Die Behandlung der insbesondere mit PCB-verunreinigten Boeden erfolgt in einer zentralen biologischen Behandlungsanlage. Nach Einlagerung des zu behandelnden Bodens in drei Behandlungsfelder in geschlossener Leichtbauweise mit einer Gesamtkapazitaet von 7 125 m3 wird der Boden mit Klaeranlagenwasser, das mit Mikroorganismen angereichert ist (Patent BASF Lacke + Farben AG) berieselt. Um die hoechste Abbauaktivitaet der Mikroorganismen zu erreichen, wird die Raumluft auf 20 bis 42 Grad Celsius erwaermt. Gleichzeitig wird erwaermte Luft von unten in den Boden gepresst. Die abgesaugte Hallenluft wird ueber einen Aktivkohlefilter abgeleitet. Fuer die Verrieselung wird Brauchwasser (Klaeranlagenwasser oder Oberflaechenwasser) verwendet, das im Bedarfsfall in einem Vorlagetank mit Naehrstoffen versetzt wird. Der gereinigte Boden wird einer Wiederverwertung (Strassen- und Kanalbau, Laermschutzwaelle) zugefuehrt.
Das Projekt wird an zwei Unternehmensstandorten durchgeführt: Eine neuartige Bandgießanlage zur Herstellung von Vorbändern wird in Peine errichtet. Dort sollen neue, hochfeste Stahlwerkstoffe mit hohem Mangan-, Silizium- und Aluminium-Gehalten hergestellt werden. In Salzgitter wird eine vorhandene Walzanlage zur Weiterverarbeitung der Vorbänder umgebaut. Bei der Herstellung von Leichtbaustählen sollen etwa 170 kg CO2 pro Tonne Warmband eingespart werden. Bezogen auf das Produktionsvolumen der geplanten Anlage (25.000 Tonnen) ergibt das eine CO2-Einsparung von 4.250 Tonnen pro Jahr. Darüber hinaus werden erhebliche Energieeinsparungspotenziale in der Stahl verarbeitenden Industrie erwartet. Beim Einsatz beispielsweise in Kraftfahrzeugen rechnen Experten mit einer Kraftstoffreduzierung von ca. 0,2 Liter / 100 km bzw. ca. 8 g CO2 / km. Das entspricht umgerechnet auf die produzierte Jahresmenge an Stahl etwa 8 Millionen Kraftstoff jährlich.
The increasing proportion of carbon fibre reinforced plastics (CFRP) in different branches of industry will result in an increasingly larger quantity of CFRP wastes in future. With regard to improved management of natural resources, it is necessary to add these fibres that require energy-intensive production to effective recycling management. But high-quality material recycling is only ecoefficient if the recycled fibres can be used to produce new high-quality and marketable products. Tests carried out up to now indicate that very good results can be expected for large-scale recycling of carbon fibres by means of pyrolysis. The waste pyrolysis plant (WPP) operated in Burgau is the only large-scale pyrolysis plant for municipal wastes in Germany. Use of this plant to treat CFRP wastes represents a unique opportunity for the whole Southern German economy and in particular the Augsburg economic region. In a study funded by the Bavarian State Ministry of the Environment and Health ('Bayerisches Staatsministerium für Umwelt und Gesundheit'), the specific implementation options for the recovery of carbon fibres from composites by means of large-scale pyrolysis have been under investigation since November 2010. To this end, in the first step a development study was carried out, which in particular examined the options for modifying the Burgau WPP for the recycling of CFRP. The knowledge acquired from the pyrolysis tests, the fibre tests and the economic feasibility study confirmed the positive assessment of the overall concept of CFRP recycling in Burgau. As an overall result, unlimited profitability was found for all scenarios with regard to investments in CFRP recycling in Burgau WPP. The work on the development study was carried out by bifa Umweltinstitut GmbH together with the Augsburg-based 'function integrated lightweight construction project group ('Funktionsintegrierter Leichtbau' - FIL) of the Fraunhofer Institute for Chemical Technology (ICT). Methods: analysis and moderation of social processes, economy and management consulting, process engineering
Die Qualität von Wettervorhersagen, saisonalen Simulationen und Klimaprojektionen hängt entscheidend von der Darstellung von Land-Atmosphäre (L-A) Rückkopplungen ab. Diese Rückkopplungen sind das Ergebnis eines hochkomplexen Netzwerks von Prozessen und Variablen, die mit dem Austausch von Impuls, Energie und Masse im L-A-System zusammenhängen. Derzeit gibt es in diesem Bereich erhebliche Wissenslücken, die das vorgeschlagene Projekt schließen soll. Die Land Atmosphäre Feedback Initiative (LAFI) ist ein interdisziplinäres Konsortium von Wissenschaftler:innen aus Atmosphären-, Agrar- und Bodenwissenschaften, Biogeophysik, Hydrologie und Neuroinformatik, das eine neuartige Kombination fortschrittlicher Forschungsmethoden vorschlägt. Das übergeordnete Ziel von LAFI ist es, L-A-Rückkopplungen durch synergistische Beobachtungen und Modellsimulationen von der turbulenten (ca. 10 m) bis zur Meso-Gamma-Skala (ca. 2 km) über tägliche bis saisonale Zeitskalen zu verstehen und zu quantifizieren. LAFI besteht aus einer Reihe eng miteinander verflochtener Projekte, die sich mit sechs Forschungszielen und Hypothesen befassen zu 1) alternativen Ähnlichkeitstheorien, 2) der Landoberflächen-Heterogenität, 3) der Partitionierung der Evapotranspiration, 4) dem Entrainment, 5) der synergetischen Untersuchung von L-A-Feedback und 6) eine Ad-hoc-Untersuchung von Klimaextremen, falls während des gemeinsamen Feldexperiments Dürren oder Hitzewellen auftreten. Die Zusammenarbeit zwischen den zwölf Projekten wird durch drei Querschnittsarbeitsgruppen zu tiefergehendem Lernen, Sensorsynergie und Upscaling sowie dem LAFI-Multimodell-Experiment gestärkt. Unsere Forschung umfasst A) die Erweiterung und den Betrieb des Land-Atmosphere Feedback Observatory der Universität Hohenheim mit einer einmaligen Synergie von Instrumenten, z. B. die erstmalige Kombination von Messungen von Wasserisotopen, faseroptischen Temperatursensoren und scannende Lidar-Systeme sowie die Auswertung der Langzeitdatensätze des Meteorologischen Observatoriums Lindenberg des Deutschen Wetterdienstes, B) wenig untersuchte und verstandene Prozesse im L-A-System wie z. B. Entrainment, C) die Verbesserung und Anwendung von L-A Systemmodellen bis hinunter zu den turbulenz-erlaubenden Skalen mit erweiterter Darstellung von Vegetation und stabilen Wasserisotopen, D) die Anwendung von Methoden des tiefergehenden Lernens zur Identifizierung von potenziell neue Faktoren in Prozessbeschreibungen, die in das L-A-System der nächsten Generation integriert werden sollen. Damit werden wir den mehrdimensionalen Phasenraum von L-A-Systemvariablen mit prozessbasierten Metriken über eine gesamte Vegetationsperiode charakterisieren. Gefördert durch die eng verwobene Verbundforschung ist die LAFI-Forschungsgruppe in der Lage, entscheidende neue Erkenntnisse zu gewinnen, um unser Verständnis von L-A-Rückkopplungen zu vertiefen und die Kopplungsstärken über landwirtschaftliche Regionen in Mitteleuropa zu charakterisieren.
Insbesondere der Einfluss der Eigenschaften von Vegetationskronen und ihrer räumlich-zeitlichen Dynamik auf Rückkopplungen zwischen der Landoberfläche und der Atmosphäre (d. h. Temperatur, Niederschlag, Luftfeuchtigkeit, Eigenschaften der atmosphärischen Grenzschicht) sind nicht abschließend geklärt. Ein Hauptgrund dafür ist, dass hochauflösende Beobachtungsdatenprodukte (z. B. zur Vegetationskronenfeuchte) noch nicht mit hoher räumlicher Auflösung (Dekameter-Skala) und für mehrjährige Zeitserien verfügbar sind: weder aus der Fernerkundung noch von Modellen. Darüber hinaus können Heterogenitäten der Landoberfläche (z. B. Vielfalt in der Vegetationsbedeckung) erhebliche Auswirkungen auf Rückkopplungsprozesse zwischen Baumkronen und benachbarter Atmosphäre haben, ihre Darstellung in Modellen reicht jedoch bei hohen räumlichen Auflösungen nicht aus. Um diese Lücken zu schließen, werden auf der Fernerkundung basierende Produkte entwickelt, um einige der vielfältigen unterschiedlichen Vegetationsbedingungen zu berücksichtigen. In diesem Sinne besteht die Idee von Projekt 2 darin, eine Reihe von Eigenschaften der Vegetationskrone zu überwachen, einschließlich Wassergehalt (z. B. Boden- und Vegetationsfeuchtigkeit) und Flüsse (z. B. Evapotranspiration) sowohl vor Ort (In-situ-Daten) als auch auf regionalen (Erdsystemmodelle) Skalen. Der Ansatz nutzt die potenziellen Synergien zwischen optischen, passiven und aktiven Mikrowellensensoren, die ergänzende Informationen bieten, um Fernerkundungssignale (z. B. Mikrowellendämpfung) in biophysikalische Variablen (z. B. gravimetrische Vegetationsfeuchtigkeit, Evapotranspiration oder Vegetationsstruktur und -dichte) umzuwandeln. Diese einzigartigen und beispiellosen Datensätze der satellitengestützten Multisensor-Fernerkundung werden in Land-Atmosphäre (L-A) Modelle eingespeist, um Grenzschichteigenschaften und L-A-Rückkopplungen zu bestimmen und zu analysieren. Alle diese Landoberflächenvariablen können synergetisch dazu beitragen, den Zusammenhang zwischen Boden, Vegetation und den Prozessen der atmosphärischen Grenzschicht zu verstehen und L-A-Modelle zu initialisieren. P2 konzentriert sich direkt auf die hochauflösende (Dekameter-Skala) Bestimmung von Zuständen und räumlich-zeitlichen Dynamiken der Feuchtigkeit, Temperatur und Topographie der Vegetationskrone, um Feuchtigkeits- und Temperaturverteilungen zur Beurteilung der Transpiration und der Form sowie der 3D-Dynamik der atmosphärischen Rauheitsunterschicht nach zu verfolgen. Dies wird durch die Kombination von Multisensor-Fernerkundungsbeobachtungen (z. B. Copernicus Sentinel-Satelliten und weltraumgestützte LiDARs) erreicht. Räumlich-zeitlich dynamische Informationen dieser Vegetationsvariablen werden für die Integration in die Reihe an Land-Atmosphäre-Modellen von LAFI vorbereitet, um Grenzschichteigenschaften zu bewerten und L-A-Rückkopplungen zu verstehen.
Deep Learning (DL) hat sich auch in den Erdsystemwissenschaften in den letzten Jahren rasant entwickelt. Allerdings ist die genaue Art, wie DL Systeme Probleme lösen kaum zugänglich (eine black box). In diesem Projekt werden wir DL und andere Ansätze des maschinellen Lernens entwickeln, um sowohl Land-Atmosphärische (L-A) Rückkopplungsprozesse besser zu verstehen als auch um quantitative Relationen herzuleiten, die aktuelle Ansätze wie die Monin-Obukhov similarity theory (MOST) übertreffen. Die interdisziplinäre Kollaboration in diesem Konsortium und die Daten, die zusammengetragen werden, wird den Erfolg dieses Projektes sicherstellen. Wie werden Daten-getriebene aber wohl-strukturierte DL und andere Ansätze des maschinellen Lernens verfolgen. Wir wollen (1) Satelliten Daten nutzen um die Landoberflächentemperatur und die Feuchtigkeit der Vegetationsschicht zu bestimmen; (2) Möglichkeiten untersuchen, die Energiebalance herzustellen; (3) Abhängigkeiten der Oberflächenflüsse vom Terrain bis hin zum Entrainment untersuchen und identifizieren, um aktuelle Ansätze wie MOST und Bulk-Richardson-Zahl zu verbessern; (4) ein erstes Foundation-Modell entwickeln, um den Phasenraum zu analysieren und multiple L-A Relationen generieren zu können. Wir werden dabei vier Hauptansätze des maschinellen Lernens nutzen: (A) DL Methoden, die darauf optimiert sind, mit Hilfe von redundanten Daten die räumliche Auflösung einer Datengröße zu erhöhen; (B) die Parametrisierung von Physik-basierten Gleichungen und deren Approximation; (C) die Integration von physik-informierten Induktiven Biases in DL, um das Lernen und die Generalisierung zu verbessern; (D) selbst-informiertes und konrastierendes DL zur Entwicklung eines L-A Foundation Modells. Alle Techniken werden die inhärent limitierte Vorhersagbarkeit der Prozesse berücksichtigen. Um unser Verständnis der L-A Kopplungsprozesse zu verbessern, werden wir DL und andere Ansätze des Maschinellen Lernens schachteln und Relevanzanalysen durchführen. Dadurch werden wir fundamentale, teilweise neue Zusammenhänge, Prozessgleichungskomponenten, Prozessparametrisierungen und notwendige Berechnungsschritte ergründen - insbesondere solche, die für die Generierung von akkuraten und allgemein gültigen Relationen zwischen atmosphärischen Variablen notwendig sind. In Kollaboration mit P2 werden wir das Vorhersagepotential von Satellitendaten erforschen. Zusammen mit P1, P3, P5, und P6 werden wir Oberflächen- und Entrainmentflussrelationen ableiten, Komponenten der Energiebalance herleiten, und Evapotranspiration aufspalten. Unser Projekt führt CCWG-DL. Es wird Hilfestellungen und Workshops anbieten, um andere Daten effektiv mit Verfahren des maschinellen Lernens analysieren zu können und weitere Relationen aufdecken zu können - wie zum Beispiel Einflüsse der Landoberflächenstruktur (P5) und die Bestimmung der Blending Height (P1). Beiträge zu O1, O2, O3, O4 und OS sind zu erwarten.
Bislang werden Textilbewehrungen vor der Bauteilherstellung getränkt und ausgehärtet. Diese relativ steifen Halbzeuge eignen sich nicht zur Herstellung komplexer Bauteile auf Basis der neuen kontinuierlichen Fertigungsprozesse wie 3D-Betondruck und Betonextrusion, da ein Großteils der Formflexibilität durch die etablierte Offline-Konsolidierung verloren geht. TP B02 (Gries) untersucht daher die zeitliche Verschiebung des Umform- und Konsolidierungsschrittes mittels Prepregsystemen in den Betonageprozess. Neben bekannten Aushärtemechanismen wie z. B. Wärme oder UV-Strahlung werden neue Ansätze wie bspw. die Aktivierung über die Alkalität des Betons, über Mikrowellen oder mittels Induktion für eine Inline-Fertigung von Carbonbeton erforscht.
Stetig steigende Energiekosten und sich verschärfende gesetzliche Vorschriften machen es notwendig, die Wirkungsgrade in allen Arten von Maschinen und Anlagen konsequent zu erhöhen. Infolgedessen werden Strukturen immer mehr unter Aspekten des Leichtbaus ausgeführt und schwingungsdämpfende Einflüsse systematisch reduziert. Als Konsequenz dieser Maßnahmen ergibt sich eine höhere Empfindlichkeit gegenüber Vibrationen. Deswegen ist es dringend notwendig, Schwingungen mechanischer Strukturen wirksam, gezielt und situationsangepasst zu mindern, ohne dabei die Funktion oder den Wirkungsgrad der Maschine als Ganzes nennenswert zu beeinflussen. Als besonders herausfordernd stellen sich hierbei ausgedehnte Strukturen dar - wie z.B. Verkleidungen, Karosserieteile, Flugzeugflügel, etc. Solche Strukturen weisen etliche Resonanzfrequenzen auf, können über die Oberfläche besonders intensiv Schall abstrahlen und lassen sich meist durch einzelne, konzentriert aufgebrachte Maßnahmen nicht wirksam beruhigen. Flächige Dämpfungsmaßnahmen stellen daher einen naheliegenden Lösungsansatz dar. Die klassischerweise hierbei eingesetzten Dämmmatten erweisen sich jedoch in der Regel als nur bedingt effizient und lassen kaum eine differenzierte Ausgestaltung der Maßnahmen zu. Motiviert durch den vorgenannten Befund besteht das primäre Ziel dieses Antrags in der Entwicklung flächiger induktiver Dämpfungselemente ('smart arrays') mit intelligenten und adaptiven Eigenschaften. Elektromagnetische Konzepte stellen dabei eine vielversprechende Basis dar und können leicht auf Oberflächen ausgedehnter Strukturen aufgebracht werden. Im Vergleich zu klassischen, stark lokalisierten Maßnahmen bieten solche Ansätze eine Reihe von Vorteilen: neben dem Vermeiden örtlich konzentrierter Dissipationsleistung, lassen sich bspw. auch gezielt bestimmte Schwingformen bedämpfen, oder aber Strukturen ortsdifferenziert beeinflussen. Durch die Möglichkeiten zur einfachen Verschaltung und Kombination der Module sowie zur gezielten Auslegung und Nutzung physikalischer Nichtlinearitäten besteht zudem ein besonderes Potential zur Entwicklung situationsadaptiver Anordnungen. Darüber hinaus ist zu erwarten, dass induktionsbasierte Module von einer verteilten Anwendung zusätzlich profitieren: Da lokal geringere Dissipationsleistungen auftreten sinkt auch die magnetische Flussdichte und führt somit auf einen geringeren Materialbedarf und weniger Gewicht. Der vorgeschlagene Ansatz ist durch Vorarbeiten verschiedener Teilprojekte des Schwerpunktprogramms SPP 1897 'calm, smooth and smart' motiviert und fügt sich nahtlos in den Rahmen der zweiten Förderungsphase ein. Über das Schwerpunktprogramm hinaus könnten solche 'smart arrays' zukünftig vielfältige Anknüpfungspunkte für Produktentwicklung, Materialforschung, Additive Fertigung, MEMS und Energy Harvesting entstehen lassen.
| Organisation | Count |
|---|---|
| Bund | 2091 |
| Land | 13 |
| Weitere | 34 |
| Wirtschaft | 3 |
| Wissenschaft | 528 |
| Zivilgesellschaft | 36 |
| Type | Count |
|---|---|
| Förderprogramm | 2090 |
| Text | 37 |
| Umweltprüfung | 2 |
| unbekannt | 1 |
| License | Count |
|---|---|
| Geschlossen | 42 |
| Offen | 2088 |
| Language | Count |
|---|---|
| Deutsch | 2104 |
| Englisch | 105 |
| Resource type | Count |
|---|---|
| Bild | 1 |
| Dokument | 24 |
| Keine | 1222 |
| Webseite | 887 |
| Topic | Count |
|---|---|
| Boden | 1257 |
| Lebewesen und Lebensräume | 1017 |
| Luft | 1245 |
| Mensch und Umwelt | 2101 |
| Wasser | 600 |
| Weitere | 2130 |