Die Technische Anleitung zur Reinhaltung der Luft (TA LUFT, 2002) enthält im Hinblick auf das Staubverhalten Anforderungen an Lagerplätze bei Anlagen zur Herstellung von Holzspanplatten, Holzfaserplatten oder Holzfasermatten. Da weder die Probenahme noch das Siebverfahren vorgegeben sind, sollte ein Methodenvorschlag zur Holzsiebung erarbeitet und abgeprüft werden. Veröffentlicht in Texte | 51/2011.
Das Projekt "Hot gas-cleaning" wird vom Umweltbundesamt gefördert und von DMT-Gesellschaft für Forschung und Prüfung mbH durchgeführt. General Information: Descriptions of the individual parts of the project are given below. Removal of trace elements in hot gas cleaning systems (CSIC). Study of the capture of trace elements by a range of different sorbents - mainly metal mixed oxides, clay materials and alkaline-earth carbonates but also some alumina and siliceous materials - in two laboratory scale reactors (a fixed bed and a fluidised bed) at temperatures between 550 and 750 degree C. Different compositions of the simulated coal gas stream will also be tested. Different sorbents, temperatures and stream gas composition will be studied during each of three periods of six months in each of the three years of the programme. Hot H2S Removal by using waste products as solvents (TGI). Testing of red mud (a residue from aluminium manufacture) and electric arc furnace dust (a residue from steel making) as sorbents for hot dry desulphurisation of coat derived fuel gas. These materials have been chosen as containing potential sorbents including calcium, iron, zinc and manganese oxides. Tests will be carried out in a laboratory-scale pressurised reactor. Use of carbon materials and membranes for hot gas clean up (DMT). Study of the potential use of carbon materials for removing trace metals and sulphur compounds from hot gasification gases (also potentially the separation of light gases such as hydrogen), taking advantage of the stability of carbon at high temperature and in corrosive atmospheres. A bed of carbon (or, where appropriate, another material) alone or in combination with a carbon filtering membrane installed in a laboratory gas circuit will be used: - to study the effect on composition of passing gas from a gasifier through a bed of activated carbon or a carbon molecular sieve at various temperatures, pressures and flow rates. - to repeat the studies as above with a filtering membrane made from carbon added. - to study the combination of sorption/filtration and catalytically active materials (i.e. using catalysts for the CO shift and for hydrogenation). The use of other compounds such as zeolitic membranes or granular beds will also be considered and the advantages of using combined gas clean up systems will be reviewed in the light of the data obtained. Development of improved stable catalysts and trace elements capture for hot gas cleaning in advanced power generation (CRE Group). Studies will be carried out on existing equipment to improve and assess catalysts based on iron oxide on silica and titania with mixed metal oxides to remove ammonia, hydrogen cyanide, hydrogen chloride, arsine, hydrogen sulphide and carbonyl sulphide. Selected catalysts will be tested at pressures up to 20 bar and temperatures in the range 500 - 800 degree C using simulated atmospheres. ... Prime Contractor: Deutsche Montan Technologie, Gesellschaft für Forschung und Prüfung mbH (DMT); Essen; Germany.
Das Projekt "Gas-enrichment installation to upgrade coal-mine gas for the use in the Oberhausen gas distribution network" wird vom Umweltbundesamt gefördert und von Ruhrkohle AG durchgeführt. Objective: To build a compressor and a gas-enrichment installation (pressure-change-adsorption system) to bring the coal-mine exhaust gas of the Sterkrade mines to a fuel value equivalent to that of natural gas and feed this gas into the gas network of Oberhausen. The nominal output of the installation is 3500 Nm3/h of upgraded gas. The reuse of the mine exhaust gas currently flared is estimated to save 9,152 TOE/year. In the FRG there are 22 coal-mines where this technology could be applied with similar benefits leading to a total saving of 1 per cent of the gas imported in the FTG (62.9 billion m3) equivalent to 192,890 TOE/year. General Information: The Sterkrade pit has 3 gas suction devices whose function is to eliminate the methane gas from the coal-mine. Some 20 per cent of the mine gas can be reused in the central boiler of the mine, but 80 per cent finds no application and is flared. This project intends to upgrade this gas to a quality suitable for distribution in the natural gas network of the town. The mine gas contains a methane portion varying from 26 to 44 per cent and must be enriched to 87 per cent. This is achievable by using a 'pressure-change-adsorption' installation (DWA-Anlage) which consists of separation-columns and a buffer storage tank containing molecular sieves. The mine gas passes through the separation-columns where the methane is adsorbed leaving a methane-free exhaust which is then partly recirculated into another column where it re-collects the previously adsorbed methane until the necessary concentration. The upgraded gas is then compressed and fed +/- 80 per cent into the network, and the remaining 20 per cent is used for covering the requirements of the mine. The total cost of the project amounts to DM 10,619,590.-. The 'DWA' equipment will be installed by Berghau AG Niederrhein (BAN), a 100 per cent subsidiary of the contractor. A contract covers the subcontracting by Ruhrkohle to BAN. Patent coverage exists.
Das Projekt "Middle temperature drying of extracted sugar beet pulp by using secondary energy" wird vom Umweltbundesamt gefördert und von Elektronenstrahltechnik Nord GmbH & Co. (ETN) durchgeführt. Objective: Aims to demonstrate a sugar beet convection dryer that uses waste heat within a sugar refinery. Heat from evaporators, condensers and surplus steam is used to pre-heat ambient air entering the dryer. The dryer consists of several circular horizontal sieve plates which are fixed to a rotating shaft. This is contained by Asilo like structure. Air fed into the dryer is 70-90 degree of Celsius. The beet pulp is transferred from one plate to another to the base of the dryer. The process is 82 per cent more efficient, saving 1.28 t/h oil, about 2272 t/y oil. The process technology of this project is innovatory.
Das Projekt "Teilprojekt 1" wird vom Umweltbundesamt gefördert und von MAV Krefeld GmbH durchgeführt. Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen mit rezyklierten (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen reduziert. Ein zentrales Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV), die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird. Diese sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft und Analyseergebnisse sind nur mit Zeitverzug verfügbar. Folglich ist es weder möglich, frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden. Anstelle der manuellen Probenahmen und Siebanalysen soll durch das Projekt KIMBA die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein Inline-Monitoring erfolgen. Das produzierte RC-Material soll im Aufbereitungsprozess mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in Einzelpartikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird. Die erfassten KGVs sollen genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern. Ausgehend vom Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst die KGV des RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen in den Prozess eingreifen zu können. Ein KI-basiertes Assistenzsystem soll eine adaptive Steuerung des Prozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können.
Das Projekt "Teilprojekt 3" wird vom Umweltbundesamt gefördert und von Point 8 GmbH durchgeführt. Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen mit rezyklierten (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen reduziert. Ein zentrales Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV), die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird. Diese sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft und Analyseergebnisse sind nur mit Zeitverzug verfügbar. Folglich ist es weder möglich, frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden. Anstelle der manuellen Probenahmen und Siebanalysen soll durch das Projekt KIMBA die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein Inline-Monitoring erfolgen. Das produzierte RC-Material soll im Aufbereitungsprozess mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in Einzelpartikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird. Die erfassten KGVs sollen genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern. Ausgehend vom Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst die KGV des RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen in den Prozess eingreifen zu können. Ein KI-basiertes Assistenzsystem soll eine adaptive Steuerung des Prozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können. Hierbei entwickelt Point 8 in Teilvorhaben 3 prototypisch das automatisierte Qualitätsmanagement und KI-basiertes Assistenzsystem.
Das Projekt "Teilprojekt 2" wird vom Umweltbundesamt gefördert und von Kleemann GmbH durchgeführt. Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen mit rezyklierten (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen reduziert. Ein zentrales Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV), die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird. Diese sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft und Analyseergebnisse sind nur mit Zeitverzug verfügbar. Folglich ist es weder möglich, frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden. Anstelle der manuellen Probenahmen und Siebanalysen soll durch das Projekt KIMBA die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein Inline-Monitoring erfolgen. Das produzierte RC-Material soll im Aufbereitungsprozess mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in Einzelpartikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird. Die erfassten KGVs sollen genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern. Ausgehend vom Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst die KGV des RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen in den Prozess eingreifen zu können. Ein KI-basiertes Assistenzsystem soll eine adaptive Steuerung des Prozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können. Im Teilvorhaben 2 stellt KLEEMANN eine Testanlage, langjährige Expertise und entsprechende Daten für einen Demonstrator sowie ein Assistenzsystem zur Verfügung.
Das Projekt "Teilprojekt 5" wird vom Umweltbundesamt gefördert und von Deutsches Forschungszentrum für Künstliche Intelligenz GmbH durchgeführt. Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen mit rezyklierten (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen reduziert. Ein zentrales Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV), die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird. Diese sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft und Analyseergebnisse sind nur mit Zeitverzug verfügbar. Folglich ist es weder möglich, frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden. Anstelle der manuellen Probenahmen und Siebanalysen soll durch das Projekt KIMBA die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein Inline-Monitoring erfolgen. Das produzierte RC-Material soll im Aufbereitungsprozess mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in Einzelpartikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird. Die erfassten KGVs sollen genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern. Ausgehend vom Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst die KGV des RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen in den Prozess eingreifen zu können. Ein KI-basiertes Assistenzsystem soll eine adaptive Steuerung des Prozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können. Im Teilvorhaben 5 entwickelt DFKI Deep-Learning basierende Segmentierungsalgorithmen und optimiert diese für den Einsatz im Prototyp und der Demonstration.
Das Projekt "Teilprojekt 4" wird vom Umweltbundesamt gefördert und von Rheinisch-Westfälische Technische Hochschule Aachen University, Institut und Lehrstuhl für Anthropogene Stoffkreisläufe durchgeführt. Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen mit rezyklierten (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen reduziert. Ein zentrales Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV), die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird. Diese sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft und Analyseergebnisse sind nur mit Zeitverzug verfügbar. Folglich ist es weder möglich, frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden. Anstelle der manuellen Probenahmen und Siebanalysen soll durch das Projekt KIMBA die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein Inline-Monitoring erfolgen. Das produzierte RC-Material soll im Aufbereitungsprozess mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in Einzelpartikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird. Die erfassten KGVs sollen genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern. Ausgehend vom Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst die KGV des RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen in den Prozess eingreifen zu können. Ein KI-basiertes Assistenzsystem soll eine adaptive Steuerung des Prozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können. Im Teilvorhaben 4 entwickelt das ANTS die sensorbasierte KGV-Vorhersage, führt die Messkampagnen im Technikums- und Demonstratormaßstab durch und wertet sie aus.
Das Projekt "Teilprojekt 6" wird vom Umweltbundesamt gefördert und von Universität Siegen, Department Maschinenbau, Institut für Produktionstechnik (PROTECH), Lehrstuhl für International Production Engineering and Management durchgeführt. Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen mit rezyklierten (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen reduziert. Ein zentrales Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV), die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird. Diese sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft und Analyseergebnisse sind nur mit Zeitverzug verfügbar. Folglich ist es weder möglich, frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden. Anstelle der manuellen Probenahmen und Siebanalysen soll durch das Projekt KIMBA die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein Inline-Monitoring erfolgen. Das produzierte RC-Material soll im Aufbereitungsprozess mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in Einzelpartikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird. Die erfassten KGVs sollen genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern. Ausgehend vom Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst die KGV des RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen in den Prozess eingreifen zu können. Ein KI-basiertes Assistenzsystem soll eine adaptive Steuerung des Prozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können. Im Teilvorhaben 6 entwickelt das IPEM Use Cases zu unterschiedlichen Bereichen der Aufbereitung von Bauschutt und konkretisiert diese.