BAROMaL

Natürliche Gesteinskörnungen für die Betonherstellung sind in der Schweiz immer weniger zugänglich, da die Vorkommen durch Siedlungen überdeckt werden und der Aushub von Gewässern stark reguliert ist. Gleichzeitig ist Bauschutt (BS) aus Neubau und Abbruch – welcher grosse Mengen an granularen mineralischen Abfällen (Beton, Ziegelsteine und andere zerkleinerte keramische Materialien) umfasst – gegenwärtig der grösste Abfallstrom.

Die Verwendung von mineralischem BS als rezyklierte Zuschläge für Beton (RC) hat ein grosses ökologisches und wirtschaftliches Potenzial. Allerdings sind die derzeitigen Ansätze zur Definition und Optimierung von RC-Rezepturen empirisch, standardbasiert und erfordern kostspielige und zeitaufwändige Arbeiten, da die Auswirkungen von rezyklierten Zuschlägen auf die Eigenschaften von RC komplex und multifaktoriell sind. So sind die Ergebnisse einer traditionellen empirischen Entwicklung spezifisch für den verwendeten BS-Bestand und können nicht a priori auf andere Bestände übertragen werden.

Ziel dieses Projekts ist es, zur Entwicklung eines neuen, lernfähigen Tools für die Formulierung von RC-Rezepten beizutragen, das die starke Variabilität feiner rezyklierter Zuschläge effektiv verarbeiten kann. Dazu werden maschinelle Lernverfahren (Machine Learning, ML) auf Bilder von rezyklierten Zuschlägen angewendet, um die physikalische Leistung von RC vorherzusagen und die Auswirkungen von Rezepturänderungen auf die mechanischen, wirtschaftlichen und ökologischen Eigenschaften von RC zu ermitteln.

Dieses Projekt ergänzt die methodologische Untersuchung, die mit dem ORCADEMO-Projekt initiiert wurde.