Nachhaltigkeitsintegrierte prädiktive Modellierung von Kalksandsteineigenschaften mittels Verfahren des maschinellen Lernens

Der European Green Deal, das deutsche Klimaziel der Netto-Treibhausgasneutralität bis 2045 und steigende Energiepreise erhöhen den Transformationsdruck auf die Kalksandsteinindustrie. Ziel dieser Arbeit ist die Entwicklung eines auf maschinellem Lernen basierenden Modells, das Zusammenhänge zwischen Prozess- und Herstellungsparametern sowie Rohdichte und Steindruckfestigkeit unter Einbeziehung ökologischer und ökonomischer Kenngrößen beschreibt. Auf Basis von 3.260 Kalksandsteinserien aus 19 Forschungsprojekten mit rund 683.500 Einzelmesswerten wurde XGBoost als am besten geeigneter Ansatz identifiziert und auf Technikumsebene validiert. Das Modell erklärt 95 % der Varianz der Rohdichte und 86 % der Varianz der Steindruckfestigkeit und ermöglicht Vorwärts- und Rückwärtsprognosen. Die Modellfunktionen wurden in ein numerisches Tool zur Ableitung kosten- und emissionsoptimierter, technisch robuster Rezeptur- und Prozessparameter überführt. Ergänzend wurde ein Strukturgleichungsmodell zur Bewertung von Ökologie, Ökonomie und Technik entwickelt. Hohe Nachhaltigkeitswerte werden insbesondere durch reduzierte Kalkdosen, geeignete Sandauswahl und optimierte Sieblinien bzw. Packungsdichten erreicht.