Chancen und Risiken bei der Verwertung von Tunnelausbruchmaterial

In den letzten Jahren sind in Österreich die umfangreichsten Tunnelbauvorhaben in Arbeit. Tunnelausbruchmaterial (TUA) ist Aushubmaterial zuzuordnen und somit als Abfall zu betrachten.

Auch deshalb macht Aushubmaterial mit rund 60% den größten Anteil aller Abfälle je Jahr in Österreichs aus. Das Ziel, Abfälle in den nächsten Jahren drastisch zu verringern, kann deshalb nur über die Steigerung der Verwertung von Bodenaushub und damit auch von TUA erreicht werden. Bei ungebundenen Verwertungen werden häufig große Mengen an TUA an einem Ort für eine Geländegestaltung eingebaut. Aus diesem Grund muss geprüft und sichergestellt werden, dass von dem TUA keine nachteiligen Wirkungen auf Schutzgüter (vorrangig Grundwasser) ausgehen. 

Beton wird im Tunnelbau vorrangig als mineralisches Stützmittel eingesetzt und ist folglich auch in TUA in meist untergeordneten Mengenanteilen enthalten. Anhand von Analysendaten mehrerer Tunnelbauvorhaben werden stoffliche Risiken vorgestellt und mögliche nachteilige Auswirkungen auf eine Verwertung diskutiert. Die Beispiele behandeln die Parameter pH-Wert, elektrische Leitfähigkeit, Chrom und Aluminium sowie Nitrat, Nitrit und Ammonium. 



Copyright: © Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben
Quelle: Recy & Depotech 2024 (Dezember 2024)
Seiten: 6
Preis inkl. MwSt.: € 3,00
Autor: Dr. Manfred Nahold

Artikel weiterleiten In den Warenkorb legen Artikel kommentieren


Diese Fachartikel könnten Sie auch interessieren:

Anwendung von FOST zur Annotierung von Metallverbundabfällen
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
In diesem Paper wird ein halbautomatischer Video-Annotation-Ansatz vorgestellt, der den Annotierungsaufwand im Bereich des maschinellen Sehens erheblich reduziert. Das entwickelte Tool, genannt „Fast Object Segmentation and Tracking Tool“ (FOST), wurde speziell für das KIRAMET-Projekt zur Segmentierung und Verfolgung von Metallverbundabfällen entwickelt.

Metal recovery over the product life cycle
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
The voestalpine Group's High Performance Metals Division is globally known for producing high-quality steels using well defined combinations of alloy elements and sophisticated production techniques. What makes these steels special is the set of exceptional properties such as resistance to corrosion and heat, high purity, and extreme durability that makes our products suitable for diverse applications, from aviation to construction of turbine blades and high pressure die casting tools.

Verwertungsmöglichkeiten von Bettaschen aus der Abfallverbrennung
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
Wirbelschichtfeuerungsanlagen machen etwa ein Drittel der österreichischen Abfallverbrennungskapazität aus. In diesen Verbrennungsanlagen entstehen unter Anderem Bettaschen als fester Rückstand. Diese enthalten große Mengen an Glas, sowie Metalle und inerte Materialien wie Keramik, Steine, Beton oder Ziegel. Mittels moderner Aufbereitungstechnologie ist es möglich, in den Bettaschen enthaltene Wertstoffe rückzugewinnen.

Recycling-Baustoffe ohne Abfallende?
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
Es gibt gesetzliche Vorschriften zum Abfallende im deutschen Kreislaufwirtschaftsgesetz (KrWG) ebenso wie im österreichischen Abfallwirtschaftsgesetz (AWG). Diese sind zum Teil nur unvollständig gegenüber den gemeinschaftsrechtlichen Vorgaben. In jedem Fall werden bezogen auf den Einzelfall für das Abfallende Entscheidungen des Abfallerzeugers oder - besitzers erforderlich. Diese Feststellung gilt auch mit Rücksicht auf die untergesetzlichen Vorschriften zum Abfallende.

Klassifizierung von Metallschrott mittels Deep Learning Methoden
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
In diesem Beitrag wird gezeigt, wie kupferhältige Partikel in einer Shredderfraktion mittels Convolutional Neural Networks erkannt werden können. Hierzu wurden 20 CNN-Architekturen auf Basis der erreichbaren Vorhersagegenauigkeit und Inferenzlatenz miteinander verglichen.

Name:

Passwort:

 Angemeldet bleiben

Passwort vergessen?