TEX2MAT-Entwicklung neuer Aufbereitungsmethoden zum Recycling von Multi-Material-Textilabfällen
Die gesetzlichen Vorgaben der EU zur Kreislaufwirtschaft stellen die KMU-geprägte Textilbranche in Österreich vor eine große Herausforderung, da die hohen Wachstumsraten und die starke Tendenz zu Multi-Material-Textil-Lösungen das stoffliche Recycling noch zusätzlich erschweren.
Zur Vermeidung von Deponierung und Verbrennung bzw. zur Ressourcenschonung und Senkung der CO2-Emissionenwird das Schließen der Kreisläufe von Rohstoff zu Rohstoff zwingend notwendig. Das Projekt TEX2MAT („Textiles to Material“) wird daher durch eine innovative Kooperation von Firmen und Forschungseinrichtungen für gezielt ausgewählte Anwendungsbereiche(Handtücher, Arbeitskleidung, technische Vliese und technische Spritzguss-Bauteile) Sekundärrohstoffe durch stoffliches Recycling von Multi-Material-Textilabfällen bereitstellen. Erwartetes Hauptergebnis ist ein durch drei reale Case-Studies abgesicherter und KMU-tauglicher TEX2MAT-Ablaufprozess, der neue Technologien der enzymatischen Faser-Trennung mit dem Faser-Upgrading und der Textil- und Kunststoffverarbeitung über Unternehmensgrenzen hinweg qualitätsgesichert kombiniert. Die österreichische Textil- und Kunststoffbranche profitieren vom Projekt durch neues Know-how zur Standortsicherung, durch Senkung der Rohstoffkosten (-10 %) (Katschnig & Holzer 2016), Entwicklung neuer Anwendungen und durch messbare Beiträge zur Schonung der Umwelt (-50 % CO2) (Katschnig & Holzer 2016).
| Copyright: | © Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben | |
| Quelle: | Recy & Depotech 2018 (November 2018) | |
| Seiten: | 4 | |
| Preis inkl. MwSt.: | € 2,00 | |
| Autor: | Dipl.-Ing. Uta Jenull-Halver  | |
| Artikel weiterleiten | In den Warenkorb legen
| Artikel kommentieren |
Diese Fachartikel könnten Sie auch interessieren:
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.
Kaskadierte Anwendung von Foundation Models als Verfahren zur Beschreibung von Leichtverpackungsstoffströmen im Recycling
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
Bildbasierte Sortierung von Wertstoffen liefert einen essenziellen Beitrag zur längeren Nutzung von Sekundärrohstoffen in der Kreislaufwirtschaft. Dazu werden aktuell neue Hochdurchsatzverfahren zur bildbasierten Abfallsortierung unter Nutzung von trainierbaren KIMethoden erforscht und etabliert.
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.
Verbesserung der Abfalltrennung im öffentlichen Raum - Erkenntnisse aus einer Feldstudie
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
Die getrennte Sammlung stellt eine wichtige Grundlage in einer kreislauforientierten Abfallwirtschaft dar. Insbesondere im Bereich der Kunststoff- und Verpackungsabfälle ist eine weitere Verbesserung der getrennten Sammlung notwendig.
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.
