ergebnisse jeder Probe der jeweiligen Baustoffsorte expliziert

dargelegt.

Wasseraufnahme nach 2 Stunden

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

90,00

Baustoff

Was

sera

ufn

ahm

e [%

]

Beton

Leichtbeton

Porenbeton

Ziegelstein

Kalksandstein


Altbeton

Mauerwerkbruch

Porenbetonbruch

Abb. 4.4: Wasseraufnahmen der Baustoffe in 2 Stunden

Baustoff WA nach 2 h Fraktion 4/8

[%] WA nach 2 h Fraktion 8/16

[%] WA im

Mittelwert [%]

Beton 4,92 4,87 4,90

Leichtbeton 25,99 23,10 24,55

Porenbeton 92,63 77,49 85,06

Ziegelstein 16,12 14,18 15,15



Altbeton 7,19 7,19 7,19




4.4 Ermittlung der Rohdichte mittels Feststoffpyknometer Ein weiteres Laborgerät zur Bestimmung der Rohdichte ist das Feststoffpyknometer oder

Geopyknometer. Bei diesen alternativen Verfahren kann die Kornrohdichte mittels

Feststoffpyknometrie bestimmt werden. Messinstrumentarium bildet hierbei ein feines

pulverförmiges, flüssigkeitsähnliches Medium. Die mittlere Korngröße des Pulvers beträgt

121,1 �m und es besitzt eine sehr enge Korngrößenverteilung. Prinzipiell wird das

Kornvolumen der zu betrachteten Probe durch Verdrängung dieses Pulvers ermittelt. Das

Pulver passt sich ähnlich wie Wasser den Konturen der Messprobe an. Abbildung 4.5 zeigt

das Feststoffpyknometer und in Abbildung 4.6 ist die Messzelle mit dem Messpulver

(DryFlo) dargestellt.

Abb. 4.5/4.6: Feststoffpyknometer GeoPyc 1360, Hersteller: Micromeritics GmbH / Messzelle (50,8 mm Durchmesser) mit Messpulver (DryFlo) gefüllt

Der Vorteil des Verfahrens besteht darin, dass die Probe während der Messung nicht mit

Wasser in Berührung kommt, daher kein Wasser aufnehmen kann und somit die

Analysezeiten verkürzt, sowie die Gefahr von Messfehlern gesenkt werden. Von Nachteil sind

die hohen Gerätekosten sowie die Vielzahl an Verschleißgegenständen (u.a. Messmedium,

Kolben).

Die zu untersuchenden Proben mussten vor der Messung auf Massekonstanz getrocknet

werden. Entsprechend Form und Größe der Probe wird eine passende Messzelle gewählt.

Dabei wurden bei den Untersuchungen dieser Arbeit Messzellen mit einem Durchmesser von

50,8 mm benutzt.


Nach der Bestimmung der Messzelle muss die Menge des Messmediums eingewogen werden.

Bei einer Leermessung wird das Messmedium mit definierter Kraft verdichtet. Dabei wird der

Vorschub des Kolbens und damit verbunden das Volumen des Messmediums ermittelt. Nach

dieser Messung wird die Probe in die Messzelle gegeben. Bei erneuter Verdichtung bei

gleicher Kraft errechnet das Messgerät anhand der Geometrie der Messzelle, den zwei

verschiedenen Kolbenbewegungen und der Probenmasse das Volumen und somit auch die

Rohdichte des zu untersuchenden Materials.

4.4.1 Auswertung

Die Ergebnisse der Berechung der Rohdichte mit dem Feststoffpyknometer sind

zusammengefasst in Tabelle 4.3 aufgezeigt. Zur Berechnung der Rohdichte wurden jeweils 3

Messungen pro Baustoffsorte und –probe in den Fraktionen 4/8 und 8/16 ermittelt.

Anschließend waren die Werte der einzelnen Fraktionen im Mittelwert zu berechnen. Zu

diesen zwei gemittelten Werten wurde abschließend erneut der Mittelwert gebildet, der den

Endwert der Berechnung der Rohdichte mit dem Feststoffpyknometer darstellt. Als Beispiel

setzt sich die Rohdichte des Betons zusammen, in dem die jeweils 3 Messungen mit

beispielsweise Beton 1 in der Fraktion 4/8 gemittelt wurden und in Fraktion 8/16 ebenfalls.

Dies wurde mit jedem Beton (1-10) durchgeführt und anschließend der Mittelwert in den 2

Fraktionen berechnet. Der gemittelte Wert der beiden Zahlen ergibt letztendlich den Endwert,

zu entnehmen in nachfolgender Tabelle. Dieser Endwert der Rohdichte, am Beispiel Beton,

setzt sich dementsprechend aus 60 Messungen zusammen. Insgesamt wurden 340 Versuche

mit dem Feststoffpyknometer gemessen. Aufgrund der Vielzahl an Messvorgängen werden

nur die Endwerte der berechneten Rohdichten dargestellt. Im Anhang A3 werden die

Ergebnisse der Einzelmessungen dargelegt.


Tab. 4.3: Rohdichten der gesammelten Baustoffe

Baustoff Rohdichte 4/8 mm

[g/cm³] Rohdichte 8/16

mm [g/cm³] Rohdichte im

Mittelwert [g/cm³]

Beton 2,44 2,38 2,41

Leichtbeton 1,16 1,13 1,15

Porenbeton 0,77 0,63 0,70

Ziegelstein 1,87 1,90 1,88



Altbeton 2,34 2,34 2,34



Zu erkennen ist, dass grobe Gesteinskörnung (Kies) den höchsten Wert mit 2,64 g/cm³ besitzt,

gefolgt von Beton mit 2,41 g/cm² und Altbeton mit 2,34 g/cm³. Ziegelstein, Kalksandstein

und Mauerwerkbruch haben Rohdichtewerte von ca. 1, 90 g/cm³. Einen Wert von 1,15 g/cm³

erreicht der Leichtbeton. Die geringsten Rohdichten weisen Porenbeton und Porenbetonbruch

auf, mit 0,70 g/cm³ beziehungsweise 0,62 g/cm³. Abbildung 4.7 zeigt die Ergebnisse der

Rohdichteberechnung mittels Feststoffpyknometer im Diagramm. Besonders die Werte von

Porenbeton und Porenbetonbruch heben sich im Vergleich mit den anderen Baustoffen ab.

Die Unterschiede der ermittelten Werte mit denen der Rohdichteberechnung mit dem

Flüssigkeitspyknometer werden vergleichend im Kapitel 4.6.1 gegenübergestellt.

Rohdichte mit Feststoffpyknometer

0,00

0,50

1,00

1,50

2,00

2,50

3,00

Baustoff

Rohdic

hte

[g/c

m³]

Beton

Leichtbeton

Porenbeton

Ziegelstein

Kalksandstein


Altbeton

Mauerwerkbruch

Porenbetonbruch

Abb. 4.7: mit dem Feststoffpyknometer ermittelte Rohdichte der jeweiligen Baustoffe


4.5 Ermittlung der Reindichte Zur Ermittlung der Reindichte wurde ein Gas(Helium)pyknometer verwendet. Im

Gaspyknometer befindet sich die zu untersuchende Probe in einer abgeschlossenen Kammer

mit bekannten Volumen. Unter Druck wird diese mit Heliumgas gefüllt. Temperatur und

Druck werden dabei kontinuierlich gemessen. Wenn die Probe vollständig mit Helium

gesättigt ist, bleibt der Druck konstant. Anschließend wird eine zweite Kammer geöffnet. Die

Differenz der gemessenen Drücke vor und nach dem Verbinden der Kammern ist maßgebend

für das Volumen des Heliums. Das Helium dringt in die Poren des Gesteins ein und das

Volumen wird bestimmt. Letztendlich erhält man über die Masse der Probe schließlich die

Reindichte.

Um einen genauen Wert bei der Analyse zu bekommen, bedarf es einiger Probenvorbereitung.

Das Material muss auf eine Korngröße kleiner 63 �m aufgemahlen werden, um alle

eventuellen Gesteinsporen auszuschließen. Dafür wird das Material der Fraktion 4/8 mm in

das Mahlgerät RS 100 gegeben und aufgemahlen. Anschließend kann die Probe in das

Heliumpyknometer geführt werden. In Abbildung 4.8 ist das Mahlgerät dargestellt, Abbildung

4.9 zeigt das Heliumpyknometer.

Abb.4.8: Mahlgerät RS 100, Hersteller: Retsch Abb.4.9: Helium(Ultra)pyknometer 1000,

Hersteller: Quantachrome Corporation


4.5.1 Auswertung Im Folgenden werden die Ergebnisse der Reindichtebestimmung dargestellt. In Tabelle 4.4

sind die jeweiligen Baustoffe und die dazugehörigen Reindichten aufgezählt.

Tab. 4.4: Reindichten der Baustoffe im Mittelwert

Baustoff Anzahl

Messungen Reindichte im

Mittelwert [g/cm³]

Beton 44 2,75

Leichtbeton 28 2,66

Porenbeton 27 2,63

Ziegelstein 30 2,75

Kalksandstein 26 2,71

grobe Gesteinkörnung 6 2,70

Altbeton 15 2,74

Mauerwerkbruch 9 2,78

Porenbetonbruch 9 2,71

Zu erkennen ist, dass alle Baustoffe Reindichten im Bereich von 2,63 g/cm³ (Porenbeton) und

2.78 g/cm³ (Mauerwerkbruch) aufweisen. Ziegelstein, Beton und Altbeton haben in etwa

dieselbe Reindichte von 2.75 g/cm³ beziehungsweise 2.74 g/cm³. Porenbetonbruch und

Kalksandstein weisen identische Reindichte von 2.71 g/cm³ auf. Einen Wert von 2,66 g/cm³

stellt sich beim Leichtbeton dar. Die Dichte von Kies liegt im Mittel bei 2.70 g/cm³.

Festzustellen ist, dass nur Porenbeton und Leichtbeton, mit Werten von 2.65 beziehungsweise

2,66 g/cm³, Reindichten von unter 2,70 g/cm³ aufweisen. In Abbildung 4.10 sind die

Ergebnisse grafisch dargestellt. Die Werte der Einzelmessungen, aus denen die Ergebnisse,

die hier aufgezeigt sind entstammen, sind im Anhang A4 hinterlegt. Insgesamt wurden 194

Messungen mit dem Heliumpyknometer gemacht.


Reindichte mit Heliumpyknometer

2,55

2,60

2,65

2,70

2,75

2,80

Baustoff

Rei

nd

ich

te [

g/c

m³]

Beton

Leichtbeton

Porenbeton

Ziegelstein

Kalksandstein


Altbeton

Mauerwerkbruch

Porenbetonbruch

Abb.4.10: mit dem Heliumpyknometer ermittelte Reindichte der jeweiligen Baustoffe


4.6 Ermittlung der Porosität Die Porosität ist eine physikalische Größe und stellt das Verhältnis von Hohlraumvolumen zu

Gesamtvolumen eines Stoffes oder Stoffgemisches dar. Sie dient als klassifizierendes Maß für

die tatsächlich vorliegenden Hohlräume. Zur Anwendung kommt die physikalische Größe im

Bereich der Werkstoff- und Bautechnik. Die Porosität hat großen Einfluss auf die Dichte

eines Materials sowie auf den Widerstand der Durchströmung einer Schüttung. [URL 2]

Die Gesamtporosität umfasst offene und geschlossene Poren und wird aus der Roh- und

Reindichte nach folgender Gleichung berechnet:

1001 0 •��

��

�−=

R

Pρ

ρ (Gl. 4.3)

P = Gesamtporosität [%] �0 = Rohdichte [g/cm³] �R = Reindichte [g/cm³]


4.6.1 Auswertung Tab. 4.5: Porosität der Baustoffe mit der Rohdichteermittlung vom Glas- und Feststoffpyknometer

Baustoff Reindichte [g/cm³]

Rohdichte Glas-

pyknometer [g/cm³]

Rohdichte Feststoff-

pyknometer [g/cm³]

Porosität Flüssigkeits-pyknometer

[%]

Porosität Feststoff-

pyknometer [%]

MW Porosität [%]

Beton 2,75 2,30 2,41 16,36 12,36 14,36

Leichtbeton 2,66 1,13 1,15 57,52 56,77 57,14

Porenbeton 2,63 0,58 0,70 77,95 73,38 75,67

Ziegelstein 2,75 1,83 1,88 33,45 31,64 32,55

Kalksandstein 2,71 1,83 1,91 32,47 29,52 31,00

grobe Gesteinkörnung 2,70 2,49 2,64 7,78 2,22 5,00

Altbeton 2,74 2,15 2,34 21,53 14,60 18,07

Mauerwerkbruch 2,78 1,85 1,95 33,45 29,86 31,65

Porenbetonbruch 2,71 0,61 0,62 77,49 77,12 77,31

Zur Ermittlung der Porosität werden die berechneten Werte der Roh- und Reindichte

verwendet. Aufgrund des Umfangs der Laboruntersuchungen wurden zwei Rohdichten,

ermittelt auf unterschiedlichen Wegen, gemessen. Zum einen die Rohdichte mit dem

Flüssigkeitspyknometer, in Spalte 3 der Tabelle 4.5 zu erkennen, und die Rohdichte mit dem

Feststoffpyknometer, dargestellt in Spalte 4. Festzustellen ist, dass die Werte mit dem

Feststoffpyknometer immer geringfügig höher sind und somit die der Porosität etwas

niedriger ausfällt. Zu erklären ist das über eventuelle Messungenauigkeiten mit dem

Flüssigkeitspyknometer beziehungsweise über die gewählte Größe der Messzelle bei der

Untersuchung mittels Feststoffpyknometer. Bei Vergleichsuntersuchungen am Ende der

Versuche wurden gleiche Proben mit einem geringeren Messzellendurchmesser verwendet

und Ergebnisse ähnlich denen des Flüssigkeitspyknometers, also etwas niedrigere Werte,

festgestellt. Um dieser eventuellen geringen Fehlerkonstante entgegenzuwirken, wurden die

beiden berechneten Werte gemittelt. Die somit ermittelten Porositäten der Gesteinskörnungen

wurden gegenübergestellt und im Mittel als endgültige Porosität definiert.


Porosität im Mittelwert der Baustoffsorten

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

90,00

Glaspyknometer Feststoffpyknometer Mittelwert

Verfahrenswahl

Po

rosi

tät [

%]

Beton

Leichtbeton

Porenbeton

Ziegelstein

Kalksandstein


Altbeton

Mauerwerkbruch

Porenbetonbruch

Abb.4.11: Porosität über Glas-, Festoffpyknometer und im Mittelwert der gesammelten Baustoffsorten

Anhand der Ergebnisse aus Tabelle 4.5 und Abbildung 4.11 ist festzustellen, dass Porenbeton

und –Bruch die höchsten Porositäten, mit über 75 %, aufweisen. Gefolgt von Leichbeton, der

eine Porosität von 57,14 % erreicht. Bei Ziegelstein, Kalksandstein und Mauerwerkbruch

wurden Werte der Porosität von 31 bis 32,55 % ermittelt. Beton und Altbeton erreichen Werte

von 15 % beziehungsweise 18 %. Mit einer Porosität von durchschnittlich 5 % weist der

untersuchte Kies den niedrigsten Wert auf.

Im weiteren Verlauf der Arbeit werden die ermittelten Charakteristika mit den

aufgenommenen NIR- Spektren in Verbindung gestellt. Die physikalischen Werte der

einzelnen Baustoffe legen den Grundstein für weitere Betrachtungen. Eine abschließende

Tabelle, die alle physikalischen Eigenschaften zusammenfasst, folgt in Kapitel 7 und ist im

Anhang A4 hinterlegt.

Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 43

5. Versuchsprogramm – NIR- Spektrenbibliothek am Versuchsstand Das nun folgende Kapitel beschäftigt sich mit der Aufnahme und Auswertung der NIR-

Spektren. Die Baustoffsammlung, primär bestehend aus bis zu 10 verschiedenen Sorten der

Wandbaustoffe Beton, Leicht- und Porenbeton, Kalksandstein und Ziegelstein und

verschiedenen sekundären Baustoffen wie Altbeton, Porenbetonbruch und Mauerwerkbruch

in den Fraktionen 4/8 und 8/16, wurde wie in den vorhergehenden Kapiteln beschrieben,

verschiedenen physikalischen Messuntersuchungen unterzogen. Der nächste Arbeitsschritt

war die Aufnahme der einzelnen Baustoffsorten und das Anlegen einer NIR-

Spektrenbibliothek. Im weiteren Verlauf des Kapitels werden die Probenvorbereitung,

Probenaufnahme und Auswertung der erhaltenen Spektren im Mittelpunkt stehen. Dabei wird

der Messtand, mit dem die Proben aufgenommen wurden, erläutert und die Darstellung und

Auswertung der Spektren mit entsprechenden Programmen beschrieben. Darüber hinaus

werden noch einige theoretische und mathematische Aspekte erläutert, die gerade bei der

Auswertung der Spektren von Bedeutung sind.

5.1 Eigenschaften von NIR- Spektren Die NIR- Spektroskopie ist eine Absorptionsspektroskopie. Ein gewisser Teil der Strahlung

wird durch die Probe absorbiert. Als Ergebnis einer Messung, also eines Spektrums, erhält

man auf der Ordinate eines Koordinatensystems die Intensität von der Probe abgeschwächter

Strahlungsenergie. Die Abhängigkeit der Wellenlänge wird auf der Abszisse abgebildet.

Bei einem dreiatomigen Molekül wie beispielsweise CO2 ist durch die Vielzahl von

Kombinationen von Grundschwingungen das NIR- Spektrum bereits entsprechend

bandenreich. Insbesondere bei mehratomigen organischen Molekülen gilt das. Allgemein ist

das Erscheinungsbild von NIR- Spektren von wasserstoffhaltigen funktionellen Gruppen

geprägt. Eine im NIR auftretende binäre Kombination von Grundschwingungen kann nur von

Banden kommen, wovon mindestens eine über 2000 cm-1 liegen muss. Im Bereich 4000 cm-1

bis 2000 cm-1 treten Doppel-, Dreifachbindungen und intensive Valenzschwingungsbanden

von Atompaaren auf, z.B. C-H, N-H, O-H. Wasserstoff ist dabei immer beteiligt. In diesen

funktionellen Gruppen bestehenden Obertöne und Kombinationsbanden rufen die stärksten

Absorptionen des NIR- Spektrums hervor. [URL 22]


Ein NIR- Spektrum weist nicht nur Merkmale auf, die von wasserstoffhaltigen funktionellen

Gruppen entspringen. Das NIR- Spektrum enthält Information über alle funktionellen

Gruppen. Eine Verbindung zwischen der Bandenkontur eines NIR- Spektrums und der

Molekülstruktur ist in weiten Teilen gegeben. [URL 21]

Schwingungsspektren lassen sich nur schwer interpretieren. Ausgehend vom mittleren

Infrarot sind die Gegebenheiten einer Interpretation bedingt durch die komplexen

Möglichkeiten der Schwingungskopplung schon recht kompliziert. Es gelingt bei größeren

Molekülen gewöhnlich nicht, alle Banden eines IR-Spektrums eindeutig zuzuordnen. Im MIR

gibt es für die meisten funktionellen Gruppen empirisch bewährte Interpretationsregeln auf

semiempirischer Basis. Ähnlich gilt dies auch für die NIR- Spektroskopie. Jedoch gestaltet

sich die Interpretation für komplizierte mehratomige Moleküle komplexer. NIR- Spektren

weisen eine hohe Redundanz an Informationen und Überlagerungen verschiedener

Absorptionsbanden auf. So werden beim NIR relativ breite, kontrastreiche Banden und

Molekülschwingungen der im mittleren Infrarot anzutreffenden Grundfrequenzen beobachtet,

welche sich zwar erstmal in etwa bestimmten Ober- und Kombinationsschwingungs-

Bereichen einordnen lassen, aber bei näherer Betrachtung schlecht zu interpretieren

beziehungsweise zuzuordnen sind und eine normale Auswertung nahezu unmöglich machen.

Eine Auswertung der NIR Spektroskopie erfolgt daher meist mit multivarianten,

chemometrischen Methoden, in dem ein statistischer Zusammenhang zwischen Messdaten

und Zielgröße hergestellt wird. [URL 21][URL 22]

Die NIR Spektroskopie kann dabei in vielen Bereichen der Industrie zur qualitativen und

quantitativen Analyse von Feststoffen, Flüssigkeiten und Gasen eingesetzt werden und ist

somit sehr vielseitig in ihren Einsatzgebieten. Eine Analyse durch die NIR- Spektroskopie ist

schnell, vergleichen mit herkömmlichen Methoden. Ein wichtiger Punkt ist außerdem, dass es

eine zerstörungsfreie Messung durch NIR Spektroskopie erlaubt. Meist können Produkte ohne

jegliche Probenaufarbeitung gemessen werden. [21]


5.2 Probenvorbereitung Die Baustoffsammlung, bestehend aus 116 Proben, aufgeteilt in die Fraktionen 4/8 und 8/16,

wurde im Anschluss an die Ermittlung der physikalischen Charakteristika mit dem NIR-

Messgerät aufgenommen. Mit dem Hintergrund jede Probenart jeder zu untersuchenden

Fraktion statistisch genau zu vermessen, wurde der Probenteiler in Abbildung 5.1 benutzt. So

konnten die Materialien, die in etwa 5 kg pro Fraktion wiegen, in 10 gleich schwere Proben

verteilt werden, um diese anschließend aufzunehmen. Diese aufgeteilten Proben werden

jeweils 10-mal pro Fraktion vermessen, was eine Summe von 200 Messungen pro Baustoff

ergibt. Daraus ergeben sich pro Baustoffsorte, bei 10 unterschiedlichen Baustoffarten, 2000

Messungen.

Abb.5.1: Probenteiler für die statistisch genaue Herstellung von 10 aufzunehmenden Proben


5.2.1 Aufnahmegerät Aufgenommen wurden die Spektren mit dem Messgerät KUSTA 4004S der Firma LLA,

Berlin. Das Gerät ist konzipiert für den Einsatz im Labor und vor Ort. Es ist ein kompaktes

Tischmessgerät und die Bedienung kann direkt über Anschluss von Tastatur, Monitor und

Maus an den integrierten Industrie- PC erfolgen. Der Messkopf kann über ein flexibles Kabel

mit dem Grundgerät verbunden werden. Besonders die auf die unterschiedlichen

Anwendungsgebiete zugeschnittene Software und verschiedene Messmethoden ermöglichen

eine gewisse Flexibilität bei der Benutzung der Technik. In Abbildung 5.2 ist das Messgerät

KUSTA 4004S von LLA dargestellt.

Abb.5.2.: KUSTA 4004S; LLA

Das KUSTA 4004S hat verschiedene Einsatzmöglichkeiten. Vorrangig wird es zur

Identifikation von Kunststoffen aus Haushaltsmüll, Elektroschrott und Altautoaufkommen

sowie zur Bewertung und Sortierung von Altpapier verwendet. Die Anwendung zur

Bestimmung von Mineralien gehört zwar auch zum Einsatzspektrum des Gerätes, jedoch ist

die Betrachtung von mineralischen Baustoffen in dem Umfang dieser Arbeit noch nicht

durchgeführt wurden.


In Tabelle 5.1 sind einige technische Eigenschaften des KUSTA 4004S aufgezählt.

Tab.5.1: Technische Spezifikationen des Messgerätes KUSTA 4004S

Merkmal Information

Messmethode Berührungslose und zerstörungsfreie Messung auf der Grundlage der NIR-Spektroskopie

Messung der absoluten Remission in Abhängigkeit von der Wellenlänge

Wellenlängenbereich Δλ 510 nm im Bereich zwischen 1400 – 2200 nm wählbar

Dispersion pro Pixel 2 nm

Anzahl der Messköpfe 1

Messkopf Aufnahme von festen Proben durch Auflegen auf das Messfenster; Messdurchmesser Messfenster: 2 mm;

automatische interne Kalibrierung; interne Beleuchtungsquelle

Grundgerät Spektrograph, Steuerelektronik, Industrie-PC

Maße (B x H x T) 450 mm x 185 mm x 320 mm (Grundgerät ohne Monitor)

Gewicht 22 kg

PC-Konfiguration CPU 1,8 GHz, RAM 512 MByte, HDD mind. 20 GByte Anschlüsse:

VGA, Tastatur PS/2, COM, USB, Ethernet

Software Steuersoftware KUSTA®Win, incl. Applikations- und Analysesoftware, zugeschnitten auf die konkrete Applikation

Optional: Spektrometrische Entwicklungssoftware KUSTA®Spec

Temperaturbereich + 15° bis + 30° C

Luftfeuchtigkeit 20 bis 80 %

Spannungsversorgung 230 V ~ 50 Hz, Sicherung 4 A, (optional 115 V ~ 60 Hz)

[URL 4]


Die Spektren werden mit dem Messprogramm KustaWin® aufgenommen und mit Hilfe der

Spektroskopiesoftware KustaSpec® analysiert und ausgewertet. Funktionsumfang der

Software KustaSpec® beinhaltet die Visualisierung der NIR- Spektren, die Bearbeitung der

Spektren, die Datenkonversion, die Erstellung von Analysemodellen sowie deren Test und

Optimierung und die Modellbildung für die Erkennungsmodule Fuzzy, Euklid, PCR, PLS,

Special und Multistage. Die durch das Programm KustaWin® aufgezeichneten Spektren

können in KustaSpec® eingelesen und bearbeitet werden. Allen geladenen Spektren ist ein

Spektrenname zugeordnet. Die Summe der geladenen Spektren mit dem qualitativen

Parameter des Sortennamens wird als Spektren-Set definiert, oder auch als Lernset

bezeichnet, da es als Einheit gespeichert wird und zum Anlernen von diversen

Analysemodellen verwendet wird [URL 4].

Für die Modellbildung stehen folgende Möglichkeiten zur Verfügung:

• Zusammenstellung von Lernsets und von Testsets aus NIR- Spektren

• Konfigurierung der freien Parameter der jeweiligen Erkennungsmodule

• Statistische Analyse der Qualität der Modelle anhand der NIR- Filesets

• Optimierung der freien Parameter der jeweiligen Erkennungsmodule [URL 4]

Abb.5.3: Arbeitsbildschirm der Spektroskopiesoftware KustaSpec®


5.3 Durchführung der NIR- Spektroskopie Die Durchführung der Aufnahme der NIR- Spektren wurde entsprechend der

Probenvorbereitung (vgl. Kap. 5.2) vollzogen, um einen statistisch genauen Aussagewert zu

erzielen. Nach der Einteilung in 10 gleich verteilte Proben je Fraktion und Baustoffprobe

waren diese mit dem Messgerät aufzunehmen. Dazu wurden die Partikel einzeln vermessen,

beispielhaft in Abbildung 5.4 zu betrachten. Pro Lernset wurde eine Sprektrenauswahl

vollzogen, also 10 Spektrenaufnahmen aus durchschnittlich 25 Messungen wurden weiter

verwendet. Diese Auswahl wurde aufgrund verschiedener Banden, Peaks, Schwankungen,

Ungenauigkeiten und Wert der Intensität getroffen, dargestellt in Abbildung 5.5

(Aufnahmespektren) und Abbildung 5.6 (1.Ableitung der Aufnahmespektren). Hierbei

werden die 10 roten Spektren als „gut“ bezeichnet und die restlichen hellblauen Spektren als

weniger brauchbar betrachtet. Dazu standen viele Einstellungsmöglichkeiten, wie z.B.

Bildung der 1. und 2. Ableitung der Spektrenfunktionen, durch die Software zur Verfügung.

Abb. 5.4: Probenaufnahme am Versuchsstand

Abb.5.5/5.6: Spektrenauswahl nach Intensität und Kurvenverlauf der Aufnahmespektren und nach 1. Ableitung


Tabelle 5.2: Baustoffsammlung und Anzahl der Messungen

Baustoff Anzahl Proben

Messungen pro Probe

Messungen Gesamt

Spektren zur Weiterverwendung Datenbank

Beton 10 5000 2100 A, B, C

Leichtbeton 9 4500 1820 A, B, C

Ziegelstein 10 5000 2082 A, B, C

Porenbeton 9 4500 2070 A, B, C

Kalksandstein 8

Ø 500

4000 1610 A, B, C

Kies 2 300 600 420 B, C

Altbeton 5 200 1000 610 B, C

Mauerwerkbruch 3 150 450 600 B, C

Porenbetonbruch 3 150 450 300 B, C

Asbest 2 60 120 100 C

Faserzement 2 60 120 100 C

Gips 5 100 500 380 C

Granit 1 110 110 110 C

Porphyr 1 100 100 100 C

Testspektren für Auswertung 4000 3000 /

Gesamt 70 30450 15402

Anhand Tabelle 5.2 ist zu erkennen, dass insgesamt ca. 30000 Messungen durchgeführt

wurden. Aufgrund der Tatsache, dass pro Baustoffart einer Baustoffsorte für 10 wieder

verwendbare, aussagekräftige Spektren ca. 25 Messungen gemacht wurden, ergibt sich die

Anzahl der Messungen. Diese 10 Spektren wurden in ein Lernset gespeichert und als solches

mit dem Softwareprogramm KustaSpec® definiert. Pro Probe und Fraktion wurden infolge der

Aufnahme 10 Lernsets mit jeweils 10 Spektren erstellt. Pro Probe wurden dementsprechend

20 Lernsets (10 pro Fraktion) aufgestellt. Das ergibt in der Summe, bei 10 Proben pro

Baustoffsorte, 200 Lernsets mit 2000 Spektren, aufgeteilt in die Fraktionen 4/8 und 8/16 für

Beton, Leichtbeton, Kalksandstein, Porenbeton und Ziegelstein. Messungen der restlichen

Baustoffe ergeben sich aus der Tabelle. Unter „Testspektren für Auswertung“ werden

Spektren angegeben, die für Tests der Wassergehalte, Datenbanktests, Asbest- und

Gipserkennung benutzt wurden. Die entsprechenden Datenbanken A bis C geben an, welche

Baustoffe in verschiedene Spektrengruppen zusammengefasst wurden, ausführlich in Kapitel

5.5 beschrieben.


Exemplarisch am Beton:

• 10 Betonsorten mit der Bezeichnung B1 bis B10

• 10 mengenmäßig gleichverteilte Proben pro Beton (B1 bis B10) und Fraktion (4/8 und

8/16)

• Pro Probe 100 brauchbare Messungen mit der Bezeichnung Bx Y Z,

wobei x= Betonprobe 1-10; Y= Fraktion 4/8 oder 8-16; Z= Anzahl des Lernsets

• Ergibt 10 Messungen z.B. mit der Bezeichnung B1 4-8 1 � 1 Lernset

• 100 Messungen z.B. mit der Bezeichnung B1 4-8 1-10; 100 mit B1 8-16 1-10

• Bei 10 Proben B1 bis B10 ergeben sich 2000 bezeichnete Messungen in 200 Lernsets

Zusätzlich zu den in Tabelle 5.2 aufgezählten Baustoffen wurden noch einige andere

Baustoffe, z.B. beim Abbruch anfallende Störstoffe wie Gips und Asbest aufgenommen, um

die erarbeitete Datenbank zu füllen und somit mehrere Vergleichsdaten zu erhalten. Mit ca.

250 Messungen pro Zusatzbaustoff wurden diese in die Datenbank implementiert. Somit

erhält die Datenbank primär Spektren von bekannten Wandbaustoffen, sowie

Abbruchmaterial und zusätzlich Spektren von Störstoffen, Natursteinen und Faserzement. Die

somit entstehende Datenbank umfasst insgesamt 30500 aufgenommene Spektren und ca.

12800 weiter verwendete Spektren. Die rund 13000 weiter verwendeten Spektren wurden

wiederum in ein Lernset gespeichert. Dieses ist in Abbildung 5.7 dargestellt. Die Abbildung

zeigt außerdem die Bedienoberfläche des Softwareprogramms KustaSpec®.

Abb.5.7: Alle aufgenommenen, weiter verwendeten Spektren in einem Lernset


5.3.1 Mittelwertspektren Um die aufgenommenen Spektren besser von einander zu unterscheiden und Vergleiche

bezüglich Gemeinsamkeiten in den Kurvenverläufen der Spektren zu verdeutlichen, wurden

Mittelwerte gebildet. Dafür mussten alle aufgenommenen, in Lernsets gespeicherten,

Spektren eines Baustoffs geladen werden und über die Bedienfunktion „Average Spectrum“

jeweils in Mittelwerte übertragen werden. Bei Beton bedeutet dass etwa 2000 Spektren in ein

Spektrum berechnet wurde. Die knapp 13000 Spektren wurden somit in die 9

Mittelwertspektren, dargestellt in Abbildung 5.8, berechnet. Dabei werden in diesem Beispiel

nur die Spektren der primären und sekundären Baustoffe berechnet, da für diese Baustoffe

auch die charakteristischen Eigenschaften untersucht wurden. Die zusätzlichen Stoffe wie

Asbest und Gips sind in den folgenden Betrachtungen nicht implementiert. Die gezeigten

Spektren sind dargestellt, wie sie im Aufnahmeprogramm KustaWin® gespeichert wurden.

Dabei wurden keine Veränderungen vorgenommen, also wird nur die Reflektionsintensität in

Abhängigkeit der Wellenlänge in Kurvenverläufen dargestellt.

Abb. 5.8: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung

Unterschiede zwischen den Spektren lassen sich auf den ersten Blick anhand der Intensität,

abgebildet auf der Ordinate des Koordinatensystems, erkennen. Von der Kurvenform und dem

Wert der Intensität lassen sich grob 3 Schemen erkennen. Ziegelstein und Mauerwerkbruch


sind sehr ähnlich in ihrer Kurvenform und hohen Intensitätsverteilung. Porenbeton,

Porenbetonbruch und Kalksandstein bilden die 2. Kurvenschar mit mittleren Intensitäten und

einer in etwa gleichverteilten Kurvenbildung. Vergleichsweise geringere Intensitäten der

Reflexionsinformationen haben Beton, Leichtbeton, Kies und Altbeton. Sie bilden das 3.

Schema der aufgenommenen Spektrenkurven. Eine Gemeinsamkeit ist die bei jedem

Spektrum auftretenden auffälligen Banden bei ca. 1400 nm und 1900 nm. Vergleichend mit

Abbildung 5.9 können nun typische chemische Verbindungen, wie die z.B. auftretenden

Wasser(H2O)-Verbindungen in den beschriebenen Nanometer- Bereichen erkannt und in

Verbindung gebracht werden. Allgemein zu erkennen sind die beschriebenen Oberton- und

Kombinationsschwingungen.

Abb. 5.9: Oberton- und Kombinationsschwingungen typischer chemischer Verbindungen [URL 13]

Des Weiteren wurden die dargestellten Spektren in Abbildung 5.8 differenziert. Abbildung

5.10 zeigt die Spektren in der 1.Ableitung. Aus dem Grund der eventuell besseren

Unterscheidung der NIR- Spektren, wurden die Differenzierung vorgenommen. Die so

entstandenen Spektrenverläufe geben zusätzliche Anhaltspunkte für die Gegenüberstellung

der Spektren und geben weitere Vergleichsdaten, die über eine Auswertung der Erkennbarkeit

im späteren Verlauf der Arbeit maßgebend sind.


Abb.5.10: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 1. Ableitung

Die Spektrenansicht in der 1. Ableitung lässt erneut die Wasserbanden bei ca. 1400 nm und

1900 nm deutlich erkennen. Porenbeton und –Bruch, zu erkennen an den Farben Blau und

Hellblau, weisen die höchsten Intensitätsspannen unter den Spektrenverläufen auf. Weiterhin

ist zu erkennen, dass Ziegelstein und Mauerwerkbruch ähnliche Verläufe haben, sowie einige

Peaks in Wellenlängen bei 1900 nm bis 2000 nm, die die anderen Spektren nicht besitzen. Im

Wellenlängenbereich ab ca. 2150 nm lässt sich deutlich erkennen, dass Ziegelstein und

Mauerwerkbruch eine extrem unterschiedliche Kurvengestaltung aufweisen, gegenüber den

restlichen Baustoffmittelwerten. Eine Besonderheit stellt außerdem der Altbeton bei

Wellenlänge 1400 nm dar. Dieser herausstehende Peak steht ganz im Gegensatz zu den

Kurvenverläufen der anderen aufgenommenen Spektren. Auch lässt sich keine

Gemeinsamkeit diesbezüglich mit dem Beton erkennen.


Abb.5.11: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 2. Ableitung

In Abbildung 5.11 ist die 2. Ableitung der Spektren dargestellt. Vergleichend mit den

Aufnahmen der originalen und denen der 1. Ableitung lassen sich hier eher weniger

aussagekräftige Erkenntnisse gewinnen. Die bereits mehrfach erwähnten Wasserbanden sind

wieder zu erkennen. Auch dass Porenbeton und –Bruch wieder auffällige

Intensitätsschwankungen aufweisen, ist zu betrachten. Genau wie die herausstehenden Peaks

des Altbetons bei 1400 nm Wellenlänge erneut zu erkennen sind. Neu ist die enorme

Peakgestaltung des Mauerwerkbruches bei ca. 1900 nm. Diese Intensitätsspanne gibt dem

gesamten Diagramm den Minimum- und Maximumwert. Anhand der ungenauen Verläufe

der Funktionen ab 2200 nm lassen sich hier keine Erkenntnisse gewinnen.

Insgesamt ist festzuhalten, dass Unterschiede und Gemeinsamkeiten am besten an den

original aufgenommenen Spektren, die das Aufnahmeprogramm KustaWin® liefert, erkennen

lassen. Eine Differenzierung lässt die Spektrenaufnahme auf veränderter Weise erscheinen,

jedoch können nur zusätzliche Feinheiten im Kurvenverlauf herausgefiltert werden.

Zumindest beim Betrachten mit menschlichem Auge sind bei der Gegenüberstellung der

Originalspektren die meisten Vergleichspunkte zu erkennen. Mathematische

Analysewerkzeuge, die im Softwareprogramm KustaSpec® enthalten sind, machen eine

Auswertung hinsichtlich aller 3 Spektrenvariationen durchführbar, da hierbei Unterschiede im

genaueren Ausmaß erkannt werden.


5.4 Auswertung Bei der Auswertung der Spektrenanalyse stehen verschiedene Möglichkeiten zur Verfügung.

Entweder wird den Spektren ein qualitatives oder quantitatives Analyseergebnis zugeordnet.

Dabei stehen unterschiedliche Analysemodule zur Verfügung. Außerdem muss jedes Modul

mit einem Parameterfile initialisiert werden. Des Weiteren bezeichnet ein Analysemodell die

funktionelle Einheit von Parameterfile und Analysemodul. Einige Analysemethoden werden

mit Hilfe der erstellten Lernsets trainiert.

5.4.1 Multivariate Auswertung mit Partial Least Square Regression

Die Aufgabe der Kalibrierung der Nah-Infrarot-Spektroskopie ist es, aus den Spektraldaten

eine mathematische Verknüpfung zu erstellen, mit deren Hilfe die Zusammensetzung

unbekannter Proben anhand ihrer Spektraldaten vorausgesagt werden können. Dabei ist eine

möglichst hohe Güte der Vorhersage von Entscheidung.

Bei der NIRS ist eine herkömmliche, univariate Auswertung anhand einer Wellenzahl

ungünstig, da die enorme Anzahl an Absorptionsbanden sich auch überlagern und sehr breite

Banden bilden. Aus diesem Grund werden multivariate Analysenmethoden verwendet, bei

denen mathematische und statistische Methoden verknüpft werden. Es werden die

aufgenommen NIR- Spektren anhand der ermittelten Messwerte mit diesen

Auswertungsverfahren analysiert. Auf der Grundlage der so erarbeiteten chemometrischen

Modelle lassen sich die Messwerte von unbekannten Proben aus deren Spektren

vorhersagen.[27][33]

Es gibt verschiedene Analysemodelle bei der Auswertung von NIR- Spektren. Erfolgreiche

mathematische Methoden dabei sind die Methode der kleinsten Quadrate oder auch Partial

Least Square Regression (PLS) genannt, die bei dieser Arbeit für die Auswertung eingesetzt

wurde, die Hauptkomponentenanalyse (PCA) sowie die Principal Component Regression

(PCR). Die PCA befasst sich mit der Extraktion von interpretierbaren Daten nur aus den

eingeladenen Spektren. Während die PLS als inverse Regressionsmethode die Voraussetzung

schafft, speziell mit den Verhältnissen zwischen NIR- Spektren und Referenzmessdaten zu

arbeiten. Diese Methoden haben keine Einschränkungen hinsichtlich Spektraldatenmenge und

Vielfalt. Die dabei entstehenden, sehr umfangreichen Berechnungen sind beim heutigen Stand

der Technik möglich. Jedoch muss abgeschätzt werden, in wie weit solche Berechnungen


machbar sind, wenn die zu untersuchenden Materialien z.B. auf einem Förderband mit

entsprechend hoher Geschwindigkeit transportiert werden. Auch deswegen ist vor allem für

die angestrebte schnelle Auswertung die Berechung in kürzester Zeit von enormer

Bedeutung.[33]

Die PLS und die PCR sind faktoranalytische Verfahren und verknüpfen die Veränderungen

der Spektraldaten mit denen der Referenzdaten. Es stehen bei Verwendung weniger Faktoren

somit mehr Informationen zur Verfügung. Die Hauptkomponentenanalyse (PCA) errechnet

aus ursprünglichen Daten latente Variablen, die als Faktoren bezeichnet werden und die die

Hauptkomponenten kennzeichnen. Ergebnis dabei soll die Beschreibung aller

Ausgangsvariablen mit wenigen Faktoren sein. Hauptkomponenten werden auch als

Eigenvektoren bezeichnet. Sie geben die Signifikanz der unterscheidbaren Merkmale der

Spektren an. Zur Bestimmung dieser werden Faktorladungen und Score- Werte gebildet.

Faktorladungen bestimmen dann auf dem Koordinatensystem die Lage der

Hauptkomponenten. Dazu sind 2 Ausgangsvariablen (x1; x2) und deren Messpunkte

erforderlich. Die Dimension der Faktorladungen ist die Anzahl der Komponenten multipliziert

mit der Anzahl der Variablen x. Dabei beschreiben die Score-Werte die Projektion auf die

Hauptachsen für jeden Punkt und die Dimension der Score- Werte ist die Anzahl der

Komponenten multipliziert mit der Anzahl der Messwerte. [33][38]

Bei der PLS steht die Auswertung von korrelierenden Daten im Vordergrund. Vorteil dabei

ist, dass extrem viele Variablen verarbeitet werden können, auch wenn mehr Variablen

vorhanden sind als Versuche zu fahren sind. Der entscheidende Vorteil der PLS gegenüber

anderen Auswertemodellen besteht darin, dass sie auch bei Multikollinearität der Variablen

eingesetzt werden kann, da aus einer Vielzahl korrelierter Variablen wenige unkorrelierte

Variablen berechnet werden [31][33].

Des Weiteren wird in einem PLS-Modell die Information des gesamten Spektrums

einbezogen. Das bedeutet dass nicht wie üblich nur an einem Peak und mit der dort erhaltenen

Absorption bzw. Reflexion gerechnet wird. Es werden auch Form und Lage der Peakflanken,

sowie die komplexen Überlagerungen, hervorgerufen durch die Vielzahl von Ober- und

Kombinationsschwingungen, berücksichtigt. Weiterhin können in einem Ablauf der

Berechnungen mehrere Eigenschaftswerte gleichzeitig kalibriert werden.


Bei der Durchführung werden zuerst alle Datensätze aus dem Learnset in die Spektrenmatrix

X und die Referenzmatrix Y eingeladen und mathematisch abgebildet, indem sie als

Datenpunktmatrix dargestellt werden. Die Zeilen von X enthalten dabei die Spektren und die

Zeilen von Y die zu jedem Spektrum gehörenden Referenzinformationen (chemische

Konzentrationen, Typzuordnungen in Form von Nullen oder Einsen bei

Identifikationsproblemen). [13]

Diese Datenpunktmatrizen werden anschließend in ihre Eigenvektoren (Faktoren,

Hauptkomponenten) zerlegt. Die Faktoren enthalten dabei alle relevanten spektralen

Informationen in komprimierter Form [32][33].

Bei den nun entstandenen Messgrößen handelt es sich nicht nur um jeweils einen Wert,

sondern um ein ganzes Spektrum von mehreren hundert Datenpunkten. Um das auch

verarbeiten zu können, wird jedes Spektrum xn als Vektor betrachtet, dessen Länge im

Extremfall der Anzahl der Datenpunkte entspricht. Alle in dieser Kalibrierung enthaltenen

Spektren werden zusammengenommen und ergeben damit eine Matrix. Entsprechend ist die

Darstellung von Y ebenso als Matrix der Messgrößen, die den jeweiligen Spektren zugeordnet

werden, zu verstehen. [33]

Hat ein Learnset s Spektren, c Wellenlängenkanälen und p zu identifizierenden Sorten hat X

somit die Dimension (s,c) und Y die Dimension (s,p). Wird die PLS nun angelernt und

trainiert, wird eine Projektionsmatrix V und eine Regressionsmatrix Q so bestimmt, dass:

T =XV sowie Y =TQ


In V sind die Spalten Linearkombinationen der Hauptkomponenten (Eigenvektoren) des

Kalibrationsproblems. Wird nun eine gewisse Anzahl von A Eigenvektoren im Modell

beibehalten, so bekommt V die Dimension (c,A). Das Produkt von X mit V projiziert die

Spektren auf die Eigenvektoren und vermindert so die Zahl der Variablen von c

Wellenlängenkanälen auf A Projektionskoeffizienten. Diese werden im Allgemeinen als

Scores T bezeichnet. Mit dieser ermittelten Kalibrierfunktion können neue Proben analysiert

werden. [13]

Im Scoresplot, also der grafischen Darstellung der Ergebnisse, wird tn = Xvn gegen tm = Xvm

aufgetragen, wobei vn die n-te und vm die m-te Spalte von V ist. Jeder einzelne Punkt im

Diagramm repräsentiert ein Spektrum aus dem Lernset. [13]

Die Faktoren werden nach dem Eigenwert sortiert. Dies ist eine Art Faktorzerlegung, in der

die Glieder nach Relevanz in Bezug auf die Eigenschaftswerte geordnet sind. Die Zerlegung

von X erfolgt analog zur Zerlegung von Y so, dass die Scores in beiden Fällen identisch sind.

Veränderungen der Spektraldaten entsprechen der Faktorenreihenfolge. Steigt die

Faktorenanzahl erhöht sich auch der Anteil an spektralem Rauschen. Somit ist es wichtig die

optimale Anzahl an Faktoren auszuwählen. Werden zu wenige Faktoren beim

Kalibrationsmodell verwendet, erkennt das Modell die spektralen Strukturen schlecht. Bei zu

vielen Faktoren wird das Modell überbestimmt, da zu viele störende Anteile des spektralen

Rauschens enthalten sind. [33]

Eigenwerte geben an, wie viel von der Gesamtvarianz aller Variablen durch diese Faktoren

erfasst werden. Eigenwerte haben außerdem den Zweck der Entscheidung ob Faktoren im

Modell bleiben oder entfernt werden. Sie ergeben zusammen mit den Eigenvektoren eine

voneinander unabhängige orthogonale Struktur. Weiterhin müssen sie iterativ bestimmt

werden, zusammengefasst in dem so genannten Eigenwertproblem. [33]

Eine Stabilisation des Modells gegen Rauschen und andere negativen Einflüsse erzielt man

indem man die Scores als Regressor auf Y benutzt und macht es somit einfacher eine

Interpretation zu geben. Bei dem PLS Algorithmus werden die Eigenvektoren in einer Art

berechnet, dass die Scores eine maximale Korrelation mit Y erzielen. [13]

Die Anzahl der Eigenvektoren konnte im Programm KustaSpec eigenständig gewählt werden.

Dabei variierte das Ergebnis der Erkennbarkeit sehr stark, abhängig vom eingegebenen Wert.

Das Problem darin liegt bei der verursachten Rechenzeit, die benötigt wird. Je mehr


Eigenvektoren desto besser das Ergebnis der Erkennbarkeit und desto länger braucht es bis

zur Ergebnisfindung. Näheres wird im weiteren Verlauf des Kapitels beschrieben. Dieser

variable Wert der Anzahl an Eigenvektoren, die berechnet werden sollen, ist also mit

entscheidend auf das zu erzielende Endergebnis.

Bei der Modellbildung stehen verschiede Funktionen zur Verfügung, die z.B. das Ergebnis

verdeutlichen oder Rechenzeit sparen lassen.

Das Residual r kann näherungsweise als die Länge des Teils eines Spektrums aufgefasst

werden, der orthogonal zu den Eigenvektoren ist. Es wird berechnet, indem man das

Spektrum x’ auf die Eigenvektoren projiziert und den kollinearen Anteil anschließend

subtrahiert. [13]

Wenn ein Spektrum sehr verschieden von dem Datensatz des Lernsets ist (z.B. falsches

Material), kann seine Absorptionscharakteristik nicht von den Eigenvektoren erklärt werden,

was einen großen Residualwert zur Folge hat. [13]

Bei der Wahl für die Berechnung des Residual werden vom Spektrum die zu den

Eigenvektoren parallelen Anteile subtrahiert und anschließend die Quadratsumme über alle

Pixel (Auswahlbereich der Spektren) gebildet. Bei der Wahl gegen die Berechnung des

Residual wird das Restspektrum nicht berechnet, was in einer Multiplexeranwendung

Rechenzeit spart. Das Residual ist ein Maß dafür, wie viele zu den Eigenvektoren orthogonale

Anteile ein Spektrum enthält. In der eigenen Durchführung der Auswertung der

aufgenommenen Spektren wurde auf den Wert des Residual verzichtet. [13]

Im Gegensatz zum Residual ist das Leverage ein Maß für die Länge des Teils eines

Spektrums, der kollinear zu den Eigenvektoren ist. Der Leverage- Parameter ist ein Maß

dafür, inwieweit das Spektrum innerhalb des Raums, der von den Eigenvektoren aufgespannt

wird, zum Learnset der Methode passt. [13]

Dabei wird das Leverage auf die Anzahl der Spektren im Lernset und Eigenvektoren

normiert, um einen Wert zu erhalten, der von diesen Parametern unabhängig ist.

Es ist wichtig zu wissen, dass Spektren mit hohem Leveragewert nicht notwendigerweise

Ausreißer sind. Da es sich bei der PLS um einen Least-Squares-Algorithmus handelt, können


diese Spektren für die Kalibration auch von besonderer Bedeutung sein. In der eigenen

Durchführung der eigenen aufgenommenen Spektren wurde der Wert des Leverage nicht

ausgewertet, um Rechenzeit zu sparen. [13]

Im Rahmen des Anlernens des Algorithmus wird ein Lernprozess vollzogen. Für die

Steuerung des Lernprozesses werden ein Lernset und ein Testset benötigt. Diese werden

eingeladen. Steht kein Testset zur Verfügung wird das Lernset aufgespaltet und jeder zweite

Eintrag wird für das Testset verwendet während der Rest im Lernset verbleibt. Es wird für

jede zulässige Anzahl von Eigenvektoren eine Erkennungsmatrix konstruiert. Doch bei

großen Anzahlen von Eigenvektoren können Fehler auftreten die meist bedeuten, dass im

Lerndatensatz einige Kanäle nicht linear unabhängig sind. [13]

Maßgebend bei der PLS- Methode ist, dass jeweils ein bestimmter Anteil des Spektrensatzes

nicht für die Erstellung eines Modells herangezogen wird. Dieser Teil wird dann zur

Bestimmung des Vorhersagefehlers als Maß für die Modellgüte genutzt (Lernset, Testset).


5.4.2 Erstellen eines Analysemodells Bei Analysemodellen werden zwischen quantitativen und qualitativen Analysen

unterschieden. Quantitative sind bei der Problematik der Sortierung von Spektren zu

Baustoffsorten nicht geeignet. Qualitative Analysen erlauben dagegen eine Zuordnung von

gemessenen Spektren zu Sorten. So gibt eine qualitative Analyse Auskunft darüber, ob

beispielsweise eine Kunststoffflasche aus PVC, PET oder PP besteht. Analog kann dies bei

Spektren und Baustoffsorten geschehen, deshalb wird bei Betrachtung der Thematik auch ein

qualitatives Analysemodell benutzt. [13]

Der Ablauf der qualitativen Analyse im Prozess beginnt mit der Aufnahme der Spektren mit

dem Messgerät Kusta 4004s. Das Aufnahmeprogramm KustaWin übergibt das Black/White

korrigierte Spektrum dem Analysemodul PLS. Dabei wird das PLS- Analysemodul

aufgerufen, welches mit dem Parameterfile initialisiert ist. [13]

Das ermittelte Ergebnis wird vom Analysemodul an das Programm zurückgeschickt und dort

ausgegeben. Im weiteren Verlauf der Arbeitsschritte werden die Spektren mit ihren eigenen

Merkmalen geladen. Die angezeigten Spektren werden vom Auswertungsprogramm

KustaSpec als Lernset betrachtet, in Sortennamen eingeteilt und als Lernset gespeichert. [13]

Dabei werden Formate geladen, die als ppd-Files gespeichert wurden. Jedes ppd-File enthält

ein Spektrum. Der Spektrenname ist entsprechend dem Namen des ppd-Files.

Ein Lernset-File ist als lrp-File hinterlegt. Jedes File enthält mehrere Spektren, die einzeln in

ppd-Files gespeichert sind, und weitere Lernset spezifische Parameter. Die Spektrennamen

sind dabei im lrp-File weiter vorhanden und gesichert.

Nachdem das PLS2- Analysemodell gewählt wurde, waren das Learnset zum Anlernen des

Modells und das Testset zu bestimmen. Der automatisierte Lernprozess steuert infolge die

automatische Ermittlung der Eigenvektoren. Dieser Wert wird anschließend bestätigt und

nachfolgend das Parameterfile als Lernset abgespeichert. Damit ist das Analysemodell

erstellt. [13]


5.5 Auswertung der NIR- Spektroskopie

Bei der Auswertung der Analysen ergibt sich eine Vielzahl an Auswahlmöglichkeiten.

Entscheidend ist die Auswahl der Datenbank. Im Rahmen dieser Arbeit wurde eine

Datenbank mit allen aufgeladenen Spektren erstellt. Diese enthält die 5 zu untersuchenden

Wandbaustoffe Beton, Leichtbeton, Porenbeton, Ziegelstein und Kalksandstein sowie die

sekundären Baustoffe Altbeton, Mauerwerkbruch, Porenbetonbruch und zusätzlich noch Kies.

Darüber hinaus wurden noch weitere Baustoffe aufgenommen, Asbest, Faserzement, Gips,

Granit und Porphyr. Diese stellen eine Erweiterung der Datenbank dar, um zu testen

inwieweit die Erkennung mit zusätzlichen Materialien zu Recht kommt.

Getestet wurden insgesamt 3 Datenbanken:

• 1. Datenbank mit 5 Hauptvertretern von Wandbaustoffen (insgesamt 5 Baustoffen mit

9682 Spektren); Datenbank A

• 2. Datenbank mit 5 Hauptvertretern von Wandbaustoffen und sekundäre Baustoffe

zusätzlich Kies (insgesamt 9 Baustoffen mit 11612 Spektren); Datenbank B

• 3. Datenbank mit 5 Hauptvertretern von Wandbaustoffen und sekundären Baustoffen

mit Kies und Natursteinen (Granit und Porphyr) sowie Störstoffen Asbest und Gips

zusätzlich Faserzement (insgesamt 14 mit 12402 Spektren); Datenbank C

Eine weitere Einteilung bedarf es nach der Wahl des Lernsets und Testsets, also der

Referenzmatrix und deren Test. Hierbei wurden die Datenbanken mit unterschiedlichen Sets

angelernt und getestet. Dabei stehen als Lernset die Datenbank selber mit entsprechend

gleicher Anzahl an Spektren und die jeweiligen passenden Mittelwertspektren, als Lernset

gespeichert, zur Verfügung. Das heißt bei der Auswahl mit Mittelwerten, dass bei der

Datenbank mit den 5 Hauptvertretern von Wandbaustoffen zu jeden Typ (Beton, Ziegelstein

etc.) von den bis zu 2000 aufgenommenen Spektren jeweils ein Spektrum erstellt wird.

Als Testset stehen dieselben Sets an Spektren zur Verfügung, sodass eine Vielzahl an

Möglichkeiten der Analyse denkbar ist.


Des Weiteren ist die Anzahl an Eigenvektoren der entstehenden Matrizen durch das

Analysemodell PLS von großer Bedeutung. Wie schon im vorherigen Kapitel erwähnt, erhöht

sich die Identifikation der Spektren mit steigendem Wert der Eigenvektoren. Hier wurde die

Einteilung getroffen, dass die Datenbanken jeweils mit bis zu 10 und 20 Eigenvektoren

gemessen werden. Jedoch ist bei Anzahl der Eigenvektoren von 6 der sinnvolle Maximalwert

erreicht, da sonst das spektrale Rauchen mit zur Auswertung des PLS-Modells interpetiert

wird und das Ergebnis zu viele signifikante Unterschiede der Spektren erfasst, die eigentlich

nur über das Rauschen der Spektren herleitet. Bei der Prüfung der Datenbanken mit den

Mittelwerten ist die Anzahl von zweistelligen Eigenvektoren nicht notwendig

(Überbestimmtheit). Durch die Einteilungen entsprechend der Anzahl der Eigenvektoren

erhöhen sich die Möglichkeiten der Anzahl an Auswertungen.

Zuletzt wird die Auswahl der Differenzierung der Spektren gewählt. Dabei stehen die

Originalspektren und jeweils die 1. und 2. Ableitung dieser zur Verfügung. Somit ergeben

sich insgesamt 36 Auswertungsmöglichkeiten, die jeweils mit entsprechendem Prozentsatz

der Erkennung Aufschluss über die Identifikationsrate der aufgenommenen NIR- Spektren

liefern. Dabei geben Kreuzmatrizen, nach Beendigung der Analysealgorithmen, Ergebnisse,

die erkennen lassen, welche Spektren zu welchen Baustoffen zugeordnet werden.

Im Analyseprogramm wurde ein bestimmter Bereich im gesamten Spektrum gewählt, in

dessen die Auswertung erfolgte. Dabei wurden die Anfangs- und Endbereich des Spektrums

ausgeschlossen, so dass die unscharfen Teile eines Spektrums nicht mit in die Auswertung

einbezogen werden. Der Bereich zur Auswertung erstreckt sich von 1361 nm bis 2250 nm.

Nachfolgend für die Auswertung werden folgende Einteilungen getroffen, die sich im

weiteren Verlauf der Arbeit wiederholen und maßgebend für anschließende Betrachtungen

sind:

A = Datenbank mit 5 Wandbaustoffen

B = Datenbank mit 5 Wandbaustoffen, 3 sekundären Baustoffen, Kies

C = Datenbank mit allen Spektren der 14 aufgenommenen Baustoffe

MW x = Mittelwertspektrum, x (a,b,c) entsprechend Datenbank A, B und C

EV = Eigenvektoren


LS = Lernset

TS = Testset

n = ohne Differenzierung der Spektren

d = 1. Ableitung der Spektren

dd = 2. Ableitung der Spektren

Tab. 5.3: Ergebnisse der Erkennbarkeit der Spektren mit Datenbank A

Datenbank EV LS TS Differenzierung Ergebnis [%] A 3 MW a A n 18,9 A 2 MW a A d 68,6 A 3 MW a A dd 58,1 A 4 MW a MW a n 16,1 A 4 MW a MW a d 36,3 A 4 MW a MW a dd 40,1 A 6 A MW a n 73,5 A 6 A MW a d 84,4 A 6 A MW a dd 88,1 A 10 A MW a n 86,4 A 10 A MW a d 92,1 A 10 A MW a dd 91,5 A 10 A A n 86,4 A 10 A A d 92,1 A 10 A A dd 91,5 A 20 A A n 93,3 A 20 A A d 97,1 A 20 A A dd 95,7

MW a 1-10 MW a/ A MW a/ A n /d / dd 100

In Tabelle 5.3 sind die Ergebnisse der Identifikation mit allen Auswahlmöglichkeiten um die

Datenbank A abgebildet. Zu erkennen ist, dass bei der Auswahl der Mittelwertspektren als

Lernset weniger Eigenvektoren zur Verfügung stehen, da nur 5 Spektren im Lernset enthalten

sind. Weiterhin ist die Identifikation maßgebend abhängig von der Wahl des Lernsets. Wenn

das Lernset die Mittelwertspektren enthält, ist die Erkennung der Spektren der Datenbank A

recht gering. Wenn dazu als Testset die Datenbank selber benutzt wird, steigt wiederum die

Erkennung. Jedoch bewirkt die Auswahl der Mittelspektren als Testset bei gleichzeitiger

Wahl der Datenbank selber als Lernset keine Verbesserung der Identifikation. Jedoch wird die

Betrachtung mit der Datenbank als Lernset und den Mittelwertspektren als Testset durch die

gesamte Auswertung als maßgebend angesehen und angegeben. Festzustellen ist außerdem,

dass allgemein sehr hohe Erkennbarkeiten erzielt werden, wenn die Datenbank als Lernset

eingesetzt wird. Mit steigender Anzahl der Eigenvektoren erhöht sich auch die Erkennung der


Spektren, zu erkennen an den Vergleichszeilen mit 6, 10 und 20 Eigenvektoren. Bei der Art

der Differenzierung ist die Tendenz festzustellen, dass mit einfacher Differenzierung die

besten Ergebnisse erzielt werden, gefolgt von der Analyse der Spektren in 2. Ableitung. Mit

etwa 30% Erkennung der Spektren mit den Mittelwertspektren als lern- und Testset und

ca.50% Erkennung der Spektren mit wiederum dem Mittelwertspektrum als Lernset und der

Datenbank als Testset werden vergleichsweise schlechtere Ergebnisse erzielt. Das liegt an der

Vielzahl der Spektren die in diesem Beispiel nur 5 Spektren zugeordnet werden können. Bei

dieser Auswertung erhalten die Spektren meistens (ca. 70%) das Ergebnis „unbekannt“. Wenn

das Mittelwertspektrum als Lernset fungiert, ist die Erkennung geringer als wenn die

Datenbank selber als Lernset gewählt wird. Dabei werden hohe Genauigkeiten (bis zu 97 %)

bei der Identifikation der Spektren untereinander geschaffen. Ein Unterschied ob die

Datenbank als Testset die Datenbankspektren oder die Mittelwertspektren hat, wenn als

Lernset die selbe Datenbank gewählt wurden, ist nicht festzustellen. Wenn die

Mittelwertspektren als zu untersuchendes Spektren-Set mit alle möglichen

Auswahlmöglichkeiten analysiert werden, ist das Ergebnis der Erkennung immer 100 %.

Tab.5.4: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 2 Eigenvektoren, Mittelwertspektren als Lernset (2.Zeile aus Tab.5.3)

Type Number Identical Beton Kalksand-stein

Leicht-beton

Poren-beton

Ziegel-stein unknown other

Beton 2100 39,4 0 7,9 42,5 4,3 5,9 0 0

Kalksandstein 1610 65,2 7,2 0 0,7 21,1 4,2 1,6 0

Leichtbeton 1820 67,9 16,9 9,3 0 0 5,8 0 0

Porenbeton 2070 85,4 2 12,6 0 0 0 0 0

Ziegelstein 2082 84,6 2,9 5,5 0 0,2 0 6,7 0

Total 9682 68,6 5,4 7,3 9,3 4,5 3,1 1,7 0

Aus den verschiedenen Auswertungen wurden einzelne, im Detail aufgeschlüsselte

Erkennungsraten gewählt, um zu verdeutlichen wie die Verteilung der Identifikation der

einzelnen Baustoffspektren dargestellt ist. Tabelle 5.4 zeigt diese Verteilung bei

entsprechender Auswahl aus Tabelle 5.3 (2 EV; Lernset: MW a; Testset: Datenbank A);

Differenzierung: d). Die Kreuztabelle gibt Auskunft welche Baustoffspektren mit welcher

Genauigkeit erkannt werden und als was sie erkannt werden, wenn sie dem zugehörigen

Baustoff nicht zugeordnet werden. Mit 68,6 % Wahrscheinlichkeit werden die gesamten

Spektren dem zugehörigen Baustoff zugeordnet. Dabei werden die Spektren von Porenbeton


und Ziegelstein mit etwa 85 % erkannt. Kalksandstein und Leichtbeton werden zu ca. 66 %

ihrem Baustoff zugewiesen. Eine Erkennung von 40 % weist der Beton auf, jedoch werden

von den 2100 Betonspektren 42,5 % dem Leichtbeton zugeordnet. Das ist mit der Aufnahme

der Proben zu erklären, in dem bei Leichtbeton eine Mehrheit die Zementmatrix

aufgenommen hat und diese Spektren sich untereinander kaum unterscheiden und somit dem

anderen Baustoff zugeordnet werden. 17 % von den Leichtbetonspektren werden auch dem

Beton zugehörig verwiesen. Bei Ziegelstein ist auffällig, dass knapp 7 % als unbekannt

identifiziert werden. Das lässt darauf schließen, dass einfach noch zu wenige Spektren der

Datenbank einspeist wurden. Weiterhin werden 21 % der Kalksandsteinspektren als

Porenbeton gekennzeichnet und umgekehrt 13 %. Kalksandstein und Porenbeton haben

ähnliche äußere Merkmale und weisen in etwa die gleiche Spektrenstruktur auf, was darauf

schließen lässt, dass diese Spektren häufig dem anderen Baustoff zugeordnet werden. Die

Auswertung lässt vermuten, dass entgegen der Zielstellung die Farbe des Baustoffes in

bestimmter Weise die Erkennung beeinflusst.

Tab.5.5: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 6 Eigenvektoren, Datenbank A als Lernset (9.Zeile aus Tab.5.3)

Type Number Identical Beton Kalksand-stein

Leicht-beton

Poren-beton

Ziegel-stein unknown Other

Beton 2100 76,3 0 2,5 21 0 0 0,1 0

Kalksandstein 1610 87,1 1 0 0,7 8 0 3,2 0

Leichtbeton 1820 80,5 17,4 1,1 0 0 1 0,1 0

Porenbeton 2070 99,9 0 0 0 0 0 0 0

Ziegelstein 2082 95,5 0,1 0 3,5 0,2 0 0,7 0

Total 9682 88,1 3,5 0,8 5,4 1,4 0,2 0,7 0

Tabelle 5.5 zeigt ein anderes Szenario bei der Auswertung der Datenbank A. Die Datenbank

wird hier mit der eigenen Datenbank angelernt. Das Ergebnis der Erkennung ist im Vergleich

mit den Ergebnissen von Tabelle 5.4 wesentlich höher. In der Summe werden 88 % der

insgesamt 9682 Spektren dem richtigen Baustoff zugeordnet. Beispielsweise werden nahezu

alle Porenbetonspektren auch zu diesem identifiziert. Eine ähnliche Erkennungsrate kann bei

Ziegelstein festgestellt werden. 87 % der Kalksandsteinspektren werden richtig zugeordnet.

76,3 % der Betonspektren werden auch Beton zugewiesen, wobei 21 % dieser Spektren als

Leichtbeton erkannt werden. Leichtbeton weist eine Erkennungswahrscheinlichkeit von 80 %

auf. Von den restlichen 20 % werden aber auch 17 % als Beton gekennzeichnet. Das Ergebnis


der Spektrenverteilung von Beton und Leichtbeton bei der Erkennung bestätigt sich aus

Tabelle 5.4.

Tab.5.6: Datenbank B und C mit den Auswertungsverfahren Datenbank EV LS TS Differenzierung Ergebnis [%]

B 5 MW b B n 22,8 B 6 MW b B d 41,2 B 4 MW b B dd 48,8 B 7 MW b MW b n 9,5

B 7 MW b MW b d 34,4 B 7 MW b MW b dd 35,0 B 6 B MW b n 53,7 B 6 B MW b d 70,7 B 6 B MW b dd 68,6 B 10 B B n 72,8 B 10 B B d 81,1 B 10 B B dd 81,1 B 20 B B n 82,7 B 20 B B d 86,4 B 20 B B dd 87,0 C 10 MW c C n 22,1 C 6 MW c C n 36,0 C 9 MW c C d 39,5 C 6 MW c C d 45,6 C 9 MW c C dd 51,8 C 8 MW c C dd 52,9 C 10 MW c MW c n 22,1 C 10 MW c MW c d 34,2 C 10 MW c MW c dd 42,1 C 5 C C d 54,1 C 6 C MW c n 44,8 C 6 C MW c d 59,9 C 6 C MW c dd 59,0 C 10 C C n 66,0 C 10 C C d 67,5 C 10 C C dd 66,9 C 20 C C n 77,5 C 20 C C d 79,5 C 20 C C dd 75,9

In Tabelle 5.6 sind die unterschiedlichen Auswahlmöglichkeiten der Auswertung der

Datenbanken B und C dargestellt. Vergleichend mit den Ergebnissen aus Tabelle 5.3 kann

eine sinkende Erkennungswahrscheinlichkeit festgestellt werden, je mehr Spektren und

verschiedene Baustoffe in der Datenbank vorhanden sind. So sinkt die Erkennung mit den

Mittelwertspektren als Lernset von 70 % auf 49% bzw. 46% zu den Datenbanken B und C.

Ebenfalls niedrigere Identifikationen sind bei den Auswertungen mit der Datenbank als

Lernset zu erkennen. Hier sinken die Erkennungsraten von 88 % bei Datenbank A auf 71 %


und 60 % der Datenbanken B und C. Grund dafür ist die geringere Anzahl an Spektren der

zusätzlich aufgenommenen Baustoffe. Somit kann das Auswertungsprogramm diese Spektren

nicht in dem Umfang einarbeiten, wie es bei den Spektren der primären Wandbaustoffe der

Fall ist. Bei Addierung der Erkennungen beispielsweise von Leichtbeton und Beton stellt sich

dann entsprechend eine höhere Identifikationsrate dar. Weiterhin werden

Erkennungswahrscheinlichkeiten von bis zu 80 % erreicht, wenn genügend Eigenvektoren

angegeben werden. Diese Zahl steigt auch weiter bis zu 100 % bei entsprechend hohem Wert

der Eigenvektoren.

Tab.5.7: Erkennung untereinander in Prozent-bei Datenbank B, 2. Ableitung, 4 Eigenvektoren, Mittelwertspektren aus Datenbank B als Lernset (3.Zeile aus Tab.5.6)

Type

Nu

mb

er

Iden

tica

l

Bet

on

Kal

ksan

d-

stei

n

Lei

chtb

eto

n

Po

ren

bet

on

Zie

gel

stei

n

Alt

bet

on

Kie

s

Mau

erw

erk-

bru

ch

PB

-Bru

ch

un

kno

wn

Oth

er

Beton 2100 22,1 -- 6,9 45,8 2,5 1 10,5 10 0 0,6 0,9 0

Kalksand-stein 1610 65,0 5,7 -- 0,9 11,4 0,4 3,2 5,4 0 0,1 8 0

Leicht-beton 1820 59,8 16,2 3,2 -- 0,3 1,5 11,5 6,2 0,3 0 0,9 0

Poren-beton 2070 59,7 2,4 13,6 0,3 -- 0,2 2,1 0,3 0 10 11,3 0

Ziegelstein 2082 42,7 5,2 3,6 5,3 4,3 -- 4,9 5,1 7,1 0,9 20,9 0

Altbeton 610 62,6 9,8 2,5 7,5 0 0 -- 13,6 0 1,3 2,6 0

Kies 420 43,6 5,5 3,1 17,4 0 0 17,4 -- 0,5 0 12,6 0

Mauerwerk-bruch 600 39,7 0 4 0,7 0 25 1,2 2,7 -- 2,2 24,7 0

PB-Bruch 300 47,7 0,3 8 0 26 0 1 1 3,3 -- 12,7 0

Total 11612 48,8 5,4 5,5 10,5 3,5 1,8 6,1 5,4 1,4 2,2 9,4 0

Nach Tabelle 5.7 werden die Spektren entsprechend Datenbank B mit 4 Eigenvektoren, dem

Mittelwertspektren als Lernset, der Datenbank selber als Testset und in 2. Ableitung

analysiert. Mit durchschnittlich 48,8 % werden alle Spektren erkannt. Auffällig ist der

teilweise hohe Prozentsatz der Spektren die als unbekannt ausgewertet werden. Leichtbeton,

Altbeton und vor allem Beton mit 22 % Erkennung haben niedrige

Erkennungswahrscheinlichkeiten. Jedoch werden die nicht zur Baustoffgruppe gehörigen


Spektren häufig den anderen beiden Betonen (Leichtbeton und Altbeton) zugeordnet. Diese

Erkennung kann nicht vollständig als negativ gewertet werden, da die Zementmatrix erkannt

wurde. Werden diese Werte addiert, werden Erkennungen bei den 3 Baustoffen von etwa 80

% erzielt. Ähnliche Zugehörigkeiten ergeben sich bei Ziegelstein und Mauerwerkbruch und

besonders bei Porenbeton und Porenbetonbruch. Dabei werden die Spektren als nicht erkannt

deklariert, obwohl der Baustoff selber eindeutig identifiziert wurde. Kies wird auch zu hohem

Prozentwerten als Leichtbeton, Beton und Altbeton erkannt. Die enthaltene Gesteinskörnung

in dem Betonen und der Anteil der Messungen die diese aufgenommen haben, werden dabei

erkannt und jeweils zu entsprechenden Anteilen diesen Baustoffen zugewiesen. Die Spektren

von Kalksandstein und Porenbeton werden erneut zu bis zu 15 % dem anderen Baustoff

zugeordnet. Somit kann festgestellt werden, dass die Erkennung von 48,8 % ein recht geringer

Wert ist, jedoch bei näherer Betrachtung der Baustoffgruppen, die in etwa gleiche

Zusammensetzungen vorweisen, Identifikationen von bis zu 80 % erzielt werden.

Demgegenüber steht die hohe Erkennung als unbekannt. Bei Berechnung mehrerer

Mittelwertspektren aus dem Gesamtspektrendatensatz einzelner Baustoffe würde dieser Wert

niedriger werden, da den Spektren mehr Möglichkeiten der Erkennbarkeit zum zugehörigen

Baustoff gegeben werden könnte.

Tab.5.8: Erkennung untereinander in Prozent-bei Datenbank B, 1. Ableitung, 6 Eigenvektoren, Datenbank B als Lernset (8.Zeile aus Tab.5.6)

Type

Nu

mb

er

Iden

tica

l

Bet

on

Kal

ksan

d-s

tein

Lei

ch-

tbet

on

Po

ren

-b

eto

n

Zie

ge-

lste

in

Alt

bet

on

Kie

s

Mau

erw

erk

-bru

ch

PB

-Bru

ch

un

kno

wn

Oth

er

Beton 2100 29,3 0 1,2 41 0 2,4 13,4 11,3 0 1,3 0 0

Kalksandstein 1610 82,3 3 0 0,6 1 0 0 1,9 0 9,5 1,7 0

Leichtbeton 1820 65,6 13 1 0 0 2,2 15,2 2,9 0 0 0 0

Porenbeton 2070 91,8 0 0,5 0 0 0 0 0 0 7,6 0 0

Ziegelstein 2082 96,4 0,2 0,2 0 0 0 0,6 0 1,9 0 0,5 0

Altbeton 610 45,9 26,2 0 15,1 0 6,9 0 5,2 0,2 0 0,5 0

Kies 420 52,4 3,8 4,8 25 0 6,9 3,8 0 0,2 0 3,1 0

Mauerwerkbruch 600 82,5 0 0 0 0 16,2 0,2 0 0 0,2 1 0

PB-Bruch 300 57 6 0,3 0 33 0 0,3 2,7 0 0 0,7 0

Total 11612 70,7 4,2 0,7 9,2 1 2,2 5,1 3,1 0,4 2,9 0,5 0


In Tabelle 5.8 werden die Spektren aus Datenbank B untereinander verglichen. Dabei steht als

Lern- und Testset die eigene Datenbank bei 6 Eigenvektoren zur Verfügung. Bei der

Betrachtung wird die 1. Ableitung der Spektrenfunktionen benutzt. Erkennbarkeiten von

durchschnittlich 70,7 % werden erzielt, während ohne Differenzierung der Spektren nur 54 %

erkannt werden. Die gezeigten Werte können als Maßstab angesehen werden, welche

Erkennbarkeiten erzielt werden können. Mit 70,7 % werden die einzelnen Baustoffe erkannt.

Mit den gewonnenen Kenntnissen aus den vorherigen Tabellen, mit den Beziehungen der

Erkennung von Beton, Leichtbeton, Altbeton und Porenbeton zu Porenbetonbruch sowie

Ziegelstein zu Mauerwerkbruch werden noch höhere Werte erzielt als 71 %. Festzustellen ist,

dass von der exakten Baustofferkennung nach dieser Einteilung, Ziegelstein und Porenbeton

die besten Werte vorweisen, gefolgt von Kalksandstein, Beton und betonähnlichen

Baustoffen. Unter Berücksichtigung der erwähnten Erkennungen untereinander bei gleicher

Baustoffgrundsorte werden sehr hohe Identifikationen von durchschnittlich über 90 % erzielt.

Bei Auswertung einer Datenbank in Form des Lernprozesses mit einer anderen Datenbank als

Lernset, z.B. Datenbank A mit Datenbank C als Lernset, werden keine anderen Ergebnisse

erzielt. Die Erkennungsabweichungen weichen nur um ca. 1 % ab. Auswertungen um die

Datenbank C und grafische Darstellungen zu einzelnen Ergebnissen werden im Anhang

A13/14 hinterlegt. Vergleichend mit den Ergebnissen aus Datenbank A und B werden bei

Datenbank C in der Summe 60% der betrachteten Spektren in ihrer Datenbank erkannt, also

eine 10% geringere Erkennung zu Datenbank B. Auffällig ist die niedrige Erkennung der

Betonbaustoffe, dargestellt in Tabelle 5.9. Bei Kalksandstein, Porenbeton und Ziegelstein

werden dagegen wiederum gute bis sehr gute Ergebnisse erzielt.

Tab.5.9: Ergebnisse aus Datenbank C Type Number Identical [%] Beton 2100 14,1

Kalksandstein 1610 75,6 Leichtbeton 1820 30,3 Porenbeton 2070 89,7 Ziegelstein 2082 93,8

Asbest 100 66 Faserzement 100 53

Gips 380 83,4 Granit 110 2,7

Porphyr 100 78 Altbeton 610 35,9

Kies 420 42,6 Mauerwerkbruch 600 82,3

PB-Bruch 300 47,3 Total 12402 59,9


5.6 Grafische Darstellungen der Auswertung

Die grafische Auswertung einer Analyse gibt meist zusätzliche Aufschlüsse zur Problematik

einer Thematik. Hierbei sollen Diagramme erläutern und verdeutlichen, welchen Umfang die

aufgenommenen Spektren einnehmen und wie sie sich zwei- und dreidimensional im Raum

darstellen. Die folgenden Abbildungen werden aus einem ausgewählten Auswertungs-

algorithmus entnommen. Die Auswahl beschränkt sich auf die Ergebnisse aus Tabelle 5.8 mit

ihren Auswahlparametern und steht im Rahmen der grafischen Auswertung dabei als

Anschauungsbeispiel zur Verfügung. Im Anhang A9-A14 werden weitere Diagramme

grafisch hinterlegt.

Das in Abbildung 5.12 gezeigte Diagramm stellt für jedes Spektrum einen Punkt dar. Jedem

Sortenname (Baustoffsorte) sind ein eigenes Symbol und eine eigene Farbe zugeordnet.

Bei dem Plot im Rahmen der Analysemethode PLS werden wie in Kapitel 5.3 beschrieben

alle Datensätze aus dem Lernset in die Spektrenmatrix X (Dimension: Spektren s,

Wellenlängenkanäle c) und die Referenzmatrix Y (Dimension: Spektren s, zu identifizierende

Sorten p) eingelesen. Infolge des Trainierens der PLS entsteht eine Projektionsmatrix V und

eine Regressionsmatrix Q. Die Spalten von V sind dabei Linearkombinationen der

Eigenvektoren des Kalibrationsproblems. Die Anzahl der Eigenvektoren bestimmt die

Dimension von V (Wellenlängenkanäle c, Eigenvektoren A). Mit der Projizierung der

Spektren auf die Eigenvektoren indem die Spektrenmatrix mit der Projektionsmatrix

multipliziert wird, verringert sich die Variablenanzahl auf die Scores T

(Projektionskoeffizienten) von den ursprünglichen Wellenlängenkanälen. Die Eigenvektoren

werden dabei so berechnet, dass die Scores T eine maximale Korrelation mit Y aufweisen. Die

Anzahl der Eigenvektoren ist demnach gleich zu setzen mit der Bestimmung der signifikanten

Unterschiede der zu untersuchenden Spektren. [13]

In der Darstellung wird t1 = Xv1 gegen t2 = Xv2 aufgetragen, wobei v1 die 1-te und v2 die 2-te

Spalte von V ist. Im Diagramm zeigt jeder einzelne Punkt ein Spektrum aus dem Lernset. [13]


Abb.5.12: Grafische Darstellung der Ergebnisse (Scores Plot)

Im Diagramm in Abbildung 5.12 sind alle Spektren dargestellt. Es enthält die 11612 Spektren

der Datenbank B nach der PLS-Analyse. Zu betrachten ist, dass sich sehr viele Spektren

überlappen. Der Häufungspunkt liegt dabei oben rechts im Diagramm. Jedoch sind Tendenzen

zu erkennen. Ziegelstein und Mauerwerkbruch sind im gleichen Bereich zu finden, da

Mauerwerkbruch zu sehr hohen Anteilen aus Ziegelstein besteht. Ähnliches gilt für Beton,

Leichtbeton, Altbeton und Kies. Diese überlagern sich im erwähnten Häufungspunkt.

Porenbeton erscheint sehr konzentriert im unteren Bereich des Diagramms. Zu erkennen ist

weiterhin, dass Kalksandstein im Bereich von Porenbeton wieder zu finden ist, jedoch nur in

einem bestimmten Abschnitt des Diagramms. Porenbetonbruch verteilt sich dagegen über

diese beiden Spektrenhäufungen. Ziegelstein weist die größte Streuung auf, aber in Bereichen

wo Spektren anderer Baustoffe nicht erkennbar sind. Insgesamt betrachtet, gibt das Diagramm

die Ergebnisse der Tabellen aus Kapitel 5.4 wieder. Die Unterscheidung der Baustoff -

zugehörigen Spektren ist grafisch zu erkennen. Auch die auftretende Fehlerkennung ist

anhand der Überlappungen der Grafik nachzuvollziehen und verdeutlicht die Ergebnisse.

Insgesamt ist festzustellen, dass von der Zusammensetzung ähnliche Baustoffgruppierungen

wie Beton und Leichtbeton annähernd gleiche Häufungspunkte aufweisen und dass bei der

2D-Auswertung die unterschiedlichen Spektren auch den Baustoffen zugeordnet werden

können, ohne jedoch alle genauen Positionen bzw. Ausbreitungen der Spektren, durch die

Überlappung, zu verfolgen.


Bei der Auswertung der 3D- Scores werden Ergebnisse qualitativer Analysemodelle

graphisch dargestellt.

Das Diagramm stellt für jedes Spektrum ein Objekt dar. Jedem Sortennamen ist ein Symbol

mit einer Farbe zugeordnet. Die drei Achsen x, y, z sind in den Farben Rot, Grün, Blau

gezeichnet. Dabei entsprechen die Achsen im Scoresplot wiederum der Auftragung tn = Xvn

gegen tm = Xvm, wobei vn die n-te und vm die m-te Spalte von V ist. Erneut wird pro Punkt

im Diagramm ein Spektrum aus dem Lernset dargestellt. Dabei ist t1 die X-Achse (rot), t2 die

Y-Achse (grün) und t3 die Z-Achse (blau). [13]

Bei der Betrachtung in 3D können die Achsen jede für sich auf die auf das Maximum des

Absolutbetrags der jeweiligen Komponente für alle sichtbaren Spektren normiert werden oder

alle Achsen sind auf das Maximum des Absolutbetrags aller Komponenten für alle sichtbaren

Spektren normiert. Die 3. Variante normiert die Achsen auf 1. In den Betrachtungen wird die

zweite Variante benutzt. Beispiele der anderen Darstellungen werden im Anhang ab A9

hinterlegt. [13]


Beton Kalksandstein Leichtbeton

Porenbeton Ziegelstein Altbeton

Kies Mauerwerkbruch Porenbetonbruch

Abb.5.13: Alle Spektren der Baustoffe nach der Analyse in der 3D-Darstellung


Abbildung 5.13 zeigt Spektrenverteilung der einzelnen Baustoffe im dreidimensionalen

Raum. Die Darstellung lässt deutlich erkennen, dass alle Spektren, die einem Baustoff

zugehörig sind, eng beieinander liegen und somit Punktewolken entstehen. Beton orientiert

sich entlang der X- und Y-Achse mit verhältnismäßig hoher Streuung der Punkte im

Gegensatz zu den anderen Punktewolken. Leichtbeton befindet sich zu großen Teilen auch

entlang der X- und Y- Achse, wobei einige Ausreißer zu erkennen sind. Ähnliche

Darstellungen ergeben sich bei Altbeton und Kies. Im Vergleich hat Altbeton die dichtere

Erscheinung mit nur vereinzelten Ausreißern und Kies sich in 3 Gruppen entlang der Achsen

erstreckt. Kalksandstein befindet sich im Koordinatenursprung und verläuft entgegengesetzt

der X-Achse als sehr kompakte Punktewolke. Porenbeton hat ein annähernd gleiches

Erscheinungsbild, jedoch befinden sich die Spektren noch enger zusammen und ergeben eine

vergleichsweise sehr dichte Verteilung. Bei Porenbetonbruch ist zu erkennen, dass vom

Standort der Spektren im Diagramm gleiches gilt wie für Porenbeton, nur dass eine höhere

Streuung und eine Tendenz in Richtung Z-Achse zu betrachten ist. Ziegelstein befindet sich

zwischen X- und Z-Achse und verläuft weiter entgegengesetzt der Y-Achse. Die dichte

Verteilung des Porenbetons kann bei Ziegelstein nicht festgestellt werden, jedoch ist die Lage

der Spektren noch signifikanter als bei den anderen zu betrachtenden Baustoffen.

Abschließend erstreckt sich die Punktewolke des Mauerwerkbruchs ähnlich der des

Ziegelsteins mit stärkerer Tendenz Richtung X-Achse. Die bekannten Ähnlichkeiten von

Baustoffspektren sind wie bei den vorhergehenden Betrachtungen erneut zu erkennen und

bestätigen die Ergebnisse. Die Darstellungen in 3D geben dazu noch eindeutige Lagepunkte

im Raum und gestalten den Vergleich der Spektren untereinander einfacher. Bei

Betrachtungen aller Spektren in einem Diagramm sind die Überlappungen natürlich wieder

vorhanden. Doch durch Drehungen des Diagramms im Auswertungsprogramm lassen sich

die Spektren optisch gut unterscheiden. In der Abbildung der Gesamtspektren sind 2

verschiedene Normierungen der Achsen gewählt. Trends sind eindeutig zu erkennen. Die

Unterscheidung der Spektren ist mittels Analysemodule auch grafisch möglich.


5.7 Prüfungen der Datenbank

Die Auswertungsergebnisse aus Kapitel 5.5 geben einen guten Überblick wie eine Datenbank

mit entsprechend vielen Spektren erkannt wird. Jedoch wird dabei nur die Datenbank mit sich

selber und oder den Mittelwertspektren getestet. Es werden also etwa 12000 Spektren mit den

gleichen 12000 Spektren getestet oder ihren bis zu 14 Mittelwerten anhand dieser Anzahl an

Spektren, sozusagen ein Vergleich mit sich selber. Das ist zwar vom Umfang eine enorme

Gegenüberstellung, aber die zu untersuchenden Spektren sind schon vorhanden oder aus

ihnen wurden Mittelwertspektren berechnet und mit diesen verglichen. Eine Spektrenanalyse

der Datenbank mit noch nicht aufgenommenen Spektren soll diese testen.

Dazu werden 5 weitere Baustoffe benötigt. Um die Datenbank und die Erkennbarkeit von

Wandbaustoffen zu testen, wurde je ein Beton, Kalksandstein, Leichtbeton, Porenbeton und

Ziegelstein aufgenommen, die noch nicht in der Datenbank angehören. Dabei waren die

Baustoffe in keine Fraktion zu zerkleinern und physikalische Charakteristika zu vergleichen.

Sie wurden mit normalem Werkzeug in etwa 5 cm große Proben zerkleinert. Die Proben

waren nun so zu vermessen, dass 100 neue Spektren pro Baustoff in einem Lernset zur

Verfügung standen und diese dann mit den 3 Datenbanken (A, B, C) zu analysieren und die

Erkennbarkeit der neuen Spektren anhand der vorhandenen Spektren zu vergleichen. Ziel

dabei ist die Identifikation der Testspektren in der Datenbank entsprechend ihrer

Baustoffzugehörigkeit.

Im Rahmen der Untersuchung gibt es viele Möglichkeiten der Auswertung der Testspektren.

Das PLS- Analysemodell wurde erneut verwendet. Die Anzahl der Eigenvektoren, die Art der

Differenzierung, die Lern- und Testsetwahl sowie die Auswahl der Datenbank sind bei der

Untersuchung von Bedeutung. Die Option, ob die Spektren mit der Datenbank, die auch nur

Wandbaustoffe enthält (A) oder mit der gesamten Datenbank (C), welche unter anderen auch

Störstoffen enthält, getestet werden soll, stand bei der Untersuchung im Mittelpunkt. Um

umfangreiche Kenntnisse zu erlangen, wurden sämtliche Möglichkeiten im

Auswertungsprogramm analysiert. Im Folgenden werden nur Endresultate aufgezeigt. Alle

von der Auswahl möglichen Ergebnisse sind im Anhang A6-A8 hinterlegt. Nach diesen

zahlreichen Untersuchungen, z.B. mit welcher Art der Differenzierung das beste Ergebnis zu

erzielen ist, wurden zwei verschiedene Betrachtungen gewählt. Zum einem dass die

Testspektren mit der Datenbank als Lernset und Testset untersucht werden und zum anderen


die Testspektren mit der Datenbank als Lernset und den Mittelwertspektren als Testset als

Richtwerte gewählt wurden. Unter den Tests stellte sich heraus, dass mit der 2. Ableitung der

Spektren die besten Resultate erzielt werden. Die Ergebnisse sehen tabellarisch

folgendermaßen aus:

Tab.5.10:Resultate der Erkennbarkeit von Spektren die nicht der Datenbank angehören (bestes Ergebnis)

In der Tabellen 5.10 wurden die Testspektren mit den 3 Datenbanken (A, B, C) getestet und

die Ergebnisse gegenübergestellt. Die Werte Baustoffspektren in Tabellenteilen von Ergebnis

A bis C stellen sich jeweils aus 2 unterschiedlichen Werten zusammen. Es wurden die Werte

aus der Analysemöglichkeit mit 10 Eigenvektoren, der Datenbank als Lern- und Testset, der

Differenzierung 2.Grades (dd) und aus der Auswahl mit 10 Eigenvektoren, der Datenbank als

Lernset, den Mittelwertspektren der Datenbank als Testset und der 2. Ableitung der Spektren

addiert und gemittelt. Der resultierende Wert in Tabellenteil „gesamt“ ergibt sich wiederum

aus dem Mittelwert der 3 vorausgegangenen Werte.

Werden die Ergebnisse aus den Datenbanktests verglichen, so werden die Testspektren von

Kalksandstein und Porenbeton zu 100 % ihren Baustoff zugeordnet. Bei den restlichen 3

nimmt die Erkennung mit Zunahme der Größe und Vielfalt der Datenbank stetig ab. So fällt

die Identifizierung von Beton von 98 % in der Datenbank mit den 5 Hauptvertretern von

Wandbaustoffen auf 90 % ab. Die Erkennung der Testziegelsteinspektren fällt von 100 %

(Datenbank A) auf 87 % (Datenbank B) auf 81 % (Datenbank C). Ein extremer Einbruch der

Spektrenerkennung ist beim Leichtbeton zu betrachten. Von anfangs 79 % fällt dieser Wert

auf 23 % ab. Zu erklären ist das mit den in Datenbank C zusätzlich enthaltenen Baustoffen,

die ähnliche Spektreneigenschaften vorweisen und durch die Auswahl der Testgegebenheiten,

Testspektren Ergebnis A [%] Beton 98

Kalksandstein 100 Leichtbeton 79 Porenbeton 100 Ziegelstein 100

Total 95,4

Testspektren Ergebnis B [%] Beton 89

Kalksandstein 100 Leichtbeton 75,5 Porenbeton 100 Ziegelstein 87

Total 90,3

Testspektren Ergebnis C [%] Beton 90

Kalksandstein 100 Leichtbeton 23 Porenbeton 100 Ziegelstein 81

Total 78,8

Testspektren Ergebnis

gesamt [%]

Beton 92,33

Kalksandstein 100,00

Leichtbeton 55,67

Porenbeton 100,00

Ziegelstein 89,33

Total 87,47


die dadurch nicht ausführlich unterschieden werden können. Insgesamt wird bei dieser

Untersuchung zu 87,47 % erreicht, dass alle 500 Testspektren der 5 Baustoffe in den

Datenbanken den zugehörigen Baustoffen zugeordnet werden. Andere Verfahren die die

Mittelwertspektren zum Test als Anlernen berücksichtigen, erzielen wesentlich niedrigere

Werte. Auch schwankt die Erkennung aufgrund der Anzahl an Eigenvektoren die bei

Lernprozess der Matrix angegeben werden. Werden alle Werte der Auswahl bezüglich

Vergleichvarianten herangezogen und diese ins Verhältnis gesetzt, so ergeben sich in etwa

Erkennungswahrscheinlichkeiten die in der folgenden Tabelle dargestellt werden. Diese sind

niedriger aber statistisch durch zahlreiche Untersuchungen abgesichert. Hier werden eben

nicht die besten Resultate zum Vergleich herangezogen, sondern alle Wahrscheinlichkeiten,

die zur Auswahl stehen gemittelt. Da wie im Anhang nachzulesen, es einige Varianten gibt,

die auf 0 % Erkennung hinauslaufen, werden die als solche auch wahrgenommen aber

vergleichend weniger in der Auswertung berücksichtigt. Aus diesem Grund wurde die Wahl

auch z.B. auf die Betrachtung der 2. Ableitung gesetzt. Jedoch ergeben sich bei Datenbank C

dann gerade Unstimmigkeiten bezüglich der Identifikation, dass einfach nur abgeschätzt

werden kann, in welchem Verhältnis diese Werte stehen. Dennoch können bis zu 100 %

Identifikation erzielt werden, egal welche Datenbank getestet wird. Nur bei Beschränkung auf

eine Analyse, bspw. Auf 10 Eigenvektoren und 2. Ableitung, verfälscht das Ergebnis und

Leichtbeton wird zu 10 % erkannt obwohl in 1.Ableitung zu 80 %, aber im Schnitt diese

Betrachtung eben schlechtere Resultate bei den anderen Baustoffen erzielt. So kann

festgehalten werden, dass alle Baustoffe zu nahezu 100 % erkannt werden, außer Leichtbeton,

der in allen Untersuchungen bei Datenbank C Erkennbarkeiten von maximal 30% aufweist.

Abschließend kann festgestellt werden, dass die Testspektren in den verschiedenen

Datenbanken meist besser erkannt werden als die Spektren in den Datenbanken. Durch

Zusammenführung aller Auswertungsergebnisse, dargestellt in Tabelle 5.11 nähern sich die

Ergebnisse an. Dennoch wird bspw. Beton im Test mit neuen Spektren, demnach Sorte Beton

11, mit besseren Ergebnissen erkannt als die Betonspektren der Spektrenbibliothek. Der

Testbeton war in der Spektrenform entsprechend vielen Betonsorten der Datenbank ähnlich.

Tab.5.11:Ergebnisse der Erkennbarkeit von Spektren die nicht der Datenbank angehören (gemitteltes Ergebnis)

Testspektren Ergebnis gesamt [%] Beton 68,31

Kalksandstein 88,47 Leichtbeton 57,17 Porenbeton 92,83 Ziegelstein 86,90

Total 78,0


5.8 Wasseranteil- Test

Um zu prüfen, in wieweit Wasser in den Proben zur Verfälschungen der Ergebnisse führen,

wurde ein Wasseranteiltest durchgeführt. Die erkennbaren Wasserbanden bei Wellenlängen

von 1400 nm und 1900 nm sind in jedem Baustoff zu finden, jedoch soll geprüft werden, ob

die Proben bei 5 und 10 M-% Wasseranteilen unterschiedliche Erkennbarkeiten aufweisen.

Dazu wurden 5 Proben der Baustoffsammlung von Beton, Leichtbeton, Kalksandstein,

Porenbeton und Ziegelstein gewählt. Diese waren anschließend wieder 24 Stunden bei 105 °C

zu trocknen und zu wägen. Weiterhin mussten die Trockenproben vermessen werden. Jeweils

100 Aufnahmen/Spektren wurden pro Baustoff erstellt und als Grundlage angenommen für

die folgenden Betrachtungen mit 5 und 10 M-% Wasseranteilen. Dabei wurde die

Probengröße so gewählt, dass der Baustoff mit 100 repräsentativen Messungen aufgenommen

werden kann. Die Proben waren in wasserdichte Behälter zu füllen und anschließend mit 5 M-

% Wasser gleichmäßig zu befüllen. Diese Proben wurden dann wiederum 100-mal vermessen

und als Lernset gespeichert. Mit 10 M-% Wasseranteil wurde analog verfahren mit vorheriger

Trocknung und zu Testzwecken wiederholter Aufnahme der trockenen Proben. Zum

Wasseranteiltest wurden Beton (B4), Ziegelstein (Z1), Kalksandstein (KS1), Porenbeton

(PB7) und 2 Leichtbetone (LB1 und LB6, zu je 50 Spektren) gewählt. Zwei Leichtbetone

deshalb, weil die Erkennung des Baustoffs ziemlich schwankt und für repräsentative Zwecke

zwei optisch unterschiedliche Proben notwendig sind, auch um die besondere Bedeutung der

Identifikation von Leichtbetonspektren zu verdeutlichen. Bei dem Test steht die Erkennung

der Baustoffspektren mit bestimmten Wasseranteilen im Vordergrund und nicht die

Erkennung des Baustoffs selber, deshalb wurden keine neuen Proben untersucht, sondern

Baustoffe die in der Datenbank schon implementiert sind. Entscheidend bei der Auswertung

sind wieder die Einstellmöglichkeiten des Analysemodells PLS. Um einheitliche

Messgegebenheiten zu schaffen, wurden die Auswahlmöglichkeiten bezüglich Datenbank,

Eigenvektoren, Lern- und Testset sowie Differenzierung denen aus Tabellen von Kapitel 5.5

verwendet. Die Ergebnisse sind tabellarisch in den folgenden Abbildungen dargestellt.

Dabei gilt die PLS- Auswertungsvariante mit 5 Eigenvektoren, Datenbank A als Lernset und

Mittelwertspektren als Testset. Die Differenzierungen der Auswertungsspektren sind separat

in der Tabelle angegeben.


Tab.5.12: Erkennung der Baustoffspektren in trockenem Zustand und 5 M-% Wasseranteilen

Trocken–Ergebnis in Datenbanken [%]

5% - Ergebnis in Datenbanken [%] Probe Differen

-zierung A B C

Ergebnis [%]

A B C

Ergebnis [%]

Erkennung +- [%]

Beton n 30 6 4 13,33 2 3 0 1,67 -11,67 ~ d 90 45 21 52,00 77 44 12 44,33 -7,67 ~ dd 88 68 61 72,33 54 63 49 55,33 -17,00

Kalksand-stein n

82 84 83 83,00 44 45 44 44,33 -38,67

~ d 89 94 93 92,00 94 94 91 93,00 1,00 ~ dd 87 89 93 89,67 87 92 66 81,67 -8,00

Leicht-beton 6 n 60 48 56 54,67 32 24 28 28,00 -26,67

~ d 100 100 12 70,67 100 100 46 82,00 11,33 ~ dd 100 100 10 70,00 100 100 12 70,67 0,67

Leicht-beton 1 n 0 0 0 0,00 4 0 0 1,33 1,33

~ d 18 6 0 8,00 36 2 0 12,67 4,67 ~ dd 80 46 42 56,00 88 32 76 65,33 9,33

Poren-beton n 100 18 28 48,67 92 28 31 50,33 1,67

~ d 100 93 95 96,00 99 88 91 92,67 -3,33 ~ dd 100 38 49 62,33 99 68 83 83,33 21,00

Ziegel-stein n 100 69 67 78,67 65 37 26 42,67 -36,00

~ d 99 71 76 82,00 99 73 92 88,00 6,00 ~ dd 100 90 96 95,33 96 87 75 86,00 -9,33

Total 79,06 59,17 49,22 62,48 70,44 54,44 45,67 56,85 -5,63

In Tabelle 5.12 sind die Ergebnisse der Wasseranteiltests mit 5 M-% dargestellt. Zu erkennen

sind die Proben, die durchgeführte Differenzierung (n, d, dd) und die Resultate, die erzielt

wurden, gemittelt von den Betrachtungen mit den 3 aufgestellten Datenbanken (A, B, C). In

der ersten Tabellenhälfte sind die Ergebnisse der Trockentests einzeln aufgeschlüsselt. Die

zweite Hälfte stellt die Ergebnisse mit 5 M-% Wasseranteil an den Proben dar, dabei zeigt die

letzte Spalte die abfallende (-) bzw. ansteigende Erkennung von 0 % zu 5 % Wasseranteil in

den Proben. Die Ergebnisse im Gesamten werden in der abschließenden Spalte erläutert.

Dabei werden die Mittelwerte der aufgestellten Daten ermittelt. Zu erkennen ist, dass ohne

Differenzierung der Spektren die Erkennung bei Beton, Kalksandstein, Leichtbeton 6 und

Ziegelstein abfällt. Porenbeton und Leichtbeton 1 haben in etwa gleich bleibende

Identifikationen. Bei Betrachtung der Spektren in 1. Ableitung werden nur Beton und

Porenbeton schlechter erkannt. In 2. Ableitung werden besonders Beton mit -17 %,

Kalksandstein und Ziegelstein mit dem definierten Wasseranteil von 5 % weniger gut

identifiziert. Insgesamt werden Beton, Kalksandstein und Ziegelstein mit 10 % schlechter

erkannt wenn 5 M- % Wasser in den Proben enthalten sind. Bei Leichtbeton 1 und 6 kann


keine aussagekräftige Tendenz festgestellt werden, da Leichtbeton 1 nur in 2. Ableitung auch

wirklich als Leichtbeton erkannt wird und Leichtbeton 6 hervorragend in 1. und 2. Ableitung

als solcher identifiziert wird. Zusätzlich weist der Leichtbeton, wie im Datenbanktest gezeigt

wurde, in Datenbank C kaum Prozentpunkte auf. Porenbeton wird sogar geringfügig besser

erkannt. Werden die Zahlen im Gesamten vergleichen, fällt die Erkennung der betrachteten

Baustoffspektren in Datenbank A von 80 % auf 70 %, in Datenbank B von 60 % auf 55 %

und in Datenbank C von 50 % auf 45%. Festzuhalten ist, dass mit 5 M-% Wassergehalt in den

Proben die Erkennung der Spektren durchschnittlich um 6 % abfällt, jedoch bei Betrachtung

der Spektren in ausgewählten Differenzierungen keine eindeutig niedrigere Erkennung

festzustellen ist.

Tab.5.13: Erkennung der Baustoffspektren in trockenem Zustand und 10 M-% Wasseranteilen

Trocken–Ergebnis in Datenbanken [%]

10% - Ergebnis in Datenbanken [%] Probe Differen-

zierung A B C

Ergebnis [%]

A B C

Ergebnis [%]

Erkennung +- [%]

Beton n 30 6 4 13,33 10 1 0 3,67 -9,67 ~ d 90 45 21 52,00 60 48 18 42,00 -10,00 ~ dd 88 68 61 72,33 1 33 14 16,00 -56,33

Kalksand-stein n 82 84 83 83,00 10 8 8 8,67 -74,33

~ d 89 94 93 92,00 88 86 86 86,67 -5,33 ~ dd 87 89 93 89,67 62 64 32 52,67 -37,00

Leicht-beton 6 n 60 48 56 54,67 32 16 22 23,33 -31,33

~ d 100 100 12 70,67 100 100 40 80,00 9,33 ~ dd 100 100 10 70,00 100 100 22 74,00 4,00

Leicht-beton 1 n 0 0 0 0,00 18 0 0 6,00 6,00

~ d 18 6 0 8,00 6 0 2 2,67 -5,33 ~ dd 80 46 42 56,00 64 16 58 46,00 -10,00

Poren-beton n 100 18 28 48,67 98 42 43 61,00 12,33

~ d 100 93 95 96,00 100 95 99 98,00 2,00 ~ dd 100 38 49 62,33 100 89 94 94,33 32,00

Ziegel-stein n 100 69 67 78,67 10 6 4 6,67 -72,00

~ d 99 71 76 82,00 98 88 97 94,33 12,33 ~ dd 100 90 96 95,33 61 64 28 51,00 -44,33

Total 79,06 59,17 49,22 62,48 56,56 47,56 37,06 47,06 -15,43

Tabelle 5.13 stellt die Ergebnisse des Tests mit 10 M-% Wasseranteil dar. Aufbau und Form

sind entsprechend Tabelle 5.12 gleich. Verglichen werden die Resultate wiederum mit den

trocken aufgenommenen Probenspektren, um eine Gegenüberstellung der Werte mit 5 und 10

% zu erhalten. Zu erkennen ist, dass ohne Differenzierung der Spektren die Erkennung wieder


NIR- Erkennung in Abhängigkeit der Wasseranteile

62,4856,85

47,06

0,00

10,00

20,00

30,00

40,00

50,00

60,00

Wasseranteil

Nir

-Erk

enn

un

g [

%]

Trocken

5%

10%

bei Beton, Kalksandstein, Leichtbeton 6 und Ziegelstein abfällt. Leichtbeton 1 hat in etwa

eine gleich bleibende Identifikation. Porenbeton dagegen weist eine geringe Verbesserung

auf. Bei Betrachtung der Spektren in 1. Ableitung werden nur Beton, Leichtbeton 1 und

Porenbeton schlechter erkannt. In 2. Ableitung werden besonders Beton mit -56 %,

Kalksandstein mit -37 % und Ziegelstein (-44 %) mit dem definierten Wasseranteil von 10 %

mangelhaft identifiziert. Insgesamt werden Beton (-25%), Kalksandstein (-39%) und

Ziegelstein (-34%) schlechter erkannt wenn 10 M- % Wasser in den Proben enthalten sind.

Bei Leichtbeton 1 und 6 trifft die Aussage wie zur Tabellenauswertung 5.12 zu, mit

Ausnahme, dass sich die Ergebnisse mit 10 % allgemein verschlechtert haben. Leichtbeton 1

wird erneut nur wirklich in 2. Ableitung als Leichtbeton erkannt und Leichtbeton 6 sogar sehr

gut in 1. und 2. Ableitung. Die Erkennung in Datenbank C ist für Leichtbeton nur in 2.

Ableitung der Spektren möglich. Porenbeton wird erneut geringfügig besser erkannt als im

trockenen Zustand. Werden die Zahlen im Gesamten vergleichen, fällt die Erkennung der

betrachteten Baustoffspektren in Datenbank A von 80 % auf 56 %, in Datenbank B von 60 %

auf 47 % und in Datenbank C von 50 % auf 37%. Abschließend kann festgehalten werden,

dass mit 10 M-% Wasseranteil in den Proben die Erkennung der Spektren durchschnittlich um

15,5 % abfällt, also nochmals um 10 % gegenüber den Proben denen 5 M-% Wasser zugefügt

wurden. Auffällig ist weiterhin, dass bei Betrachtung der Spektren in 1. Ableitung keine

deutliche Verschlechterung der Erkennung festzustellen ist und in 2. Ableitung ein

durchschnittlicher Abfall von 19 % zu verzeichnen ist.

Zusammenfassend kann die Aussage getroffen werden, dass Proben mit zunehmendem

Wassergehalt schlechter erkannt werden. Im Test wurden niedrigere Erkennbarkeiten von

durchschnittlich 6 % bei 5 M-% Wasseranteil und 15,5 % bei 10 M-% Wasseranteil

festgestellt, dargestellt in Abbildung 5.14. Besonders Beton, Kalksandstein und Ziegelstein

wurden mit steigendem Wassergehalt immer mangelhafter identifiziert. Entscheidend bei der

Betrachtung sind die richtige

Einstellung des Analysemodells, die

Fülle der Datenbank und die

Differenzierung der Analysespektren.

In Abbildung 5.15 sind grafische

Darstellungen zur Problematik

hinterlegt. Dabei werden die

verschiedenen Wassergehalte den

Datenbanken A und C gegenübergestellt. Abb.5.14: NIR-Erkennung in Abhängigkeit der Wasseranteile in den Proben


Datenbank A trocken

Datenbank A 5 % Wasseranteil

Datenbank A 10 % Wasseranteil

Datenbank C 5 % Wasseranteil

Datenbank C 10 % Wasseranteil

Datenbank C trocken

schwarz/weiß: Beton; grün: Leichtbeton 6; dunkelblau: Porenbeton; orange: Kalksandstein; hellblau: Leichtbeton 1; rot: Ziegelstein

Abb.5.15: Wasseranteiltest in Datenbank A und C grafisch dargestellt


5.9 Weitere Tests Zur Überprüfung der allgemeinen Funktionstüchtigkeit der Trennbarkeit werden weitere Tests

durchgeführt. Dabei wird vor allem die Identifikation von Störstoffen im Mittelspunkt stehen.

Die Durchführung der NIR- Spektroskopie für die Erkennung von Störstoffen wie Asbest und

Gips ist in der Praxis von entscheidender Bedeutung. Auch deshalb werden diese Stoffe

untersucht und auf Erkennungswahrscheinlichkeiten geprüft.

5.9.1 Asbesterkennung

Asbest ist ein Schadstoff. Die Erkennung von Asbest ist in der Entwicklung von

Sortierverfahren ein großes Thema. Im Rahmen der Arbeit wurde Asbest mit der NIR-

Spektroskopie vermessen und mit Spektren des ungefährlichen Faserzements verglichen. Zum

Vergleich werden die Spektren erst untereinander gegenübergestellt und anschließend und als

Teilspektren in einer Datenbank mit vielen anderen Spektren getestet, wie hoch sich die

Identifikation und Baustoffzugehörigkeit verteilt.

Tab. 5.14: Asbest- Faserzement- Vergleich

Asbest- Faserzement- Vergleich

Originalspektren- darstellung (n)

Spektrendarstellung in 1. Ableitung (d)

Spektrendarstellung in 2. Ableitung (dd)

Darstellung der Auswertung

Spektren im PLS Scores Plot (2D) Spektren in Analysegraph Scores (3D)


Tabelle 5.14 zeigt die Spektrendarstellung von Asbest und Faserzement. Eine Unterscheidung

der Spektren in den jeweiligen Differenzierungen kann festgestellt werden. In den

Diagrammen der grafischen Auswertung lässt sich der Unterschied noch besser erkennen. Bei

der Auswertung konnten jeweils alle 100 aufgenommenen Spektren von Asbest und

Faserzement richtig zugeordnet werden.

Bei Betrachtung der Spektrenanalyse von Asbest und Faserzement in der gesamten Datenbank

stellt sich ein anderes Ergebnis dar. Die Spektren wurden in der Datenbank C mit möglichst

vielen Vergleichsspektren der Analyse unterzogen. Die Ergebnisse der Auswertung im PLS

Score Plot sind in Abbildung 5.16 dargestellt.

Abb. 5.16: PLS Scores Plot der Asbest und Faserzementspektren mit ihren konkurrierenden Auswertungsspektren

Bei der Auswertung in der Gesamtdatenbank wurden Asbest zu 66% und Faserzement zu

53% erkannt. Mit steigender Anzahl an Eigenvektoren erhöht sich die Erkennung von Asbest

geringfügig und die Identifikation von Faserzement sinkt auf unter 10%. In Abbildung 5.16

werden die „Fehlzugehörigkeiten“ in Form ihrer gesamten Spektrenvielfalt gezeigt. Asbest

wird zu 5 % Beton und zu 20 % Ziegelstein zugeordnet. Die Ähnlichkeit zu Beton, grau

dargestellt, lässt sich anhand des Diagramms nachvollziehen. Die 2. Punktewolke der

Asbestspektren befindet sich komplett im Gebiet des Ziegelsteins. Daher werden diese 20

Spektren auch zu Ziegelstein zugeordnet. Faserzement wird zu hohen Anteilen als

Leichtbeton (42%) und Porphyr (31%) identifiziert. Weitere 19 % der Leichtbetonspektren

werden Ziegelstein zugeordnet. Im Diagramm liegen diese Spektren im Auswertungsplot auch

nah beieinander, deshalb kommt es zu den Fehlzugehörigkeiten.


5.9.2 Gipserkennung

Die Gipstrennung ist wichtig bei Prozessen des Baustoffrecyclings, da er als Störstoff

eingeordnet wird. Der SO3-Gehalt von Gesteinskörnungen für Recyclingprozesse muss laut

DIN 4226-100 unter 1 M.-% liegen. Im folgenden Test werden reiner Beton, reiner Gips und

Beton mit jeweils 2,4 und 8 % Gipsanteilen untersucht und auf die Erkennung mit der NIR-

Spektroskopie getestet. Abbildung 5.17 zeigt die zu untersuchenden Proben. Diese wurden in

Petrischale pro Baustoffprobe mit jeweils 10 Messungen zu 5 Durchgängen gemessen.

Abb.5.17: Proben mit Beton und bestimmten Gipsanteilen

Tab.5.15: Beton-Gipsanteil- Vergleich

Beton, Gips und Beton mit Gipsanteilen von 2%,4% und 8%

Originalspektren- darstellung (n)

Spektrendarstellung in 1. Ableitung (d)

Spektrendarstellung in 2. Ableitung (dd)

Darstellung der Auswertung

Spektren im PLS Scores Plot (2D) Spektren in Analysegraph Scores (3D)


In Tabelle 5.15 werden die unterschiedlichen Spektrendarstellungen anhand der

Differenzierung abgebildet. Zu erkennen ist die signifikante Spektrenform von reinem Gips.

Reiner Beton lässt sich aufgrund der Spektrendarstellung kaum von denen mit bestimmten

Gipsanteilen unterscheiden. Jedoch ist eine gewisse Staffelung nach Gipsanteil in Form der

Absorptionsintensität in Darstellung der Originalspektren festzustellen. Je höher der

Gipsanteil der Probe ist, desto höher ist die Absorptionsintensität, die im Diagramm

dargestellt ist. Somit können auch Unterschiede vor einer PLS- Analyse festgestellt werden.

Nach dem Auswertungsalgorithmus, bei dem die jeweils 50 Spektren je Baustoff (insgesamt

250) einer Analyse unterzogen wurden, stellte sich das Ergebnis, wie im unteren Bereich der

Tabelle 5.16 abgebildet ist, in grafischer Form dar. Dabei wurde im Algorithmus die bewährte

Form der Gesamtspektren als Lernset und die Mittelwertspektren als Testset bei 6

Eigenvektoren mit Differenzierung in 2. Ableitung gewählt. Zu erkennen ist, dass reiner

Beton und Gips sich von dem Betonen mit bestimmten Gipsanteilen grafisch unterscheiden

lassen. Bei Gipsanteilen von 2-8% stellt sich eine Punktewolke dar, die jedoch auch eine

gewisse Abstufung der einzelnen Anteile erkennen lässt. Besonders bei der Darstellung in 3D

lassen sich die einzelnen Baustoffe in etwa einem Bereich im Diagramm zuordnen. Bei der

Auswertung in Form des PLS- Analysemodells stellt sich folgendes Ergebnis tabellarisch dar:

Tab. 5.16: Erkennungen von Beton, Gips und bestimmten Gipsanteilen in Beton nach einer Auswertung

Type Number Identical [%] Beton [%] Gips [%] Gipsanteil 2% Gipsanteil 4% Gipsanteil 8%

Beton 50 96.0 -- 0.0 4.0 0.0 0.0

Gips 50 100.0 0.0 -- 0.0 0.0 0.0

Gipsanteil 2% 50 96.0 0.0 0.0 -- 4.0 0.0

Gipsanteil 4% 50 92.0 0.0 0.0 8.0 -- 0.0

Gipsanteil 8% 50 98.0 0.0 2.0 0.0 0.0 --

Total 250 96.4 0.0 0.4 2.4 0.8 0.0

Der Auswertungsalgorithmus identifiziert alle Probenspektren mit sehr guten Ergebnissen. Zu

über 96 % werden die Spektren nach der Analyse richtig zugeordnet. Anhand Tabelle 5.16 ist

zu erkennen, dass reiner Gips zu 100 % erkannt wird. Doch auch Beton und vor allem die

Betonproben mit bestimmten Gipsanteilen werden nahezu alle im Bereich von 95 %

entsprechend richtig zugeordnet. Auch werden die geringen Fehlerkennungen der Spektren

dem ähnlichsten Baustoff in der Zusammensetzung zugeteilt. Bei Betrachtung der Ergebnisse

in einer Datenbank mit vielen Vergleichsspektren werden Erkennungen von bis zu 95 %

entsprechend dem Gipsanteil in der Probe erzielt. Reiner Gips unterscheidet sich sehr gut von

anderen Spektren und somit kann abschließend festgestellt werden, dass mit steigendem

Gipsanteil der Probe auch die Erkennung mit NIR steigt.

Escher M. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit 89

6. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit Um Aussagen treffen zu können, die die Erkennbarkeit aufgrund physikalischer

Charakteristika einordnen und in ein Verhältnis setzen, werden Korrelationen aufgestellt, die

die erhaltenen Ergebnisse gegenüberstellt und in Verbindung setzt. Das Kapitel wird zugleich

genutzt, um eine Endauswertung darzulegen.

6.1 Gesamtauswertung Die ermittelten Resultate aus der Korngrößenanalyse, der Rohdichte aus Flüssigkeits- und

Feststoffpyknometrie, der Reindichte, sowie der Wasseraufnahme und Porosität werden mit

der Erkennbarkeit der Baustoffspektren zu ihrem zugehörigem Baustoff ins Verhältnis

gesetzt. Da es verschiedene Erkennungen bei den Spektren aufgrund der Datenbankfülle und

Differenzierung der Spektren für die Analyse gibt, werden die Daten aus 2 Auswertung

verglichen. Dafür bedarf es einer abschließenden Tabelle, in der alle ermittelten Werte der

Baustoffcharakteristika und Identifikationen der jeweiligen Baustoffe anhand der NIR-

Spektroskopie gegenüber gestellt sind. Anschließend werden die Werte gewichtet und ins

Verhältnis gesetzt. Die Daten werden mit „+“ und „-“ voneinander unterschieden um

Wertungen vorzunehmen. Weiterhin werden Bewertungen von 1 (sehr gut oder hoch) und 6

(sehr schlecht oder niedrig) den Resultaten der Untersuchungen vergeben, um die Möglichkeit

zu geben, diese zu vergleichen.

Tab.6.1: Gesamtübersicht der ermittelten Werte

Baustoff Reindichte [g/cm³]

Gemittelte Rohdichte

[g/cm³]

Wasserauf-nahme in 2 h

[%]

Porosität [%]

NIR- Erkennung

anhand Datenbank B

[%]

NIR- Erkennung

anhand Datenbank C

[%]

Beton 2,75 2,35 4,9 14,36 29,3 (+54,4) 14,1 (+34,6)

Leichtbeton 2,66 1,14 24,55 57,14 65,6 (+28,2) 30,3 (+13,0)

Porenbeton 2,63 0,64 85,06 75,67 91,8 (7,6) 89,7 (+9,9)

Ziegelstein 2,75 1,85 15,15 32,55 96,4 93,8

Kalksandstein 2,71 1,87 14,12 31 82,3 75,6

grobe Gesteinkörnung 2,7 2,56 2,68 5 52,4 42,6

Altbeton 2,74 2,24 7,19 18,07 45,9 (+41,3) 35,9 (+15,5)

Mauerwerkbruch 2,78 1,9 11,93 31,65 82,5 82,3

Porenbetonbruch 2,71 0,61 52,6 77,31 57 (+33,0) 47,3 (+31,0)


Tab.6.2: zusätzliche Baustoffe/Störstoffe in ihrer NIR- Erkennung

Baustoff NIR- Erkennung anhand Datenbank C [%]

Asbest 66,0 Faserzement 53,0

Gips 83,4 Granit 2,7

Porphyr 78,0

Tabelle 6.1 zeigt eine Gesamtübersicht der ermittelten Werte der physikalischen

Eigenschaften und der NIR- Erkennung. Bei der NIR- Erkennung stehen die in Klammern

dargestellten Werte für die richtige Fremderkennung. Beispielsweise wird Beton in

Datenbank B zu 29,3 % exakt richtig zugeordnet, jedoch werden zusätzlich 54,4 % der

Betonspektren als Leichtbeton und Altbeton erkannt. Diese Zusammenführung von

Baustoffobergruppen soll verdeutlichen, dass wesentlich höhere Erkennbarkeiten erzielt

werden, wenn von der Zusammensetzung in etwa gleiche Baustoffe als eine betrachtet

werden. Eine weitere Baustoffobergruppe setzt sich aus Porenbeton und Porenbetonbruch

zusammen. Bei Addition der richtigen Fehlerkennungen werden Identifikationen von über

90% erzielt. Bei der Durchführung der Auswertung wurde erneut die jeweilige Datenbank

zum Anlernen und zum Test die Mittelwertspektren unter Bildung der 1. Ableitung der zu

untersuchenden Spektren gewählt.

Leichtbeton wird wie in vorherigen Ergebnisauswertungen in der größeren Datenbank C

weniger gut erkannt und grobe Gesteinskörnung wird aufgrund der Variabilität der Körner nur

zu etwa 45 % erkannt. Aufgrund der Tatsache, dass Kies Bestandteil von Beton ist, hätte hier

erneut eine Zusammenführung der Baustoffspektrenerkennung erfolgen können, auch weil ein

hoher Prozentanteil der Kiesspektren zu Beton und Altbeton zugeordnet wurde, jedoch wurde

darauf verzichtet um die jeweilig exakte Erkennung zu verdeutlichen und nicht zu viele

Baustoffe in Verbindung zu bringen.

Dass Schad- und Störstoffe wie Asbest und Gips mit Wahrscheinlichkeiten von 66 % bzw.

83% erkannt werden ist eine wichtige Erkenntnis, auch für weitere Betrachtungen

entsprechend Praxisanwendungen und ist aus Tabelle 6.2 zu entnehmen.


Abbildung 6.1 und 6.2 zeigen die Erkennung anhand Datenbank B und C auf exakte Baustoff-

identifizierung und zusammengefasste Baustoffsortenzuordnung. Dabei werden die Werte der

zusätzlichen Erkennungen zu den exakten Ergebnissen addiert und bilden in Summe den Wert

in den Abbildungen.

NIR- Erkennung anhand Datenbank B

0102030405060708090

100

Beton

Leich

tbeto

n

Poren

beton

Ziegelst

ein

Kalksa

ndste

inKies

Altbeto

n

Mauerw

erkb

ruch

Poren

betonb

ruch

Baustoff

Erk

ennu

ng [%

]

exakte Baustofferkennung zusammengefasste Baustoffsortenerkennung

NIR- Erkennung anhand Datenbank C

0102030405060708090

100

Beton

Leich

tbeto

n

Poren

beton

Ziegelst

ein

Kalksa

ndste

inKies

Altbeto

n

Mauerw

erkb

ruch

Poren

betonb

ruch

Baustoff

Erk

enn

un

g [

%]

exakte Baustofferkennung zusammengefasste Baustoffsortenerkennung

Abb.6.1/6.2: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C

Tab.6.3: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C

Baustoff NIR-

Erkennung B [%]

NIR- Erkennung B kompakt [%]

NIR- Erkennung C

[%]

NIR- Erkennung C kompakt [%]

Beton 29,3 83,7 14,1 48,7 Leichtbeton 65,6 93,8 30,3 43,3 Porenbeton 91,8 99,4 89,7 99,6 Ziegelstein 96,4 96,4 93,8 93,8

Kalksandstein 82,3 82,3 75,6 75,6 Kies 52,4 52,4 42,6 42,6

Altbeton 45,9 87,2 35,9 51,4 Mauerwerkbruch 82,5 82,5 82,3 82,3 Porenbetonbruch 57,0 90,0 47,3 78,3

Total 70,7 88,7 59,9 71,2

Nach Tabelle 6.3 werden bei der NIR- Spektroskopie bei Betrachtung in Datenbank B

insgesamt Erkennungen von 70,7 % beziehungsweise 88,7 % bei Baustoffobergruppenbildung

erzielt. In Datenbank C werden 59,9 % der Gesamtspektren richtig zugeordnet. Unter

Berücksichtigung von Baustoffobergruppen, also der Spektrenerkennung von beispielsweise

Porenbetonbruch zu Porenbeton, werden 71,2 % passend zugewiesen und somit erkannt. Im

Anhang ab A9 und auf CD-ROM A6 sind weitere Auswertungen einzeln aufgeschlüsselt und

im Gesamten dargestellt.


6.2 Korrelationen Zum Abschluss soll anhand der Ergebnisse eine Bewertung nach Tabelle 6.4 erfolgen. Dazu

wurden die ermittelten Resultate bewertet bzw. benotet. Aufgrund der schwierigen Bewertung

von einigen Charakteristika entspricht die Note 1 nicht nur „sehr gut“ sondern auch „sehr

hoch“. Diese Einteilung ist nötig um beispielsweise die Wasseraufnahme zu bewerten, da

jeder Wert entsprechend der Zielsetzung anders interpretiert werden kann. Analog dazu

werden die restlichen Benotungen charakterisiert. Schwierigkeiten entstehen bei der

Bewertung von Korngrößenverteilungen. Hier wurde ein niedriger Wert gewählt,

entsprechend der Fraktionsgrößen. Eine stark ausgeprägte Kornfraktion 0/2 wurde mit der

Note 1 gekennzeichnet. Die Benotung der Korngrößenanalyse entspricht somit der

Zerkleinerbarkeit. Eine „1“ bedeutet eine sehr gute Zerkleinerbarkeit und eine „6“

dementsprechend eine sehr schlechte. Da Porenbeton und Kalksandstein hohe M.-% bei

niedrigen Fraktionen aufweisen, erhalten sie die Note 1. Ziegelstein mit einer veränderten

allgemeinen Korngrößenverteilung und einer weniger stark ausgeprägten Kornfraktion 0/2

erhielt aufgrund der Unterschiede die Note 3. Die Korngrößenverteilungsnote entspricht somit

auch dem Maß der Sprödigkeit.

Tab.6.4: Bewertung der ermittelten Baustoffparameter inklusive NIR- Erkennbarkeit

Baustoff

Wasser-Aufnahme

[Note]

Korngrößen-verteilung

[Note]

Porosität [Note]

Identifikation Datenbank B

[Note]

Identifikation Datenbank C

[Note]

Identifikation gesamt [Note]

Erkennung gesamt

[+/-]

Beton 6 2 4 4- 5 5 --

Leichtbeton 3 2 2 3 4- 4 -

Porenbeton 1 1 1 1 1 1 ++

Ziegelstein 4 3 3 1 1 1 ++

Kalksandstein 4 1 3 2 3+ 2- +

grobe

Gesteinkörnung 6 / 6 4 4- 4 -

Altbeton 5 / 4 4 4- 4 -

Mauerwerkbruch / 3 2- 2- 2- +

Porenbetonbruch 2 / 1 4+ 4 4+ 0

Notensystem: 1 sehr gut, hoch / 6 sehr schlecht, niedrig ++ sehr gut; + gut; 0 mittelmäßig;

- schlecht; -- sehr schlecht


Die aus der Roh- und Reindichte resultierende Porosität wurde wie die Wasseraufnahme

bewertet. Eine Benotung für die untersuchten Dichten war aufgrund der Tatsache schwierig,

dass zum einen schon der Wert der Porosität die Dichten repräsentiert und zum anderen sich

die Reindichten nur geringfügig von einander unterscheiden und dementsprechend der

Rohdichtewert gleichzusetzen ist mit dem Wert der Porosität.

Die NIR- Erkennung wurde aufgrund der Erkennung in Datenbank B und C bewertet. Die

Erkennung in Datenbank A wurde aus dem Grund nicht benotet, da zu wenige

Vergleichsspektren implementiert sind und die Identifikation in vorherigen Tests bei nahezu

100% lag. Die voneinander unabhängigen Benotungen anhand der Ergebnisse in den

Datenbanken wurden gemittelt und resultieren in einer Gesamtbewertung der NIR-

Erkennbarkeit. Dabei werden die exakten Baustofferkennungen als maßgebend angesehen.

Abschließend wurde diese in Form von „+“- und „-“ Symbolen entsprechend der Benotung

bewertet.

NIR- Erkennung in Abhängigkeit der Rohdichte

y = -0,1986Ln(x) + 2,4925R2 = 0,0128

0

0,5

1

1,5

2

2,5

3

0 20 40 60 80 100

NIR-Erkennung [%]

Ro

hd

ich

te {

g/c

m³]

Rohdichte

Logarithmisch (Rohdichte)

NIR- Erkennung in Abhängigkeit der Reindichte

y = -0,0063Ln(x) + 2,7389R2 = 0,007

2,6

2,65

2,7

2,75

2,8

0 20 40 60 80 100

NIR-Erkennung [%]

Rei

nd

ich

te {

g/c

m³]

Reindichte

Logarithmisch (Reindichte)

NIR- Erkennung in Abhängigkeit der Porosität

y = 13,544Ln(x) - 14,617R2 = 0,105

0

10

20

30

40

50

60

70

80

90

100

0 20 40 60 80 100

NIR-Erkennung [%]

Po

rosi

tät

[%]

Porosität

Logarithmisch (Porosität)

NIR- Erkennung in Abhängigkeit der Wasser-aufnahme

y = 16,334Ln(x) - 39,316R2 = 0,1405

0

10

20

30

40

50

60

70

80

90

100

0 20 40 60 80 100

NIR-Erkennung [%]

Was

sera

ufn

ahm

e [%

]

Wasseraufnahme

Logarithmisch (Wasseraufnahme)

Abb.6.3: NIR- Erkennung in Abhängigkeit der physikalischen Charakteristika


In Abbildung 6.3 sind die NIR- Erkennungen der Datenbank C in Abhängigkeit der

ermittelten physikalischen Charakteristika anhand einer logarithmischen Trendkurve

dargestellt. Aus den Roh- und Reindichtewerten der zu untersuchenden Baustoffe kann keine

Abhängigkeit zur NIR- Erkennung festgestellt werden. Anhand der Porositäts- und

Wasseraufnahmewerte können grobe Trends zur NIR- Erkennung abgeleitet werden. Diese

sind jedoch mathematisch zu ungenau und ergeben keine eindeutigen Abhängigkeiten zur

NIR- Identifikation der jeweiligen Baustoffe. Diese Trends sind folgendermaßen zu

beschreiben: Mit sinkender Rohdichte sinkt auch die Erkennung; Anhand der Reindichte ist

kein Trend festzustellen; Mit steigender Porosität und Wasseraufnahme steigt die Erkennung.

Das Bestimmtheitsmaß gibt die Güte der Abhängigkeit wieder und festigt die Vermutung,

dass kaum Zusammenhänge zwischen physikalischen Eigenschaften und der NIR- Erkennung

bestehen.

Escher M. Ausblick 95

7. Ausblick Im Bereich der Weiterentwicklung sensorgestützter Sortierverfahren müssen möglichst viele

Teile eines Verfahrens integriert werden. Das umfasst die Materialvorbehandlung und

Konditionierung, die Vereinzelung und Präsentierung, die Sensorentwicklung und –

Anpassung, die Auswertung und die Objektausschleusung. Eine Zusammenarbeit von

Maschinenhersteller, Forschungseinrichtungen und Betreiber ist somit zwingend erforderlich,

um mit vielschichtigen Erfahrungen eine Weiterentwicklung hinsichtlich Grundlagen-

forschung, Maschinenkonstruktion und Praxisoptimierung zu erreichen Berührungslose

physikalische Messverfahren, wie die Nahinfrarot-Analyse, sind grundsätzlich als Sensoren

geeignet. Aber es stehen noch unzählige weitere Sensoren zur Verfügung. Faktoren wie

Auflösung, Geschwindigkeit, Umweltbeeinträchtigung und noch viele weitere sind für

sinnvolle Anwendungen in diesem Gebiet mitentscheidend.

Die derzeitigen Sensoren können und müssen noch verbessert werden. Zum Beispiel bei der

Mustererkennung der Zeilenkameras, bei der Messung magnetischer Charakteristika und

besonders bei Infrarotsensoren in der Mineralaufbereitung in Form von Spektrenerkennung

und Datenbanken von Grundspektren. Doch auch die Kombination von Sensorsystemen wird

in nächster Zeit Forschungsschwerpunkt sein.

Weiterentwicklungen in diesen Themenkomplex haben sich enorm verbessert, auch aufgrund

der steigenden Rohstoff- und Energiepreise und der damit verbundener wachsender

Nachfrage nach wirkungsvolleren und energiesparenden Verfahren. Vor allem im Gebiet der

Aufbereitung von Mineralien hat die sensorgestützte Sortierung noch nicht die erwünschte

Verbreitung erfahren, die die Technik schon jetzt zulassen würde. Aber es ist abzusehen, dass

der Einsatz in der Mineralindustrie zukünftig ausgeweitet wird.

Aktuelle Entwicklungen zeigen, dass in Zukunft eine noch präzisere Charakterisierung

stofflicher Merkmale durch die Kombination verschiedener Sensoren, die auf

unterschiedlichen physikalischen Ebenen Merkmale identifizieren, zu erwarten sind. [11]

Um das Sortierergebnis zu optimieren, werden für spezielle Aufgabenstellungen mehrere

Sensoren gleichzeitig eingesetzt. Multisensorsysteme ermöglichen, die Breite an

Trennkriterien zu vergrößern und durch die EDV-gestützte Verknüpfung der Ergebnisse

eindeutigere Klassifizierungen zu treffen. Auch hier spielt die Wirtschaftlichkeit von


Multisensor-Sortiermaschinen eine Rolle, da gerade die Sensoreinheit den größten Anteil der

Investitionskosten ausmacht. Die sensorbasierte Sortiertechnologie stellt eine viel

versprechende Technologie zur Vergrößerung der Möglichkeiten des stofflichen Recyclings

dar. Sie wird angewandt zur Qualitätssicherung bei der Herstellung von Ersatzbrennstoffen,

bei der Separierung heizwertreicher Materialien aus aufbereiteten Mischabfällen sowie zur

sortenreinen Trennung von Polymeren aus gemischten Kunststoffabfällen. [9]

In Tabelle 7.1 sind einige Kombinationsmöglichkeiten dargestellt, wie sie heute bereits

technisch im Einsatz sind. Zusätzlich zur NIR- Technik könnte auch die Messmethode mittels

Röntgenstrahlung bei der mineralischen Sortierung hilfreich sein. Bisher steht die

Aussortierung von Störstoffen im Anwendungsbereich der NIR- Technik, doch zukünftig

kann die Identifikation von beispielsweise Asbest und Gips und die Bestimmung des

Wassergehalts zum Einsatzspektrum hinzugefügt werden. Der Einsatz in der

Rohstoffabbauindustrie, Baustoffherstellung sowie im Baustoffrecycling ist durchaus

machbar, bedarf aber nähere Informationen über maßgebende Mineralstrukturen in Form von

definierten Absorptionspositionen.

Tab. 7.1: Beispiele für kombinierte Detektion [11]

Spektralkombination Anwendung

Sichtbares Licht +

Nahinfrarot

Farbkamera zur Positions- und Farbbestimmung

+ NIR zur qualitativen Analyse

= Sortierung verschiedener Stoffgruppen

Sichtbares Licht +

Infrarot = LIPS

Farbkamera zur Positionsbestimmung

+ 3D-Laser zur Formerkennung

+ Hochenergie-Laser zur Plasmaerzeugung

= Bestimmung elementarer Zusammensetzungen

Eine weitere Analyse von Mineralien ermöglicht die Messtechnik der Firma LLA in Form der

Unterscheidung von Kalkstein und Dolomit. Kalkstein und Dolomit treten in einer Lagerstätte

in der Regel inhomogen zusammengesetzt und meist gemeinsam auf. Aufgrund ihres

Magnesiumoxidgehalts und den damit verbundenen unterschiedlichen Verwendungszwecken

werden Kalkstein und Dolomit sortiert. Mittels NIR- Spektroskopie lässt sich das Gestein

wesentlich schneller identifizieren als mit einer chemischen Analyse. Die Analyse des

Gesteins kann im Labor und online im Prozess durchgeführt werden. Ein besonders geformter

Messkopf bei der Prozessanalyse ermöglicht die Analyse über die volle Breite des

Transportbandes. Der Gesteinsstrom wird senkrecht zur Bandrichtung gescannt. Die

Linienscans werden zu einem zweidimensionalen Bild zusammengesetzt, das die


Bandbelegung abbildet. Die Sensorik ermöglicht eine zuverlässige Erkennung des

Gesteinstyps als auch eine quantitative Analyse des MgO-Gehaltes mittels der Auswertung

der Gesteinsspektren. Die bildgebende Spektroskopie erlaubt eine anschließende mechanische

Fraktionierung. Mit Analysesoftware ist eine flexible Zuweisung anhand des MgO Gehalts

machbar. Die Sortierparameter sind dabei frei wählbar. Das Sensorsystem lässt sich auch auf

die Erkennung anderer Materialien anwenden, vorausgesetzt die zu klassifizierenden

Mineralien besitzen signifikante NIR-aktive Banden. [URL 4]

Von den verschiedenen bestehenden Trenntechniken erscheint vor allem die multisensorische

Sortierung für die qualitative Aufbereitung von Bauschutt geeignet. Um eine eindeutige

Identifizierung von farblich schwer zu unterscheidenden Stoffen automatisiert vorzunehmen

und Aussagen über adäquate Trennverfahren für solche Materialgemische treffen zu können,

ist zunächst eine weitere Differenzierung der Stoffe nach sortierrelevanten Kennwerten

notwendig.

Nächster wichtiger Schritt in mineralischer NIR- Spektroskopie ist die Zuweisung von

signifikanten Banden der jeweiligen Baustoffe zu Grundmineralien, um genaue

Unterscheidungen treffen zu können und nicht nur über Analysemodelle diese zu trennen. Die

Aufschlüsselung einzelner Baustoffspektren in ihre Grundstoffe und deren Übertragung auf

ähnliche Baustoffe und Unterscheidungen zu anderen Baustoffen in ihrer Zusammensetzung

ist dabei entscheidend.

Escher M. Zusammenfassung 98

8. Zusammenfassung Mit sensorgestützter Sortierung können mittlerweile höhere Kapazitäten und verbesserte

Sortierqualitäten als mit traditionellen Sortierungsverfahren erreicht werden. Die seit einigen

Jahren verwendete Sortiertechnik zur Ausschleusung verschiedener Materialströme auf Basis

der Nahinfraroterkennung wird mittlerweile im großen Umfang eingesetzt. Dennoch können

besonders dunkle Kunststoffteile, beschichtetes Holz und Mischmaterialien nicht vollwertig

mit der derzeitigen NIR- Sortierung aufbereitet werden. Durch herkömmliche Trennverfahren

ist die Sortierung von heterogenen Gemischen, die beim Abbruch entstehen und aus Beton,

Kalksandstein, Porenbeton und Ziegelstein bestehen, nur schwer zu bewältigen.

Zu der Problematik wurden in der Diplomarbeit Untersuchungen hinsichtlich der

Trennbarkeit von mineralischen Baustoffen mittels NIR vorgenommen. Grundlagen der

Funktion und Arbeitsweise wurden im ersten Arbeitsschritt beschrieben. Die NIR-

Messtechnik ist eine physikalische Methode zur Bestimmung meist organischer

Molekülverbindungen. Die NIR- Spektroskopie arbeitet mit Licht zwischen ca. 800 und 2500

Nanometern Wellenlänge und liegt damit zwischen dem sichtbaren Spektralbereich (VIS) und

dem mittleren Infrarot (MIR). Bei der Absorption von NIR- Strahlung werden die Moleküle

zu Schwingungen angeregt. Aus den reflektierten Spektren können Informationen über die

molekulare Zusammensetzung abgelesen werden. Sie können sowohl zur Identifizierung als

auch zur Quantifizierung von Substanzen dienen. Anders als im mittleren IR misst man im

NIR Ober- und Kombinationsschwingungen von Molekülgruppen, die sich als Summe der

dort auftretenden Grundschwingungen ergeben. Die entstehenden Spektren sind durch die

starke Bandenüberlappung schwerer analytisch zu interpretieren. Um die Informationsvielfalt

von mehreren hundert Datenpunkten pro Spektrum beherrschen zu können, bedient man sich

der Methoden der multivariaten Datenanalyse. Hierbei werden die komplexen

Zusammenhänge in den Spektren durch Datenreduzierung auf wenige spezifische

Grundmuster zurückgeführt, die es sowohl dem Betrachter möglich machen, Tendenzen und

Relationen in den Spektren qualitativ zu erkennen als auch Computerprogrammen erlauben,

nahezu den gesamten Informationsgehalt dieser Spektren für entsprechende Auswertungen zu

nutzen. Trotz dieser Datenreduzierung konnte Technik erst mit der Entwicklung

leistungsfähiger Computertechnik für praxisnahe Aufgabenstellungen genutzt werden.

Multivariate Auswerteverfahren wie die Partial Least Squares Methode haben sich als

qualitative Methode für die Verarbeitung der bei der NIR- Spektroskopie anfallenden

Datenmengen bestens bewährt. [33][38]


Vorteile gegenüber z.B. der Messung im mittleren Infrarot sind die einfache Handhabung, die

hervorragende Eignung für qualitative und quantitative Analysen und die Unterscheidbarkeit

sehr ähnlicher Stoffe, z.B. chemisch gleicher Produkte mit unterschiedlichen physikalischen

Eigenschaften. Neben der Analyse organischer Verbindungen eignet sich die NIR- Technik

auch zur Feuchtemessung, da Wasser zu den stärksten NIR- Absorbern zählt.

Die zahlreichen Anwendungsgebiete der NIR- Spektroskopie reichen bisher von

Landwirtschaft und Lebensmittelherstellung über Chemie- und Pharmaindustrie,

Biotechnologie, Polymerherstellung, Petrochemie etc. bis hin zur Kunststoffsortierung im

Recycling. [URL 13]

Die Sensorsortierung, unterteilt in Magnet-, Röntgen-, NIR- und VIS- Sensorik beschränkt

sich derzeit auf die Trennung von Metallen, Kunststoffen, Holz, Glas und vereinzelt

mineralische Stoffe wie Ziegel und Gips. Doch bei der mineralischen Trennung setzt die

vorliegende Arbeit an. Materialfamilien wurden zerkleinert und fraktioniert. Anschließend

wurden die physikalischen Eigenschaften ermittelt und bestimmte Kornfraktionen mittel NIR

vermessen. Signifikante Baustoffcharakteristika und entsprechende NIR- Spektren wurden

gegenübergestellt und in Abhängigkeiten gesetzt. Doch anhand der Molekularschwingung-

sspektroskopie des NIR mit der Bestrahlung der Probe mit IR-aktiven Licht kann aufgrund

der Absorption und Reflektion derzeit nur auf inhaltliche Zusammensetzung vermutet werden,

da nur wenige Bereiche der Spektren Mineralien zugeordnet werden können. Beispiele dafür

sind die bei 1415 nm auftretenden Tonminerale, bei 1860 nm Dolomitaktivitäten, bei 1910 nm

das auftretende Wasser und bei 1760 bzw. 1875 nm das auftretende Calzit.

Die im Rahmen der Diplomarbeit untersuchten ungebrauchten, sortenreinen Wandbaustoffe

wurden aufbereitet und fraktioniert. Anschließend wurden physikalische Eigenschaften

hinsichtlich Rein- und Rohdichte, Wasseraufnahme und Porosität ermittelt. Die

Reindichtewerte unterschieden sich dabei kaum, die Rohdichtewerte wurden aus zwei

Verfahren ermittelt: Flüssigkeits- und Feststoffpyknometrie. Die Ergebnisse im Bereich von

0,6 g/cm³ (Porenbeton) bis 2,6 g/cm³ (grobe Gesteinskörnung) wurden entsprechend der

Porositätsberechnung weiterverwendet. Dabei wurden Resultate von 5 % (grobe

Gesteinkörnung) und 75 % (Porenbeton) erzielt. Die Wasseraufnahmen der untersuchten

Baustoffe lagen bei unter 5 % bei Beton bis 85 % bei Porenbeton. Nach den ausführlichen

NIR- Untersuchungen und der Gegenüberstellung von den physikalischen Charakteristika der

Baustoffe und deren Erkennung mittels NIR- Spektroskopie, wurden Abhängigkeiten

ermittelt. Dabei konnte festgestellt werden, dass mit steigender Wasseraufnahme und


Porosität auch die Erkennung steigt. Doch aus den 9 Messwerten je Untersuchung kann

diesbezüglich nur ein schwacher Trend erkannt werden.

Bei der Durchführung der NIR- Spektroskopie wurden insgesamt ca. 30000 Messungen

gemacht. Mit dem Hintergrund jede Probenart jeder zu untersuchenden Fraktion statistisch

genau zu vermessen, wurde ein Probenteiler verwendet. So konnten die Materialien in 10

gleich schwere Proben verteilt werden, um diese anschließend aufzunehmen. Diese

aufgeteilten Proben werden jeweils 10-mal pro Fraktion vermessen, was eine Summe von 200

Messungen pro Baustoff ergibt. Daraus ergeben sich pro Baustoffsorte, bei 10

unterschiedlichen Baustoffarten, 2000 Messungen. Aus den aufgenommenen Spektren der

Baustoffsammlung wurden anschließend 3 Datenbanken erstellt. Eine Datenbank mit 5

ungebrauchten Wandbaustoffsorten (9682 Spektren), eine weitere Datenbank ebenfalls mit

den Wandbaustoffen und zusätzlich sekundäre Baustoffe wie Porenbetonbruch,

Mauerwerkbruch und Altbeton (9 Baustoffe mit 11612 Spektren). Die 3. Datenbank umfasst

die 9 Baustoffe der anderen Datenbanken und zusätzlich Natursteine wie Granit, Porphyr

sowie Asbest, Faserzement und Gips (14 Baustoffe mit 12402 Spektren). Diese wurden mit

verschiedenen Auswertealgorithmen einer PLS-Analyse unterzogen. Entsprechend der NIR-

Identifikation der Spektren zu ihren zugehörigen Baustoff sind eine Vielzahl von

Auswahlparametern möglich. Dazu gehören die Vergleichsdatenbank zum Anlernen der

Spektren, die Differenzierung der zu untersuchenden Spektren und die Anzahl der

Eigenvektoren der bei der PLS-Auswertung entstehenden Matrizen. Nach Vereinheitlichung

der Auswahlparameter stellten sich durchschnittlich Ergebnisse in Bezug auf Erkennung

hinsichtlich des Baustoffes in Datenbank A mit 88 %, in Datenbank B mit 70 % und in

Datenbank C mit 60 % ein. Je nach Vielfalt der Spektrenanzahl und dementsprechend

Baustoffzuweisungen sinkt die NIR- Erkennbarkeit. Bei Verwendung von neuen

Baustoffspektren, also Spektren die nicht in der Datenbank eingespeist sind, werden Resultate

in der Größenordnung von 75 % erzielt. Dabei stellen sich stets folgende Erkennbarkeiten dar:

Porenbeton und Ziegelstein werden sehr gut erkannt, Kalksandstein wird gut erkannt und

Beton und Leichtbeton werden weniger gut erkannt. Weiterhin wurde getestet, inwieweit sich

eine Erhöhung des Wassergehalts einer Probe auf die Erkennung auswirkt. Dabei stellte sich

heraus, dass bei einem Wasseranteil 5 M.-% die Erkennung um 5,5 % abfällt und bei 10 M.-

% Wasseranteil die Identifikation zum zugehörigen Baustoff um 16 % sinkt. Weitere Tests

bezüglich der Beurteilung der Tauglichkeit der NIR- Messtechnik hinsichtlich der

Trennbarkeit wurde mit Asbest, Faserzement und Gips durchgeführt. Hierbei wurden positive


Ergebnisse erzielt. Asbest wird von Faserzement gut unterschieden und Beton mit

verschiedenen Gipsanteilen untereinander ebenso.

Die NIR- Erkennung hinsichtlich der Baustoffgruppe Beton schwankt in ihren Resultaten. Je

nach Auswahl der signifikanten, unterscheidbaren Merkmale der zu untersuchenden Spektren,

in Form von Eigenvektoren der aufgestellten Spektrenmatrizen, werden Erkennungen von 14

% bis 95 % erzielt. Das liegt zum einen an der Betrachtung von vielen Baustoffen mit

Zementmatrix und der daraus folgenden Verteilung der Erkennbarkeiten auf diese, und zum

anderen an dem recht intensitätsschwachen Spektrenform. Bei mehreren tausend

Vergleichsspektren führt dies zu Fehlerkennungen, weil nicht ausreichend signifikante, zu

Betonspektren passende Merkmale gefunden werden. Auch die Testspektren, die nicht in den

Datenbanken implementiert sind, wurden teilweise besser erkannt als die Spektren die in den

Datenbanken schon vorhanden waren. Weiterhin ist gerade bei Kalksandstein und Beton der

Wassergehalt der Probe ein entscheidender Parameter. Entsprechend steigendem Wasseranteil

fällt die Erkennung zum zugehörigen Baustoff der Spektren massiv, stärker als bei Spektren

der Vergleichsbaustoffe.

Hinsichtlich der Fehlerkennungen wird häufig Kalksandstein zu Porenbeton und Porenbeton

zu Kalksandstein identifiziert. Beton wird teilweise zu Kies und den Natursteinen zugeordnet

und Leichtbeton als Ziegelstein oder Faserzement erkannt. Dennoch wurden mit den

beschriebenen Erkennbarkeiten mittels NIR gute Ergebnisse erzielt und die Tauglichkeit auf

Anwendung bei mineralischen Stoffen nachgewiesen.

Anhand der Ergebnisse ist festzustellen, dass Verbesserungen bezüglich der sortenreinen

Sortierung mit sensorgestützten Verfahren zukünftig erfolgen werden und die händische

Sortierung somit ablösen.

Durch kontinuierliche Verbesserungen im Bereich der sensorgestützten Sortierverfahren

werden in Zukunft auch neue Einsatzfelder für diese Art der Sortierung erschlossen.

Grundlegend kann angenommen werden, dass mittel- beziehungsweise langfristig der

Stellenwert der Gewinnung sortenreiner Abfallfraktionen für eine nachfolgende stoffliche

Verwertung wesentlich steigen wird. Und somit wird auch der Bereich der sensorgestützten

Sortierverfahren einen noch größeren Stellenwert erlangen, auch im Bereich der Sortierung

von Baustellenabfällen. [10]

Escher M. Literaturverzeichnis 102

Literaturverzeichnis Fachliteratur

[1] Hermann Wotruba: Stand der Technik der sensorgestützten Sortierung. BHM, Berg- und Hüttenmännische Monatshefte 153. Jg. (2008), Heft 6; S.221-224

[2] H.J. Gschaider; R. Huber: Neue Entwicklungen in der optischen Sortierung. BHM, Berg- und Hüttenmännische Monatshefte 153. Jg. (2008), Heft 6; S.217-220

[3] M. Dehler; Wedel: Optische Sortierung von mineralischen Rohstoffen. Schüttgut, 10 (2004) Nr.3, S.212-216

[4] Matthias Coppers, Katja Duddek: Optische Sortierung Untertage mit dem RHEWUM DataSort. Aufbereitungstechnik 49, (2008) Nr. 9, S. 10-16

[5] Thomas Nisters: Ersatzbrennstoffherstellung mit NIR- Technologie. Aufbereitungstechnik, 47 (2006), Nr. 12, S. 28-34

[6] Hartmut Harbeck: Opoelektronische Sortierung zur Aufbereitung von Feldspat bei Maffei Sarda. Aufbereitungstechnik 42 (2001), Nr. 9, S. 438-444

[7] Eckard Zeiger: Sortierung verschiedener Abfallströme mit Mogensen-Röntgensortiertechnik. Aufbereitungstechnik 47 (2006), Nr. 3, S. 1-5

[8] Markus Dehler: Optische Sortierung von Quarzkieseln zur Senkung des Eisengehalts. Aufbereitungstechnik 47, (2006), Nr. 8-9, S. 6-8

[9] Recycling Magazin, Ausgabe 14/09, Chancen und Grenzen der Sensortechnik, S.30

[10] Recycling Magazin, Ausgabe 09/05, Innovation: Neue Sensorgeneration für das Sortieren unterschiedlicher Materialien, S.24

[11] Recycling Magazin, Ausgabe 22/06, Technologie-Geschichte – Die Entwicklung der modernen Recyclingtechnik, S.30

[12] Recycling Magazin, Ausgabe 21/06, Sensorgestützte Kunststofferkennung: LIF ermöglicht automatische Identifizierung dunkler Kunststoffe, S.20

[13] KustaSpec 4.1 Online Hilfe; LLA, Berlin

[14] Thomas Pretz, Jörg Julius: Stand der Technik und Entwicklung bei der berührungslosen Sortierung von Abfällen. Österreichische Wasser- und Abfallwirtschaft, (2008), Heft 7-8, S.105-112

[15] Markus Dehler: Optoelektronische Sortierung von mineralischen Rohstoffen. Aufbereitungstechnik 44, (2003), Nr. 10, S.38-42

[16] Jürg Pollmanns: Identifikation von Mineralien und Schüttgütern mit Hilfe der laserinduzierten Fluoreszenz. Bergbau (2008), Nr. 7, S.322-325

[17] Pudelko-Körner C. :Anwendung der NIRS in der Arzneipflanzenanalytik, Dissertation, Bonn, 1997

[18] Watson C.A.: Near infrared reflectance spectrophotometric analysis of agricultural products, Anal. Chem. 49 (1977) 835A – 840A

[19] Ebel S.; Roth H. J. (Hrsg.): Lexikon der Pharmazie, Georg-Thieme-Verlag, Stuttgart, 1987

[20] Hesse G.: Anwendungen der quantitativen NIRS in der Arzneimittelherstellung Unterlagen zum Seminar „Einsatzmöglichkeiten der NIRS in der Herstellung und Qualitätskontrolle von Arzneimitteln“ veranstaltet vom Zentralinstitut Arzneimittelforschung GmbH am 07./08. Dezember 1999 in Bad Neuenahr


[21] Wessel E.: Erfahrungen in der NIRS-gestützten Eingangskontrolle von kosmetischen Grund-, Hilfs- und Wirkstoffen, vorgestellt anhand ausgewählter Praxisbeispiele, Vortrag auf dem 3. NIRS-Food-Symposium, 04. Juli 2000, Bonn

[22] Rücker G. ; Neugebauer M.; Willems G.G.: Instrumentelle pharmazeutische Analytik, Wissenschaftliche Verlagsgesellschaft, Stuttgart, 1992

[23] Günzler H.: IR-Spektroskopie, VCH, Weinheim, 1990

[24] Hesse M. ; Meier H. ; Zeeh B.: Spektroskopische Methoden in der organischen Chemie, Georg Thieme Verlag, Stuttgart, 1995

[25] Fischer A.: NIR-Reflexionsspektroskopie, Deutsche Apothekerzeitung 129 (1989) 1039-1042

[26] Hartke K.; Mutschler E. (Hrsg.): DAB 9, Kommentar, Wissenschaftl. Verlagsgesellschaft, Stuttgart, 1987

[27] Ploss H.-J.: Quantitative Analytik von Suppositorien mittels Nahinfrarot-Reflexionsspektroskopie, Dissertation, Würzburg, 1996

[28] Molt K.: Grundlagen und Anwendungen der modernen NIR-Spektrometrie, Teil I, GIT Laborzeitschrift 2 (1992) 107-113

[29] Martens H.; Naes T.:Multivariate Calibration, J. Wiley & Sons, New York 1989

[30] Beebe K.; Kowalski B.: An Introduction to Multivariate Calibration and Analysis, Anal. Chem. 59 (1987) 1007A-1017A

[31] Conzen J. P.: Multivariate Kalibration, Bruker Optik Leitfaden, Karlsruhe, 2000

[32] Geladi P.; Kowalski B.: Partial least squares regression: a tutorial, Anal. Chim. Acta 185 (1986) 1-17

[33] Fink M.; Einsatz der Nah-Infrarot (NIR) – Spektroskopie zur quantitativen Bestimmung ausgewählter pflanzlicher Inhaltsstoffe, Dissertation, 2003

[34] Jagermann K.-U., Fischbacher Ch., Danzer K.; NIR-Miniaturspektrometer – von der Substanzerkennung bis zur nichtinvasiven Blutglucosebestimmung, Jena

[35] Kessler W.; Multivarinate Datenanalyse, Reutlingen 2007

[36] Hasener J.; Statistische Methoden der industriellen Prozessmodellierung zur Echtzeitqualitätskontrolle am Beispiel einer kontinuierlichen Produktion von Faserpaltten, Dissertation, Hamburg 2004

[37] Lichtblau D., Dobrusskin S., Blüher A.; Das SurveNIR – System zur Bewertung des Zustands und des Alterungsverhaltens von Papier, Bern 2009

[38] Moschner C.R.; Methodische Untersuchungen zum Einsatz der Nahinfrarot-Spektroskopie (NIRS) zur Qualitätsbeurteilung von High-Oleic-Sonnenblumen, Dissertation, Göttingen 2007

[39] DIN EN 933-1 Prüfverfahren für geometrische Eigenschaften von Gesteinskörnungen – Teil 1: Bestimmung der Korngrößenverteilung – Siebverfahren; Teil 2: Bestimmung der Korngrößenverteilung, Analysesiebe, Nennmaße der Sieböffnungen

[40] DIN EN 1097-5 Prüfverfahren für mechanische und physikalische Eigenschaften von Gesteinskörnungen – Teil 5: Bestimmung des Wassergehalts durch Ofentrocknung

[41] DIN EN 1097-6 Prüfverfahren für mechanische und physikalische Eigenschaften von Gesteinskörnungen – Teil 6: Bestimmung der Rohdichte und der Wasseraufnahme

[42] DIN EN 1097-7 Prüfverfahren für mechanische und physikalische Eigenschaften von Gesteinskörnungen – Teil 7: Bestimmung der Rohdichte von Füller – Pyknometer-Verfahren


[43] DIN 18124 Baugrund, Untersuchung von Bodenproben – Bestimmung der Korndichte – Kapillarpyknometer, Weithalspyknometer, Gaspyknometer

[44] DIN 66137-1/2 Bestimmung der Dichte fester Stoffe – Teil 1: Grundlagen; Teil 2: Gaspyknometrie

[45] DIN 55673 Nahinfrarotspektrometrische Analyse, Allgemeine Arbeitsgrundlagen

[46] DIN 1936 Prüfverfahren für Naturstein – Bestimmung der Reindichte, der Rohdichte, der offenen Porosität und der Gesamtporosität

[47] FGSV Forschungsgesellschaft für Straßen- und Verkehrswesen e.V., Arbeitsgruppe Asphaltbauweisen: TP Asphalt-StB 07 Teil 2 Technische Prüfvorschriften für Asphalt – Teil 2: Korngrößenverteilung, FGSV Verlag GmbH, Köln, Dezember 2008

[48] Escher M.; Sensorgestützte Sortierungsverfahren, BU Weimar, 2010

Internetquellen [URL 1] http://www.optosort.com/index.php?id=56&L=1 [URL 2] http://de.wikipedia.org [URL 3] http://www1.fh-amberg-

weiden.de/fachbereiche/mbut/labore/recycling/recyclingtechnik/indexrt.htm [URL 4] http://www.lla.de [URL 5] http://www.titech.com/ [URL 6] http://www.mogensen.de/ [URL 7] http://www.recyclingmagazin.de/ [URL 8] http://www.springerlink.com/content/a0282834032k0713/fulltext.pdf?page=1 [URL 9] http://www.htp.eu/scripte/25_HTP-Christiani_Mai-2004.pdf [URL 10] http://www.umweltdaten.de/publikationen/fpdf-l/3456.pdf [URL 11] ftp://ftp2.imaging.de/websites/documents/applications/de_DE-Application-

CTR.pdf [URL 12] http://www.htp.eu/scripte/34_HTP-Langen_Dezember-2004.pdf [URL 13] http://www.analyticon-instruments.de/myfactory32/CMS/nir-

definition.aspx?ClientID=wf150530bd-a540-4a6b-8120-a9f950b5be2a&SiteID=0&GroupID=67&Status=3B8EA49CA4&Language=D&Mode=1

[URL 14] http://www.iar.rwth-

aachen.de/www/upload/Publikationen/download/2006/Vortrag_Freiberg_Killmann_2006-11-09.pdf

[URL 15] http://www.imro-maschinenbau.de/upload_material/download/imro_dss.pdf


[URL 16] http://www.citg.tudelft.nl/live/pagina.jsp?id=fa7d73ba-0359-405c-b67d-

0ec77d3abf87&lang=en [URL 17] http://www.baulinks.de/links/1archiv.php4?urlb=http://www.baulinks

.de/bau/wand.htm&urla=http://www.baulinks.de/webplugin/2004/0753.php4 [URL 18] http://www.baulinks.de/webplugin/2007/0753.php4?url1=http://www

.baulinks.de/webplugin/z_starta.txt&url2=http://www.baulinks.de/webplugin/z_ende.txt

[URL 19] http://www.baulinks.de/webplugin/2004/0753.php4?url1=http://www

.baulinks.de/webplugin/z_starta.txt&url2=http://www.baulinks.de/webplugin/z_ende.txt

[URL 20] http://www.uni-

potsdam.de/u/al/mitarbeiter/zeissler/lehre/ams/material/3_Baustoffe.pdf [URL 21] http://www.nir-concept.de [URL 22] http://www.quira.de/nir_sp/allg/allg.htm#Titel

Escher M. Anhang I

Anhang Inhalt: A1 Siebanalyse/Korngrößenverteilung...………………………………………………….II

A2 Rohdichte und Wasseraufnahme mittels Flüssigkeitspyknometer.…………………...III

A3 Rohdichte mittels Feststoffpyknometer……………………………………………….V

A4 Reindichte Heliumpyknometer…...……….....………………………………………VII

A5 NIR-Intensitäten………………………………………....………………………….VIII

A6 Datenbanktest in Datenbank A mit neuen Baustoffspektren…………………………IX

A7 Datenbanktest in Datenbank B mit neuen Baustoffspektren…………………………XI

A8 Datenbanktest in Datenbank C mit neuen Baustoffspektren………………………..XIII

A9 Komplette NIR- Zuweisung in Datenbank A in einer Kreuztabelle………………...XV

A10 Komplette NIR-Auswertung in Datenbank A in grafischer Darstellung…………...XVI

A11 Komplette NIR- Zuweisung in Datenbank B in einer Kreuztabelle………………XVIII

A12 Komplette NIR-Auswertung in Datenbank B in grafischer Darstellung………..….XIX

A13 Komplette NIR- Zuweisung in Datenbank C in einer Kreuztabelle………………..XXI

A14 Komplette NIR-Auswertung in Datenbank C in grafischer Darstellung………..…XXII

Schema Inhalt beigefügter CD-ROM…………………………………………….……....XXIV

Escher M. Anhang II

A1) Siebanalyse/Korngrößenverteilung

Beton 1 Siebanalyse Einwaage: 19543g

Maschenweite Gewicht [g] Prozent [%] Summenlinie [%] > 16 mm 2368 12,12 100 8/16 mm 6471 33,11 87,88 4/8 mm 3926 20,09 54,77 2/4 mm 1947 9,96 34,68 < 2 mm 4829 24,71 24,71 Gesamt: 19541

Gesamtmasse nach Siebanalyse: 19541g

Leichtbeton 1 Siebanalyse Einwaage: 22107g

Maschenweite Gewicht [g] Prozent [%] Summenlinie [%] > 16 mm 3251 14,71 100 8/16 mm 4997 22,60 85,29 4/8 mm 3305 14,95 62,69 2/4 mm 2499 11,30 47,74 < 2 mm 8054 36,43 36,43 Gesamt: 22106 100

Gesamtmasse nach Siebanalyse 22106g

Porenbeton 1 Siebanalyse Einwaage: 11966g



Ziegelstein 1 Siebanalyse Einwaage: 34185g



Kalksandstein1 Siebanalyse Einwaage: 49493g

Maschenweite Gewicht [g] Prozent [%] Summenlinie > 16 mm 1665 3,364859949 100 8/16 mm 9461 19,12008407 96,64 4/8 mm 8993 18,1742856 77,52 2/4 mm 6358 12,84911685 59,34 < 2 mm 23005 46,49165353 46,49 Gesamt: 49482 100


Alle weiteren Siebanalysen sind auf der beigelegten CD-ROM hinterlegt.

Escher M. Anhang III

A2) Rohdichte und Wasseraufnahme mittels Flüssigkeitspyknometer Bezeichnung Fraktion Pyknometer Leichtbeton 9 8-16 mm 1--14

1089,1 M Pyknometer [g] 3491,4 M Wasser [g] 2920 M Pyknometer+trockene Probe [g]

4472,6 M Pyknometer+trockene Probe+H2O [g] 4487,2 M Pyknometer+trockene Probe+H2O [g] (1h) 4492,6 M Pyknometer+trockene Probe+H2O [g] (2h) 2009,8 M wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]

/ Vp [cm³] 0,997 �w [g/cm³] � rd [g/cm³] 9,825 WA 2h[%]

24 T [°C] 1,809 1830 M Probe nach Ofentrocknung [g]

Rohdichte [g/cm³] scheinbare 2,201

ofentrockener Basis 1,809

wassergesättigt 1,948

Bezeichnung Fraktion Pyknometer Leichtbeton 9 4-8 mm III

1041,3 M Pyknometer [g] 3472,6,4 M Wasser [g] 2623,9 M Pyknometer+trockene Probe [g]

4250 M Pyknometer+trockene Probe+H2O [g] 4271,4 M Pyknometer+trockene Probe+H2O [g] (1h)

4277 M Pyknometer+trockene Probe+H2O [g] (2h) 1774,2 M wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]

/ Vp [cm³] 0,997 �w [g/cm³] � rd [g/cm³] 13,165 WA 2h[%]

24 T [°C] 1,612 1567,8 M Probe nach Ofentrocknung [g]

Rohdichte [g/cm³] scheinbare 2,048

ofentrockener Basis 1,612

wassergesättigt 1,775

Escher M. Anhang IV

�rd ofentrockene Rohdichte [g/cm³]

M2 Masse Pyknometer gefüllt mit dest. Wasser [g]

M6 Masse Pyknometer mit gesättigten Probe und dest. Wasser [g]

M7 Masse wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]

M8 Masse Probe nach Ofentrocknung [g]

�W Dichte dest. Wasser bei Prüftemperatur [g/cm³]

WA2h = Wasseraufnahme der Gesteinskörnung in 2 Stunden [%]

M7 = Masse der wassergesättigten und oberflächentrockenen Gesteinskörnung in Luft [g]

M8 = Masse der Probe nach Ofentrocknung [g]

Analog zu dem tabellarischen Beispiel von Leichtbeton 9 wurden die Rohdichten und die

Wasseraufnahmen der restlichen Baustoffe ermittelt, hinterlegt auf CD-ROM.

Wrd MMM

Mρρ •

−−=

)( 267

8

1008

872 •

−=

M

MMWA h

Escher M. Anhang V

A3) Rohdichte mittels Feststoffpyknometer

Beton

Fraktion 4-8

1. Mess-ung

2. Mess-ung

3. Mess-ung

MW Fraktion 8-16

1. Mess-ung

2. Mess-ung

3. Mess-ung

MW Gesamt MW

Beton 1 2,50 2,47 2,48 2,48 Beton 1 2,41 2,41 2,42 2,41 2,45 Beton 2 2,48 2,42 2,49 2,46 Beton 2 2,41 2,52 2,45 2,46 2,46 Beton 3 2,47 2,44 2,43 2,44 Beton 3 2,45 2,44 2,47 2,45 2,45 Beton 4 2,27 2,26 2,24 2,26 Beton 4 2,12 2,16 2,17 2,15 2,20 Beton 5 2,67 2,68 2,67 2,67 Beton 5 2,51 2,54 2,53 2,53 2,60 Beton 6 2,46 2,46 2,49 2,47 Beton 6 2,42 2,42 2,43 2,42 2,44 Beton 7 2,41 2,41 2,41 2,41 Beton 7 2,39 2,34 2,39 2,37 2,39 Beton 8 2,41 2,40 2,42 2,41 Beton 8 2,36 2,37 2,35 2,36 2,39 Beton 9 2,30 2,31 2,29 2,30 Beton 9 2,33 2,26 2,26 2,28 2,29 Beton 10 2,46 2,51 2,47 2,48 Beton 10 2,42 2,43 2,38 2,41 2,45 Gesamt Mittelwert Beton --alle Messungen in g/cm³-- 2,41

Leichtbeton

Fraktion 4-8 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Fraktion 8-16 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Gesamt MW

Leichtbeton 1 0,82 0,87 0,87 0,85 Leichtbeton 1 0,86 0,84 0,82 0,84 0,85 Leichtbeton 2 0,68 0,67 0,67 0,67 Leichtbeton 2 0,63 0,63 0,62 0,63 0,65 Leichtbeton 3 0,91 0,96 0,89 0,92 Leichtbeton 3 0,80 0,81 0,84 0,81 0,87 Leichtbeton 4 0,77 0,83 0,82 0,81 Leichtbeton 4 0,79 0,81 0,78 0,79 0,80 Leichtbeton 5 1,38 1,39 1,38 1,39 Leichtbeton 5 1,39 1,39 1,40 1,39 1,39 Leichtbeton 6 1,36 1,28 1,26 1,30 Leichtbeton 6 1,21 1,18 1,21 1,20 1,25 Leichtbeton 7 1,23 1,26 1,23 1,24 Leichtbeton 7 1,10 1,10 1,11 1,10 1,17 Leichtbeton 8 1,92 1,82 1,86 1,87 Leichtbeton 8 1,72 1,82 1,71 1,75 1,81 Leichtbeton 9 1,34 1,51 1,44 1,43 Leichtbeton 9 1,68 1,55 1,77 1,66 1,55 Gesamt Mittelwert Leichtbeton --alle Messungen in g/cm³-- 1,15

Ziegelstein

Fraktion 4-8 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Fraktion 8-16 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Gesamt MW

Ziegelstein 1 1,75 1,75 1,75 1,75 Ziegelstein 1 1,74 1,75 1,74 1,74 1,75 Ziegelstein 2 1,82 1,83 1,82 1,82 Ziegelstein 2 1,81 1,80 1,82 1,81 1,81 Ziegelstein 3 1,68 1,68 1,68 1,68 Ziegelstein 3 1,69 1,68 1,68 1,68 1,68 Ziegelstein 4 2,23 2,22 2,23 2,22 Ziegelstein 4 2,25 2,24 2,25 2,25 2,23 Ziegelstein 5 1,73 1,72 1,73 1,73 Ziegelstein 5 1,73 1,73 1,72 1,73 1,73 Ziegelstein 6 1,60 1,62 1,63 1,62 Ziegelstein 6 1,67 1,66 1,66 1,67 1,64 Ziegelstein 7 1,72 1,71 1,72 1,72 Ziegelstein 7 1,73 1,70 1,72 1,72 1,72 Ziegelstein 8 1,78 1,77 1,77 1,77 Ziegelstein 8 1,77 1,77 1,79 1,78 1,78 Ziegelstein 9 2,28 2,24 2,26 2,26 Ziegelstein 9 2,52 2,38 2,37 2,42 2,34 Ziegelstein10 2,15 2,15 2,15 2,15 Ziegelstein10 2,16 2,17 2,16 2,16 2,16 Gesamt Mittelwert Ziegelstein --alle Messungen in g/cm³-- 1,88

Escher M. Anhang VI

Kalksandstein

Fraktion 4-8 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Fraktion 8-16 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Gesamt MW

Kalksandstein 1 1,86 1,87 1,87 1,86 Kalksandstein 1 1,89 1,87 1,89 1,88 1,87 Kalksandstein 2 1,89 1,91 1,89 1,90 Kalksandstein 2 1,91 1,91 1,92 1,91 1,90 Kalksandstein 3 1,87 1,91 1,89 1,89 Kalksandstein 3 1,87 1,90 1,88 1,89 1,89 Kalksandstein 4 1,89 1,90 1,88 1,89 Kalksandstein 4 1,86 1,91 1,88 1,88 1,89 Kalksandstein 5 1,97 1,96 1,98 1,97 Kalksandstein 5 1,97 1,98 1,96 1,97 1,97 Kalksandstein 6 1,90 1,93 1,92 1,92 Kalksandstein 6 1,89 1,89 1,90 1,89 1,90 Kalksandstein 7 2,01 1,96 1,99 1,99 Kalksandstein 7 1,95 1,93 1,94 1,94 1,96 Kalksandstein 8 1,89 1,89 1,89 1,89 Kalksandstein 8 1,92 1,95 1,93 1,93 1,91

Gesamt Mittelwert Kalksandstein --alle Messungen in g/cm³-- 1,91

Porenbeton

Fraktion 4-8 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Fraktion 8-16 1.

Mess-ung

2. Mess-ung

3. Mess-ung

MW Gesamt MW

Porenbeton 1 0,73 0,75 0,77 0,75 Porenbeton 1 0,65 0,66 0,66 0,66 0,70 Porenbeton 2 0,76 0,78 0,77 0,77 Porenbeton 2 0,59 0,61 0,62 0,61 0,69 Porenbeton 3 0,79 0,80 0,82 0,80 Porenbeton 3 0,61 0,64 0,64 0,63 0,72 Porenbeton 4 0,86 0,88 0,86 0,86 Porenbeton 4 0,70 0,70 0,71 0,70 0,78 Porenbeton 5 0,88 0,90 0,87 0,89 Porenbeton 5 0,68 0,69 0,68 0,68 0,78 Porenbeton 6 0,77 0,78 0,78 0,78 Porenbeton 6 0,68 0,70 0,66 0,68 0,73 Porenbeton 7 0,61 0,59 0,60 0,60 Porenbeton 7 0,51 0,49 0,48 0,50 0,55 Porenbeton 8 0,73 0,69 0,72 0,71 Porenbeton 8 0,67 0,65 0,60 0,64 0,68 Porenbeton 9 0,79 0,79 0,77 0,78 Porenbeton 9 0,53 0,66 0,63 0,61 0,70 Gesamt Mittelwert Porenbeton --alle Messungen in g/cm³-- 0,70

Sekundäre Baustoffe und Kies

1.Messung 2. Messung 3. Messung Mittelwert Porenbetonbruch 1 0,63 0,66 0,66 0,65 Porenbetonbruch 2 0,66 0,55 0,61 0,60 Porenbetonbruch 3 0,56 0,70 0,54 0,60 Mauerwerkbruch 1 1,95 1,96 1,92 1,94 Mauerwerkbruch 2 2,02 1,94 2,11 2,03 Mauerwerkbruch 5 1,88 1,89 1,87 1,88 Altbeton 1 2,44 2,44 2,48 2,45 Altbeton 2 2,38 2,30 2,35 2,34 Altbeton 4 2,30 2,36 2,30 2,32 Altbeton 5 2,37 2,26 2,30 2,31 Altbeton 6 2,45 2,16 2,28 2,29 Kies 1 2,66 2,65 2,64 2,65 Kies 2 2,57 2,63 2,66 2,62

Alle Einzelmessungen sind auf der beigelegten CD-ROM hinterlegt.

Escher M. Anhang VII

A4) Reindichte mittels Helium(Gas)pyknometer

Alle Einzelmessungen sind auf der beigelegten CD-ROM hinterlegt.

Beton: Ziegelstein:

Leichtbeton: Porenbeton:

Kalksandstein: sekundäre Baustoffe und Kies:

��

��

��

��

��

��

��

��

��

��

��!� ��

"��#$�� %��

��

&� �#'��

&� �#'��

&� �#'��

&� �#'��

&� �#'��

&� �#'��

&� �#'��

&� �#'��

&� �#'��

&� �#'��!� ��

"��#$��&� �#'�� %��

��

(��

(��

(��

(��

(��

(��

(��

(��

(��

"��#$��(�� %��

��

��

��

��

��

��

��

��

��

��

"��#$�� %��

��

)�'��

)�'��

*#��

*#��

*#��

*#��

*#��

"+��$��

"+��$��

"+��$��

��

��

��

��

)+#,'+��'��

)+#,'+��'��

)+#,'+��'��

)+#,'+��'��

)+#,'+��'��

)+#,'+��'��

)+#,'+��'��

)+#,'+��'��

"��#$��)+#,'+��'�� %��

Escher M. Anhang VIII

A5) NIR-Intensitäten

Baustoff Min Intensität Max Intensität Differenz Beton 19,459 27,174 7,715

Leichtbeton 22,451 26,492 4,041 Ziegelstein 55,563 67,635 12,072 Porenbeton 26,501 52,622 26,121

Kalksandstein 30,903 48,703 17,8 Kies 26,533 31,411 4,878

Altbeton 27,521 35,861 8,34 Mauerwerkbruch 59,127 70,692 11,565 Porenbetonbruch 33,913 57,104 23,191

Intensitätsdifferenz zwischen Minimum und Maximum

0

5

10

15

20

25

30

Baustoff

Inte

nsi

täts

dif

fere

nz

im

Ku

rven

verl

auf

der

Sp

ektr

en

Beton

Leichtbeton

Ziegelstein

Porenbeton

Kalksandstein

Kies

Altbeton

Mauerwerkbruch

Porenbetonbruch

Die Intensitätsdifferenz ist in etwa mit der Güte der NIR- Erkennung zu vergleichen.

Escher M. Anhang IX

A6) Datenbanktest in Datenbank A mit neuen Baustoffspektren

Testspektren Eigenvektoren Lernset Testset Differenzierung Ergebnis [%] Beton neu 5 A A n 71 Beton neu 10 A A n 98 Beton neu 5 A A d 86 Beton neu 10 A A d 94 Beton neu 5 A A dd 98 Beton neu 10 A A dd 98 Beton neu 3 MW a A n 51 Beton neu 2 MW a A d 56 Beton neu 3 MW a A dd 88 Beton neu 2 MW a MW a n 0 Beton neu 2 MW a MW a d 56 Beton neu 2 MW a MW a dd 96 Beton neu 3 A MW a dd 99 Beton neu 5 A MW a dd 98 Beton neu 10 A MW a dd 98 Kalksandstein neu 5 A A n 45 Kalksandstein neu 10 A A n 98 Kalksandstein neu 5 A A d 99 Kalksandstein neu 10 A A d 99 Kalksandstein neu 5 A A dd 100 Kalksandstein neu 10 A A dd 100 Kalksandstein neu 3 MW a A n 3 Kalksandstein neu 2 MW a A d 92 Kalksandstein neu 3 MW a A dd 88 Kalksandstein neu 2 MW a MW a n 96 Kalksandstein neu 2 MW a MW a d 92 Kalksandstein neu 2 MW a MW a dd 12 Kalksandstein neu 3 A MW a dd 100 Kalksandstein neu 5 A MW a dd 100 Kalksandstein neu 10 A MW a dd 100 Leichtbeton neu 5 A A n 28 Leichtbeton neu 10 A A n 47 Leichtbeton neu 5 A A d 81 Leichtbeton neu 10 A A d 82 Leichtbeton neu 5 A A dd 70 Leichtbeton neu 10 A A dd 70 Leichtbeton neu 3 MW a A n 3 Leichtbeton neu 2 MW a A d 84 Leichtbeton neu 3 MW a A dd 73 Leichtbeton neu 2 MW a MW a n 14 Leichtbeton neu 2 MW a MW a d 84 Leichtbeton neu 2 MW a MW a dd 80 Leichtbeton neu 3 A MW a dd 76 Leichtbeton neu 5 A MW a dd 70 Leichtbeton neu 10 A MW a dd 70 Porenbeton neu 5 A A n 100 Porenbeton neu 10 A A n 100 Porenbeton neu 5 A A d 100 Porenbeton neu 10 A A d 100 Porenbeton neu 5 A A dd 100

Escher M. Anhang X

Porenbeton neu 10 A A dd 100 Porenbeton neu 3 MW a A n 1 Porenbeton neu 2 MW a A d 96 Porenbeton neu 3 MW a A dd 96 Porenbeton neu 2 MW a MW a n 91 Porenbeton neu 2 MW a MW a d 96 Porenbeton neu 2 MW a MW a dd 65 Porenbeton neu 3 A MW a dd 100 Porenbeton neu 5 A MW a dd 100 Porenbeton neu 10 A MW a dd 100 Ziegelstein neu 5 A A n 99 Ziegelstein neu 10 A A n 100 Ziegelstein neu 5 A A d 100 Ziegelstein neu 10 A A d 91 Ziegelstein neu 5 A A dd 100 Ziegelstein neu 10 A A dd 100 Ziegelstein neu 3 MW a A n 5 Ziegelstein neu 2 MW a A d 99 Ziegelstein neu 3 MW a A dd 60 Ziegelstein neu 2 MW a MW a n 32 Ziegelstein neu 2 MW a MW a d 99 Ziegelstein neu 2 MW a MW a dd 83 Ziegelstein neu 3 A MW a dd 94 Ziegelstein neu 5 A MW a dd 100 Ziegelstein neu 10 A MW a dd 100

Ausgewählte PLS-Auswertungen von Testspektren in Datenbank A im Detail TestSpektren LS TS EV Differenzierung Ergebnis [%]

Beton A A 5/10 n/d/dd 90,83 B MW a A 2/3 d/dd 72,00 B A MW a 3/5/10 dd 98,33 B MW a MW a 1-3 d/dd 76,00

Mittelwert 84,29 KS A A 5/10 n/d/dd 90,17 KS MW a A 2/3 d/dd 90,00 KS A MW a 3/5/10 dd 100,00 KS MW a MW a 1-3 d/dd 94,00

Mittelwert 93,54 LB A A 5/10 n/d/dd 63,00 LB MW a A 2/3 d/dd 78,50 LB A MW a 3/5/10 dd 72,00 LB MW a MW a 1-3 d/dd 82,00

Mittelwert 73,88 PB A A 5/10 n/d/dd 100,00 PB MW a A 2/3 d/dd 96,00 PB A MW a 3/5/10 dd 100,00 PB MW a MW a 1-3 d/dd 93,50

Mittelwert 97,38 ZS A A 5/10 n/d/dd 98,33 ZS MW a A 2/3 d/dd 79,50 ZS A MW a 3/5/10 dd 98,00 ZS MW a MW a 1-3 d/dd 91,00

Mittelwert 91,71

Escher M. Anhang XI

A7) Datenbanktest in Datenbank B mit neuen Baustoffspektren Testspektren Eigenvektoren Lernset Testset Differenzierung Ergebnis [%] Beton neu 5 B B n 6 Beton neu 10 B B n 1 Beton neu 5 B B d 0 Beton neu 10 B B d 61 Beton neu 5 B B dd 80 Beton neu 10 B B dd 89 Beton neu 3 MW b B n 0 Beton neu 2 MW b B d 0 Beton neu 3 MW b B dd 39 Beton neu 2 MW b MW b n 0 Beton neu 2 MW b MW b d 0 Beton neu 2 MW b MW b dd 24 Beton neu 3 B MW b dd 79 Beton neu 5 B MW b dd 80 Beton neu 10 B MW b dd 89 Kalksandstein neu 5 B B n 53 Kalksandstein neu 10 B B n 82 Kalksandstein neu 5 B B d 100 Kalksandstein neu 10 B B d 99 Kalksandstein neu 5 B B dd 100 Kalksandstein neu 10 B B dd 100 Kalksandstein neu 3 MW b B n 44 Kalksandstein neu 2 MW b B d 84 Kalksandstein neu 3 MW b B dd 99 Kalksandstein neu 2 MW b MW b n 50 Kalksandstein neu 2 MW b MW b d 84 Kalksandstein neu 2 MW b MW b dd 20 Kalksandstein neu 3 B MW b dd 100 Kalksandstein neu 5 B MW b dd 100 Kalksandstein neu 10 B MW b dd 100 Leichtbeton neu 5 B B n 19 Leichtbeton neu 10 B B n 52 Leichtbeton neu 5 B B d 82 Leichtbeton neu 10 B B d 79 Leichtbeton neu 5 B B dd 68 Leichtbeton neu 10 B B dd 72 Leichtbeton neu 3 MW b B n 12 Leichtbeton neu 2 MW b B d 83 Leichtbeton neu 3 MW b B dd 57 Leichtbeton neu 2 MW b MW b n 4 Leichtbeton neu 2 MW b MW b d 83 Leichtbeton neu 2 MW b MW b dd 78 Leichtbeton neu 3 B MW b dd 70 Leichtbeton neu 5 B MW b dd 68 Leichtbeton neu 10 B MW b dd 72 Porenbeton neu 5 B B n 0 Porenbeton neu 10 B B n 100 Porenbeton neu 5 B B d 87 Porenbeton neu 10 B B d 100 Porenbeton neu 5 B B dd 70 Porenbeton neu 10 B B dd 100

Escher M. Anhang XII

Porenbeton neu 3 MW b B n 13 Porenbeton neu 2 MW b B d 2 Porenbeton neu 3 MW b B dd 97 Porenbeton neu 2 MW b MW b n 77 Porenbeton neu 2 MW b MW b d 2 Porenbeton neu 2 MW b MW b dd 60 Porenbeton neu 3 B MW b dd 76 Porenbeton neu 5 B MW b dd 70 Porenbeton neu 10 B MW b dd 100 Ziegelstein neu 5 B B n 91 Ziegelstein neu 10 B B n 100 Ziegelstein neu 5 B B d 82 Ziegelstein neu 10 B B d 64 Ziegelstein neu 5 B B dd 79 Ziegelstein neu 10 B B dd 88 Ziegelstein neu 3 MW b B n 3 Ziegelstein neu 2 MW b B d 4 Ziegelstein neu 3 MW b B dd 41 Ziegelstein neu 2 MW b MW b n 10 Ziegelstein neu 2 MW b MW b d 4 Ziegelstein neu 2 MW b MW b dd 35 Ziegelstein neu 3 B MW b dd 68 Ziegelstein neu 5 B MW b dd 79 Ziegelstein neu 10 B MW b dd 86

Ausgewählte PLS-Auswertungen von Testspektren in Datenbank B im Detail TestSpektren LS TS EV Differenzierung Ergebnis [%]

Beton B B 5/10 n/d/dd 39,50 B MW b B 2/3 d/dd 19,50 B B MW b 3/5/10 dd 82,67 B MW b MW b 1-3 d/dd 24,00

Mittelwert 41,42 Kalksandstein B B 5/10 n/d/dd 89,00

KS MW b B 2/3 d/dd 91,50 KS B MW b 3/5/10 dd 100,00 KS MW b MW b 1-3 d/dd 67,00

Mittelwert 86,88 Leichtbeton B B 5/10 n/d/dd 62,00

LB MW b B 2/3 d/dd 70,00 LB B MW b 3/5/10 dd 70,00 LB MW b MW b 1-3 d/dd 80,50

Mittelwert 70,63 Porenbeton B B 5/10 n/d/dd 76,17

PB MW b B 2/3 d/dd 97,00 PB B MW b 3/5/10 dd 82,00 PB MW b MW b 1-3 d/dd 68,50

Mittelwert 80,92 Ziegelstein B B 5/10 n/d/dd 84,00

ZS MW b B 2/3 d/dd 41,00 ZS B MW b 3/5/10 dd 77,67 ZS MW b MW b 1-3 d/dd 35,00

Mittelwert 59,42

Escher M. Anhang XIII

A8) Datenbanktest in Datenbank C mit neuen Baustoffspektren Testspektren Eigenvektoren Lernset Testset Differenzierung Ergebnis [%] Beton neu 5 C C n 2 Beton neu 10 C C n 2 Beton neu 5 C C d 0 Beton neu 10 C C d 40 Beton neu 5 C C dd 15 Beton neu 10 C C dd 90 Beton neu 3 MW a C n 0 Beton neu 2 MW a C d 10 Beton neu 3 MW a C dd 25 Beton neu 2 MW a MW a n 0 Beton neu 2 MW a MW a d 10 Beton neu 2 MW a MW a dd 45 Beton neu 3 C MW a dd 2 Beton neu 5 C MW a dd 15 Beton neu 10 C MW a dd 90 Kalksandstein neu 5 C C n 61 Kalksandstein neu 10 C C n 37 Kalksandstein neu 5 C C d 100 Kalksandstein neu 10 C C d 100 Kalksandstein neu 5 C C dd 100 Kalksandstein neu 10 C C dd 100 Kalksandstein neu 3 MW a C n 17 Kalksandstein neu 2 MW a C d 7 Kalksandstein neu 3 MW a C dd 4 Kalksandstein neu 2 MW a MW a n 46 Kalksandstein neu 2 MW a MW a d 7 Kalksandstein neu 2 MW a MW a dd 4 Kalksandstein neu 3 C MW a dd 2 Kalksandstein neu 5 C MW a dd 100 Kalksandstein neu 10 C MW a dd 100 Leichtbeton neu 5 C C n 20 Leichtbeton neu 10 C C n 30 Leichtbeton neu 5 C C d 14 Leichtbeton neu 10 C C d 27 Leichtbeton neu 5 C C dd 16 Leichtbeton neu 10 C C dd 14 Leichtbeton neu 3 MW a C n 7 Leichtbeton neu 2 MW a C d 9 Leichtbeton neu 3 MW a C dd 5 Leichtbeton neu 2 MW a MW a n 2 Leichtbeton neu 2 MW a MW a d 9 Leichtbeton neu 2 MW a MW a dd 9 Leichtbeton neu 3 C MW a dd 12 Leichtbeton neu 5 C MW a dd 16 Leichtbeton neu 10 C MW a dd 14 Porenbeton neu 5 C C n 0 Porenbeton neu 10 C C n 100 Porenbeton neu 5 C C d 99 Porenbeton neu 10 C C d 93 Porenbeton neu 5 C C dd 59 Porenbeton neu 10 C C dd 100

Escher M. Anhang XIV

Porenbeton neu 3 MW a C n 13 Porenbeton neu 2 MW a C d 0 Porenbeton neu 3 MW a C dd 35 Porenbeton neu 2 MW a MW a n 93 Porenbeton neu 2 MW a MW a d 0 Porenbeton neu 2 MW a MW a dd 58 Porenbeton neu 3 C MW a dd 88 Porenbeton neu 5 C MW a dd 59 Porenbeton neu 10 C MW a dd 100 Ziegelstein neu 5 C C n 43 Ziegelstein neu 10 C C n 99 Ziegelstein neu 5 C C d 75 Ziegelstein neu 10 C C d 65 Ziegelstein neu 5 C C dd 74 Ziegelstein neu 10 C C dd 81 Ziegelstein neu 3 MW a C n 0 Ziegelstein neu 2 MW a C d 0 Ziegelstein neu 3 MW a C dd 25 Ziegelstein neu 2 MW a MW a n 8 Ziegelstein neu 2 MW a MW a d 0 Ziegelstein neu 2 MW a MW a dd 7 Ziegelstein neu 3 C MW a dd 50 Ziegelstein neu 5 C MW a dd 74 Ziegelstein neu 10 C MW a dd 81

Ausgewählte PLS-Auswertungen von Testspektren in Datenbank C im Detail TestSpektren LS TS EV Differenzierung Ergebnis [%]

Beton C C 5/10 n/d/dd 24,83 B MW c C 2/3 d/dd 25,00 B C MW c 3/5/10 dd 35,67 B MW c MW c 1-3 d/dd 45,00

Mittelwert 32,63 KS C C 5/10 n/d/dd 83,00 KS MW c C 2/3 d/dd 17,00 KS C MW c 3/5/10 dd 67,33 KS MW c MW c d/dd 46,00

Mittelwert 53,33 LB C C 5/10 n/d/dd 20,17 LB MW c C 2/3 d/dd 9,00 LB C MW c 3/5/10 dd 14,00 LB MW c MW c 1-3 d/dd 9,00

Mittelwert 13,04 PB C C 5/10 n/d/dd 75,17 PB MW c C 2/3 d/dd 35,00 PB C MW c 3/5/10 dd 82,33 PB MW c MW c d/dd 93,00

Mittelwert 71,38 ZS C C 5/10 n/d/dd 72,83 ZS MW c C 2/3 d/dd 25,00 ZS C MW c 3/5/10 dd 68,33 ZS MW c MW c 1-3 d/dd 8,00

Mittelwert 43,54

Esc

her

M.

Anh

ang

XV

A9)

Kom

plet

te N

IR-

Zuw

eisu

ng in

Dat

enba

nk A

in e

iner

Kre

uzta

belle

-in

Pro

zent

- -b

ei P

LS-

Mod

ell-

Zuw

eisu

ng v

on 1

0 E

igen

vekt

oren

- -b

ei 6

Eig

enve

ktor

en G

esam

terk

ennu

ng 8

8,1

%-

Typ

e N

um

ber

Id

enti

cal

Bet

on

Kal

ksan

dste

in

Leic

htbe

ton

Por

enbe

ton

Zie

gels

tein

un

know

n O

ther

Bet

on

21

00

86,9

--

1,

4 9,

9 0

1,5

0,3

0

Kal

ksan

dst

ein

16

10

95,3

1,

6 --

0,

1 1,

9 0

1,1

0

Lei

chtb

eto

n

1820

78

,5

17,1

1,

5 --

0

2,3

0,5

0

Po

ren

bet

on

20

70

100

0 0

0 --

0

0 0

Zie

gel

stei

n

2082

98

,9

0,2

0,3

0,6

0 --

0

0

To

tal

9682

92

,1

3,5

0,7

2,3

0,3

0,8

0,4

0

Escher M. Anhang XVI

A10) Komplette NIR-Auswertung in Datenbank A in grafischer Darstellung Scores Plot:

Escher M. Anhang XVII

Betrachtung der Analysescores bei Normierung der Achsen auf 1 in 1. Ableitung:


Esc

her

M.

Anh

ang

XV

III

A11

) K

ompl

ette

NIR

- Z

uwei

sung

in D

aten

bank

B in

ein

er K

reuz

tabe

lle -

in P

roze

nt-

-bei

PL

S-M

odel

l-Z

uwei

sung

von

10

Eig

enve

ktor

en-

-bei

6 E

igen

vekt

oren

Ges

amte

rken

nung

70,

7 %

-

Type

Number

Identical

Beton

Kalksandstein

Leichtbeton

Porenbeton

Ziegelstein

Altbeton

Kies

Mauerwerkbruch

PB-Bruch

unknown

Other

Bet

on

21

00

74,8

--

0,

5 7,

2 0

1,4

10,9

5,

1 0

0 0,

1 0

Kal

ksan

dst

ein

16

10

82,7

1,

5 --

0,

2 3,

7 0

0 4,

2 0

5,3

2,3

0

Lei

chtb

eto

n

1820

72

,7

11,9

1,

6 --

0

2,1

8,1

3 0

0 0,

5 0

Po

renb

eto

n

2070

95

,9

0 0,

5 0

--

0 0

0 0

3,6

0 0

Zie

gel

stei

n

2082

97

,4

0,1

0,4

0,9

0 --

0

0 1

0 0,

2 0

Alt

bet

on

61

0 47

,2

36,9

0

7,4

0 3,

9 --

3,

6 0

0 1

0

Kie

s 42

0 55

,2

16,9

1,

7 13

,3

0 4

4,8

--

0 0

4 0

Mau

erw

erkb

ruch

60

0 78

,2

1 0

0 0

19,7

0,

3 0,

2 --

0

0,7

0

PB

-Bru

ch

300

62

0 0,

3 0

34

0 0

2 1,

7 --

0

0

Tot

al

1161

2 81

,1

4,7

0,6

2,4

1,4

2 3,

4 2,

2 0,

2 1,

4 0,

7 0

Escher M. Anhang XIX

A12) Komplette NIR-Auswertung in Datenbank B in grafischer Darstellung Scores Plot:

Escher M. Anhang XX



Esc

her

M.

Anh

ang

XX

I

A13

) K

ompl

ette

NIR

- Z

uwei

sung

in D

aten

bank

C in

ein

er K

reuz

tabe

lle -

in P

roze

nt-

-bei

PL

S-M

odel

l-Z

uwei

sung

von

10

Eig

enve

ktor

en-

-bei

6 E

igen

vekt

oren

Ges

amte

rken

nung

59,

9 %

-

Type

Number

Identical

Beton

Kalksand-stein

Leicht-beton

Poren-beton

Ziegel-stein

Asbest

Faser-zement

Gips

Granit

Porphyr

Altbeton

Kies

Mauer-werk-bruch

PB-Bruch

unknown

Other

Bet

on

21

00

54,3

--

0,

9 13

,2

0 2,

1 1,

4 1,

5 0

1,6

8,7

7,5

8,6

0 0,

1 0

0

Kal

ksan

dst

ein

16

10

81,7

2

--

0 0,

9 0

0 0

0 0,

1 0,

6 0

2,2

0 10

,4

1,9

0

Lei

chtb

eto

n

1820

27

,8

8,7

1,4

--

0 2,

1 0,

5 6,

9 0

7,3

26,2

16

,9

2,3

0 0

0 0

Po

ren

bet

on

20

70

87,9

0

0,5

0 --

0

0 0

0 0

0 0

0 0

11,6

0

0

Zie

gel

stei

n

2082

96

,1

0,1

0,4

0 0

--

0 0,

9 0

0 0

0 0

1,4

0 1

0

Asb

est

100

75

5 0

0 0

20

--

0 0

0 0

0 0

0 0

0 0

Fas

erze

men

t 10

0 8

0 0

42

0 19

0

--

0 0

31

0 0

0 0

0 0

Gip

s 38

0 93

,2

0,8

0 0

0,8

0 0

0 --

0

0 0

0 0

0,3

5 0

Gra

nit

11

0 6,

4 30

,9

0 20

0

0 0

26,4

0

--

1,8

0 14

,5

0 0

0 0

Po

rph

yr

100

90

0 0

3 0

0 0

0 0

0 --

0

7 0

0 0

0

Alt

bet

on

61

0 41

,1

30,2

0

0,8

0 4,

6 12

,6

2,5

0 1,

5 3

--

3,3

0 0

0,5

0

Kie

s 42

0 44

8,

3 5,

2 0,

7 0

4,8

2,4

0,7

0 0,

5 29

,3

0,5

--

0 0,

5 3,

1 0

MW

-Bru

ch

600

75,5

0,

5 0,

3 0

0 21

,5

0 0,

5 0,

3 0,

8 0

0 0

--

0,5

0 0

PB

-Bru

ch

300

56

1,3

0 0

37

0 0

0 0

1,7

0 0

4 0

--

0 0

To

tal

1240

2 67

,5

3,7

0,7

2,8

1 2,

4 1

1,8

0 1,

5 6,

8 3,

8 2,

5 0,

2 3,

4 0,

7 0

Escher M. Anhang XXII

A14) Komplette NIR-Auswertung in Datenbank C in grafischer Darstellung Scores Plot: Betrachtung der Analysescores in 3D

Escher M. Anhang XXIII



Escher M. Anhang XXIV

Inhalt der beigefügten CD-ROM Ordner- und Dateistruktur: Diplomarbeit.doc Diplomarbeit.pdf Versuchsergebnisse

�

Versuchsreihe A1 Siebanalyse und Korngrößenverteilung

�

Siebanalyse.xls �

Versuchsreihe A2 Rohdichtebestimmung_Wasseraufnahme Flüssigkeitspyknometer

�

Glaspyknometer.xls

� Versuchsreihe A3 Rohdichtebestimmung Geopyknometer

� Daten Geopyknometer

�

Rohdichte-Geopyknometer.xls �

Versuchsreihe A4 Reindichtebestimmung Heliumpyknometer + Porosität

� Scans

� Reindichte.xls / Porosität.xls

� Versuchsreihe A5 Intensitäten

� Intensitäten.xls

� Versuchsreihe NIR- Spektroskopie

� Abbildungen

� Datenbanktest

� Mittelwerte

� Spektren Baustoffe

� Wasseranteil- Test

� Datenbank A.lrp

� Datenbank B.lrp

� Datenbank C.lrp

� Kreuztabellen_Auswertungen.xls

� NIR- Gesamt.xls

Escher M. Selbstständigkeitserklärung XXV

Selbstständigkeitserklärung Hiermit erkläre ich, dass ich die vorliegende Arbeit selbständig und nur unter Verwendung

der angegebenen Quellen und Hilfsmittel angefertigt habe.

Weimar, 07.12. 2010

Martin Escher

Escher M. Thesen der Diplomarbeit XXVI

Thesen zur Diplomarbeit

1. Anhand der Wasseraufnahme ist keine Verbindung zur NIR- Erkennbarkeit

festzustellen, da Porenbeton mit einer sehr guten NIR- Erkennung eine sehr hohe

Wasseraufnahme vorweist und Leichtbeton mit einer vergleichsweise hohen

Wasseraufnahme eine recht niedrige NIR- Erkennbarkeit aufweist. Trotz dessen ist

ein gewisser Trend erkennbar: Je höher die Wasseraufnahme desto besser die NIR-

Erkennbarkeit

2. Die Porosität als charakteristische Eigenschaft eines Baustoffes ist kaum in

Zusammenhang mit der NIR- Erkennung zu stellen, weil Porenbeton eine sehr

hohe Porosität hat und Leichtbeton ebenfalls eine vergleichsweise hohe Porosität

aufweist im Gegensatz zu anderen untersuchten Baustoffen, aber ihre NIR-

Erkennungsergebnisse gegensätzlich ausfallen. Ein ähnlicher Trend wie bei der

Wasseraufnahme ist festzustellen.

3. Aufgrund der ermittelten Korngrößenverteilungen lassen sich nur grobe

Zusammenhänge zur NIR- Erkennung ableiten, da Beton und Leichtbeton eine fast

identische Korngrößenverteilung haben und eher mittelmäßige NIR-

Identifizierungen aufweisen, Porenbeton und Kalksandstein ebenfalls andere aber

ähnliche Korngrößenverteilungen besitzen aber wesentlich bessere Werte bei der

NIR- Erkennung erzielen. Demgegenüber steht die gute NIR- Erkennung des

Ziegelsteins, der aber eine zu Porenbeton und Kalksandstein verschiedene

Korngrößenverteilung besitzt.

4. Anhand der physikalischen Charakteristika von Rein- und Rohdichte ist keine

Abhängigkeit zur NIR- Erkennung festzustellen.

5. Je größer die Spektrenvielfalt in einer aufgestellten Datenbank in Form von

unterschiedlichen Baustoffen ist, desto niedriger ist die Zuordnung mittels NIRS.

6. Die NIR- Erkennung bei Analyse von mehreren Spektren pro Baustoff anhand

ihrer berechneten Mittelwertspektren ist vergleichsweise schlecht.

Escher M. Thesen der Diplomarbeit XXVII

7. Bei Untersuchungen von Spektren ist es hilfreich diese mit Datenbanken

auszuwerten, jedoch verfälscht es etwas das Ergebnis wenn die betrachteten

Spektren schon in der Datenbank vorhanden sind.

8. Testspektren verschiedener Baustoffe, die nicht in der Datenbank implementiert

sind, werden zu durchschnittlich 75 % in der jeweiligen Datenbank richtig

zugeordnet

9. Steigt der Wassergehalt einer Probe deren NIR- Spektrum aufgenommen werden

soll, sinkt die Identifizierung dieser mittels NIRS. Je höher der Wassergehalt einer

mineralischen Probe desto niedriger die NIR- Erkennung.

10. Reiner Gips und Betonsorten mit unterschiedlichen Gipsgehalten werden im NIR

gut unterschieden und dementsprechend auch erkannt.

11. Asbest und Faserzement werden bei Betrachtung der jeweiligen Spektren gut

unterschieden und vollständig erkannt.

12. Aufgrund von Einteilungen, in welchem Nanometerbereich die NIR- Analyse

vollzogen werden soll, verändert sich die Erkennbarkeit.

13. Spektren mineralischer Baustoffe werden anhand einer Datenbank mit ähnlichen

Baustoffspektren mit guten Ergebnissen erkannt, außer Beton und Leichtbeton.

14. Bei Auswertung der Baustoffspektren entsprechend der Differenzierung, stellen

sich gute Ergebnisse bei Betrachtung der 1. und 2. Ableitung dar.

15. Die Erkennung mineralischer Proben mittels NIR- Spektroskopie funktioniert mit

einer Wahrscheinlichkeit von 60 bis 90 % die durchschnittlich anhand der

Untersuchungen erzielt wurde, entsprechend der Spektrenvielfalt in aufgestellten

Datenbanken.

Documents

Diplomarbeit NIR - LLA Instruments GmbH GER/NIR... · LIBS Laserinduzierte Breakdown Spektroskopie LIPS Laserinduzierte Plasmaspektroskopie LS Lernset LVP Leichtstoffverpackungen