Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Gemischte Leichtverpackungsabfälle gelten in der Industrie als schwierige Rohstoffquelle. Ihre Zusammensetzung schwankt stark. Verunreinigungen und unterschiedliche Alterungszustände machen es bisher kaum möglich, daraus Rezyklate mit stabiler, vorhersehbarer Qualität zu gewinnen. Das ist aber Voraussetzung, damit Hersteller Sekundärkunststoffe in sensiblen Anwendungen einsetzen können. Das Forschungsprojekt K3I-Cycling, gefördert durch das Bundesministerium für Forschung, Technologie und Raumfahrt, liefert dafür neue Methoden.
Qualitätscluster statt Bauchgefühl
Das Fraunhofer-Institut für Betriebsfestigkeit und Systemzuverlässigkeit LBF leitet im Projekt das Arbeitspaket zur Rezyklat-Herstellung. Beteiligt sind insgesamt 16 Partner aus Industrie und Forschung. Der Kern der Methodik: Polyolefin-Rezyklate werden maschinell nach Alterungszustand und Verunreinigungsgrad klassifiziert. Daraus entstehen definierte Qualitätscluster mit belastbaren Materialkennwerten.
Diese Kennwerte sind kein akademisches Nebenprodukt. Sie können in neue Normen einfließen und als Grundlage für digitale Produktpässe dienen. Für Einkäufer und Qualitätsverantwortliche in der Industrie bedeutet das: Rezyklate werden vergleichbar. Kaufentscheidungen lassen sich auf Datenbasis treffen, nicht auf Erfahrungswerte.
Additivpakete verbessern die Materialeigenschaften gezielt
Neben der Klassifizierung entwickelt das Fraunhofer LBF sogenannte Additivpakete, darunter auch biobasierte Stabilisatoren. Sie sollen die Eigenschaften der Rezyklate gezielt anheben, ohne den Recyclingkreislauf mit neuen Fremdsubstanzen zu belasten. Die Rezyklat-Herstellung erfolgt sowohl im Labor- als auch im Pilotmaßstab, damit sich Ergebnisse auf Produktionsbedingungen übertragen lassen.
Ein besonderes Augenmerk liegt auf Anwendungen mit Lebensmittelkontakt. Hier gelten strenge gesetzliche Anforderungen. Bisher scheitert der Einsatz von Recyclingkunststoff in dieser Produktkategorie häufig an mangelnden Qualitätsnachweisen. Die im Projekt erarbeiteten Kennwerte sollen diese Lücke schließen.
Artificial Neural Twin optimiert die gesamte Sortierkette
Das Projekt geht über die Materialentwicklung hinaus. Ein eigens entwickeltes digitales Modell, der Artificial Neural Twin, bildet die gesamte Prozesskette ab: von der Sammlung im Gelben Sack bis zur Abnahme durch den Endverarbeiter. Das Modell erlaubt es, einzelne Parameter wie Reinheitsgrad, Logistikwege oder Kosten gezielt zu variieren und deren Wirkung auf die gesamte Wertschöpfungskette zu simulieren.
Für Betriebe, die eigene Sortier- oder Aufbereitungsanlagen betreiben, ist das relevant. Sie können Stellschrauben identifizieren, ohne kostspielige Feldversuche durchführen zu müssen.
Brandschutz in Sortieranlagen: KI erkennt Lithium-Batterien
Ein weiteres Modul des Projekts adressiert ein konkretes Betriebsrisiko. Lithium-Batterien gelangen regelmäßig in den Leichtverpackungsstrom. In Sortieranlagen lösen sie Brände aus, die zu wochenlangen Produktionsausfällen führen und erhebliche Sachschäden verursachen können.
Das im Projekt entwickelte System DangerSort erkennt solche Batterien automatisch und schleust sie aus, bevor sie Schaden anrichten. Sowohl kommunale Entsorgungsbetriebe als auch industrielle Sortieranlagen können davon profitieren. Die Anlagen laufen zuverlässiger, Ausfallzeiten sinken.
Bedeutung für Einkauf und Produktion
Die europäische Gesetzgebung erhöht den Druck auf Hersteller, Rezyklate einzusetzen. Verbände wie der BDE fordern, dass Industrie und Handel ihren Anteil an Sekundärrohstoffen steigern. Wer Rezyklate bisher meidet, tut das oft wegen fehlender Qualitätssicherheit, nicht aus mangelndem Willen.
Wenn Materialqualität messbar und dokumentierbar wird, entfällt ein zentrales Hemmnis. Einkäufer erhalten eine Verhandlungsgrundlage. Produktionsplaner können Rezyklate in Spezifikationen aufnehmen. Unternehmen, die CO₂-Emissionen entlang der Lieferkette, also Scope-3-Emissionen, reduzieren müssen, gewinnen einen belegbaren Hebel.
Fazit
K3I-Cycling liefert keine Versprechen, sondern Methoden. Die Kombination aus KI-gestützter Klassifizierung, gezielter Additivierung und digitalem Prozessmodell schafft die Grundlage, um Recyclingkunststoff aus Leichtverpackungen industriell belastbar einzusetzen. Ob Verpackungshersteller, Zulieferer oder Betreiber einer Sortieranlage: Die Ergebnisse des Projekts sind praxisrelevant. Die Frage ist nicht mehr, ob Rezyklate qualitätstauglich sein können, sondern wie schnell die Branche die neuen Methoden in Standards überführt.
