diplomarbeit nir - lla instruments gmbh ger/nir... · libs laserinduzierte breakdown spektroskopie...
TRANSCRIPT
Bauhaus Universität Weimar
Fakultät Bauingenieurwesen
Professur Aufbereitung von Baustoffen und Wiederverwertung
Untersuchungen zur Sortierbarkeit von heterogenen Abbruchgemischen mittels Nahinfrarot-Technik
Diplomarbeit Bearbeiter: B.Sc. Martin Escher geb. am 04. 03. 1984 in Ilmenau Matr.-Nr.: 31147 Erstprüfer: Univ.-Prof. Dr.-Ing. habil. Anette Müller Zweitprüfer: Dipl. Ing. Thomas Schnellert Betreuer: Dipl.-Ing. Thomas Schnellert Eingereicht am: 07. 12. 2010
Escher M. Vorwort
Vorwort Die vorliegende Diplomarbeit wurde im Zeitraum von Juni 2010 bis Dezember 2010 an der
Bauhaus Universität Weimar, Professur Aufbereitung von Baustoffen und Wiederverwertung
angefertigt. Das Thema der Arbeit ging aus der Studienarbeit „Sensorgestützte
Sortierungsverfahren“ hervor und wurde mit technischer Unterstützung der Fa. LLA, Berlin
ermöglicht.
Für die mir zur Verfügung gestellten Räumlichkeiten und technischen Ausrüstungen möchte
ich mich bei Frau Prof. Anette Müller und allen Mitarbeitern der Professur, die mich bei der
Durchführung der Diplomarbeit mit Rat und Tat unterstützt haben, sowie der Fa. LLA, Berlin,
die den mobilen Versuchsstand zur Verfügung gestellt haben, bedanken. Mein spezieller
Dank gilt dabei meinem Betreuer Herrn Dipl.-Ing. Thomas Schnellert, der mir stets mit
tatkräftiger Unterstützung bei der Anfertigung und wissenschaftlichen Betreuung der Arbeit
beiseite stand.
________________________
Weimar, 07.12.2010 cand.-Ing. Martin Escher
Escher M. Abstract
Abstract
With present state of the technology the resulting mixtures by the demolition of concrete,
lightweight concrete, lime sandstone, pore concrete and brick stone cannot be separated
kinds-purely. With the NIR-technology these building materials are calibrated with measuring
conditions and measure technology and will separate breakdown materials tried around the
possibility to create high-quality recycled manufacture, since with conventional separation
processes only heavily an assortment of these building materials is to be mastered. A NIR-
spectrum library for mineral building materials and breakdown material in unused form was
provided. The employment of the measuring technique regarding the separation from building
debris into different categories is judged in the work. Unused mineral wall materials are
collected, prepared and fractionated by means of impact crushers.
The NIR measurement is characterised by high sample throughput, simple handling in the
laboratory, simultaneous determination of several parameters, good integrableness into the
process and by a high saving potential. The spectra can be measured within the NIR range
with extraordinarily high precision without destruction, which is to be owed to the temporally
sturdy sources of light and sensors. The permeability of glass for the NIR light is just as
favourable. This permits the use of bearing surfaces, which are not located in the direct
contact with the measuring head. In summary it can be said that in approaching infrared range
spectra of building materials can be evaluated.
On the basis of this problem, the available thesis with the assortment and separableness of
mineral building materials, which can be detected by means of NIR spectroscopy with
different results, concern themselves.
In the first part theoretical bases are given to measuring method to the topic sensor-based
assortment procedure and particularly to the NIR. Physical fundamentals and function modes
are discussed and the historical career/development up to present application is described.
The second part deals in the trial programme - collection, processing, cracking with the
characterisation of the particle size distribution of the materials which can be examined,
which is described by five groups. It is dealt further with the views of the differences in the
distributions.
Escher M. Abstract
In the third part of the thesis follows the description of the determination of the physical
characteristics of the materials, with the density, the water absorption and porosity.
Differences between that to examining materials can be derived on the basis the pure density
less well, however different values are set to determine and in the concluding chapter of the
correlation identification in dependence with the NIR recognition due to the different values
of the water absorptions and gross densities and according to also the porosity.
The fourth part in the context of the thesis describes the NIR measurement and - evaluation.
On the mathematical production analysis model as well as the admission and graphic
evaluation are entered. Different recognition of the building materials are determined and in
tabular diagrams among themselves were compared. Some further tests were accomplished,
like the increase water content of a sample the recognition to e.g. affect and whether concrete
with different gypsum portions are detected accordingly.
Finally correlations are set up between the physical characteristics and NIR recognition and
deposited graphically. Dependence are to be described only in trends and hardly give
realizations over connections among themselves.
Escher M. Inhaltsverzeichnis
Inhaltsverzeichnis Abbildungsverzeichnis ......................................................................................................... i
Tabellenverzeichnis ............................................................................................................ iii
Abkürzungen ........................................................................................................................v
1. Einleitung..........................................................................................................................1
2. Theoretische Grundlagen.................................................................................................3
2.1 Historischer Hintergrund...............................................................................................4
2.2 Sensorgestützte Sortierungsverfahren............................................................................6
2.3 Physikalische Grundlagen der Infrarottechnik .............................................................11
2.4. Funktionsweise ..........................................................................................................16
3. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung ...............................19
3.1 Versuchsbeschreibung ................................................................................................19
3.1.1 Korngrößenverteilung ..........................................................................................20
3.2 Auswertung ................................................................................................................23
4. Versuchsprogramm – Ermittlung physikalischer Charakteristika..............................27
4.1 Vorbereitung der Baustoffproben................................................................................27
4.2 Ermittlung der Rohdichte im Flüssigkeitspyknometer .................................................28
4.2.1 Auswertung..........................................................................................................30
4.3 Ermittlung der Wasseraufnahme mittels Flüssigkeitspyknometer ................................32
4.3.1 Auswertung..........................................................................................................32
4.4 Ermittlung der Rohdichte mittels Feststoffpyknometer................................................34
4.4.1 Auswertung..........................................................................................................35
4.5 Ermittlung der Reindichte ...........................................................................................37
4.5.1 Auswertung..........................................................................................................38
4.6 Ermittlung der Porosität ..............................................................................................40
4.6.1 Auswertung..........................................................................................................41
Escher M. Inhaltsverzeichnis
5. Versuchsprogramm – NIR- Spektrenbibliothek am Versuchsstand ............................43
5.1 Eigenschaften von NIR- Spektren ...............................................................................43
5.2 Probenvorbereitung.....................................................................................................45
5.2.1 Aufnahmegerät ....................................................................................................46
5.3 Durchführung der NIR- Spektroskopie........................................................................49
5.3.1 Mittelwertspektren ...............................................................................................52
5.4 Auswertung ................................................................................................................56
5.4.1 Multivariate Auswertung mit Partial Least Square Regression..............................56
5.4.2 Erstellen eines Analysemodells ............................................................................62
5.5 Auswertung der NIR- Spektroskopie...........................................................................63
5.6 Grafische Darstellungen der Auswertung ....................................................................72
5.7 Prüfungen der Datenbank............................................................................................77
5.8 Wasseranteil- Test ......................................................................................................80
5.9 Weitere Tests ..............................................................................................................85
5.9.1 Asbesterkennung..................................................................................................85
5.9.2 Gipserkennung.....................................................................................................87
6. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit .......................89
6.1 Gesamtauswertung......................................................................................................89
6.2 Korrelationen..............................................................................................................92
7. Ausblick ..........................................................................................................................95
8. Zusammenfassung ..........................................................................................................98
Literaturverzeichnis .........................................................................................................102
Anhang.................................................................................................................................. I
Selbstständigkeitserklärung.......................................................................................... XXV
Thesen zur Diplomarbeit..............................................................................................XXVI
Escher M. Abbildungsverzeichnis i
Abbildungsverzeichnis Abb. 2.1: Schematische Darstellungen eines sensorgestützten Sortierverfahren ......................7
Abb. 2.2: Position der Infrarot-Strahlung im elektromagnetischen Spektrum ........................11
Abb. 2.3: Messung von Flüssigkeiten und Feststoffen (diffuser Reflexion)...........................15
Abb. 2.4: „Polysort“ der Firma TITECH...............................................................................18
Abb. 3.1: Mauerstein - Marktanteile in Deutschland für 2005 und 2006................................19
Abb. 3.2: Primärbaustoffsammlung vor dem Brechen und fraktioniert …..…………………21
Abb. 3.3: Prallbrecher...........................................................................................................21
Abb. 3.4: Maschinelle Siebung zur Ermittlung der Korngrößenverteilung.............................22
Abb. 3.5: Korngrößenverteilung der Betonsorten 1 bis 10.....................................................23
Abb. 3.6: Korngrößenverteilung der Leichtbetonsorten 1 bis 9 .............................................23
Abb. 3.7: Korngrößenverteilung der Porenbetonsorten 1 bis 9 ..............................................24
Abb. 3.8: Korngrößenverteilung der Ziegelsteinsortensorten 1 bis 9 .....................................24
Abb. 3.9: Korngrößenverteilung der Kalksandsteinsorten 1 bis 9 ..........................................25
Abb. 3.10: Korngrößenverteilung der 5 Baustoffsorten im Mittelwert...................................25
Abb. 4.1: Trocknungsbleche zur Probenvorbereitung der Gesteinskörnung...........................27
Abb. 4.2: Befüllte Pyknometer zur Bestimmung der Trockenrohdichte.................................28
Abb. 4.3: mit dem Flüssigkeitspyknometer ermittelte Rohdichte der jeweiligen Baustoffe....31
Abb. 4.4: Wasseraufnahmen der Baustoffe in 2 Stunden.......................................................33
Abb. 4.5/4.6: Feststoffpyknometer GeoPyc 1360, Hersteller: Micromeritics GmbH
/Messzelle (50,8 mm Durchmesser) mit Messpulver (DryFlo) gefüllt ...............34
Abb. 4.7: mit dem Feststoffpyknometer ermittelte Rohdichte der jeweiligen Baustoffe.........36
Abb. 4.8: Mahlgerät RS 100, Hersteller: Retsch……………………………..………….……37
Abb. 4.9: Helium(Ultra)pyknometer 1000, Hersteller: Quantachrome Corporation ...............37
Abb. 4.10: mit dem Heliumpyknometer ermittelte Reindichte der jeweiligen Baustoffe.…...39
Abb. 4.11: Porosität über Glas-, Festoffpyknometer und im Mittelwert der
gesammelten Baustoffsorten...............................................................................42
Abb. 5.1: Probenteiler für die statistisch genaue Herstellung von 10 Proben .........................45
Abb. 5.2: KUSTA 4004S; LLA ............................................................................................46
Abb. 5.3: Arbeitsbildschirm der Spektroskopiesoftware KustaSpec® ....................................48
Abb. 5.4: Probenaufnahme am Versuchsstand ......................................................................49
Abb. 5.5/5.6: Spektrenauswahl nach Intensität und Kurvenverlauf der Aufnahmespektren
und nach 1. Ableitung....................................................................................49
Escher M. Abbildungsverzeichnis ii
Abb. 5.7: Alle aufgenommenen, weiter verwendeten Spektren in einem Lernset..................51
Abb. 5.8: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung ....................52
Abb. 5.9: Oberton- und Kombinationsschwingungen typischer chemischer Verbindungen…54
Abb. 5.10: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 1.
Ableitung ............................................................................................................54
Abb. 5.11: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 2.
Ableitung ............................................................................................................55
Abb. 5.12: Grafische Darstellung der Ergebnisse (Scores Plot) .............................................73
Abb. 5.13: Alle Spektren der Baustoffe nach der Analyse in der 3D-Darstellung ..................75
Abb. 5.14: NIR-Erkennung in Abhängigkeit der Wasseranteile in den Proben……...………83
Abb. 5.15: Wasseranteiltest in Datenbank A und C grafisch dargestellt...........................…...84
Abb. 5.16: PLS Scores Plot der Asbest und Faserzementspektren mit ihren
konkurrierenden Auswertungsspektren................................................................86
Abb. 5.17: Proben mit Beton und bestimmten Gipsanteilen ..................................................87
Abb. 6.1/6.2: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C...91
Abb. 6.3: NIR- Erkennung in Abhängigkeit der physikalischen Charakteristika....................93
Escher M. Tabellenverzeichnis iii
Tabellenverzeichnis Tab. 2.1: Sortierung entsprechend der Stoffmerkmale.............................................................9
Tab. 2.2: Anwendung von Detektoren in unterschiedlichen Spektren....................................12
Tab. 3.1: Analysensiebe und zugehörige Kornklassen zur Bestimmung der
Korngrößenverteilung………………………………………………………………22
Tab. 4.1: Rohdichten der Baustoffsammlung im Mittelwert ..................................................30
Tab. 4.2: Wasseraufnahmen der Baustoffsammlung..............................................................33
Tab. 4.3: Rohdichten der gesammelten Baustoffe .................................................................36
Tab. 4.4: Reindichten der Baustoffe im Mittelwert ...............................................................38
Tab. 4.5: Porosität der Baustoffe mit der Rohdichteermittlung vom Glas- und
Feststoffpyknometer...............................................................................................41
Tab. 5.1: Technische Spezifikationen des Messgerätes KUSTA 4004S.................................47
Tab. 5.2: Baustoffsammlung und Anzahl der Messungen......................................................50
Tab. 5.3: Ergebnisse der Erkennbarkeit der Spektren mit Datenbank A.................................65
Tab. 5.4: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 2
Eigenvektoren, Mittelwertspektren als Lernset .......................................................66
Tab. 5.5: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 6
Eigenvektoren, Datenbank A als Lernset ................................................................67
Tab. 5.6: Datenbank B und C mit den Auswertungsverfahren ...............................................68
Tab. 5.7: Erkennung untereinander in Prozent-bei Datenbank B, 2. Ableitung, 4 Eigen-
vektoren, Mittelwertspektren aus Datenbank B als Lernset.....................................69
Tab. 5.8: Erkennung untereinander in Prozent-bei Datenbank B, 1. Ableitung, 6
Eigenvektoren, Datenbank B als Lernset ................................................................70
Tab. 5.9: Ergebnisse aus Datenbank C..................................................................................71
Tab. 5.10: Resultate der Erkennbarkeit von Spektren die nicht der Datenbank angehören
(bestes Ergebnis) .................................................................................................78
Tab. 5.11: Ergebnisse der Erkennbarkeit von Spektren die nicht der Datenbank angehören
(gemitteltes Ergebnis) .........................................................................................79
Tab. 5.12: Erkennung der Baustoffspektren in trockenem Zustand und 5 M-%
Wasseranteilen ....................................................................................................81
Tab. 5.13: Erkennung der Baustoffspektren in trockenem Zustand und 10 M-%
Wasseranteilen ....................................................................................................82
Tab. 5.14: Asbest- Faserzement- Vergleich...........................................................................85
Escher M. Tabellenverzeichnis iv
Tab. 5.15: Beton-Gipsanteil- Vergleich ................................................................................87
Tab. 5.16: Erkennungen von Beton, Gips und bestimmten Gipsanteilen in Beton nach einer
Auswertung.........................................................................................................88
Tab. 6.1: Gesamtübersicht der ermittelten Werte ..................................................................89
Tab. 6.2: zusätzliche Baustoffe/Störstoffe in ihrer NIR- Erkennung......................................90
Tab. 6.3: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C .........91
Tab. 6.4: Bewertung der ermittelten Baustoffparameter inklusive NIR- Erkennbarkeit .........92
Tab. 7.1: Beispiele für kombinierte Detektion.......................................................................96
Escher M. Abkürzungen v
Abkürzungen A Datenbank mit 5 Wandbaustoffen AB Altbeton B Datenbank mit 9 Baustoffen B(1-10) Beton(Sorte) bzw. beziehungsweise bspw. beispielsweise C Datenbank mit 14 Baustoffe CO2 Kohlenstoffdioxid cm Zentimeter cm² Quadratzentimeter cm³ Kubikzentimeter cm-1 Einheit Wellenzahl d Differenzierung auf 1. Ableitung dd Differenzierung auf 2. Ableitung d.h. das heißt EV Eigenvektoren FIR Ferninfrarot g Gramm Gew. Gewicht ggf. gegebenenfalls h Stunde IR Infrarot k Wellenzahl [cm-1] kg Kilogramm KS Kunststoffe KS(1-8) Kalksandstein(Sorte) l Liter LB(1-9) Leichtbeton(Sorte) LIF Laserinduzierte Fluoreszenz LIBS Laserinduzierte Breakdown Spektroskopie LIPS Laserinduzierte Plasmaspektroskopie LS Lernset LVP Leichtstoffverpackungen m Meter M1 Masse Pyknometer[g] M2 Masse Pyknometer mit dest. Wasser [g] M3 Masse Pyknometer mit Probe [g] M4 Masse Pyknometer mit dest. Wasser und Probe [g] M5 Masse Pyknometer mit dest. Wasser und Probe nach 1 Stunde [g] M6 Masse Pyknometer mit gesättigten Probe und dest. Wasser [g] M7 Masse wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g] M8 Masse Probe nach Ofentrocknung [g]
Escher M. Abkürzungen vi
m² Quadratmeter m³ Kubikmeter min Minute mm Millimeter M Masse M-% Masseprozent MIR Mittelinfrarot MW Mittelwert n Normaldifferenzierung(ohne) nm Nanometer NIR Nahinfrarot NIRS Nahinfrarotspektroskopie P Porosität PB(1-9) Porenbeton(Sorte) PBB Porenbetonbruch PP Polypropylen PCA Principal Component Analysis PCR Principal Component Regression PE Polyethylen PET Polyethylenterephthalat PLS Partial Least Square Regression PVC Polyvinylchlorid RGB Rot-Grün-Blau- Farbraum s Sekunde t Tonne TS Testset U Umdrehung u.a. unter anderen V Volt VIS Lichtspektrum des sichtbaren Lichtes Vol. Volumen WA Wasseraufnahme Z(1-10) Ziegelstein(Sorte) °C Grad Celsius z.B. zum Beispiel
λ Wellenlänge % Prozent �m Mikrometer �rd ofentrockene Rohdichte [g/cm³] �a scheinbare Rohdichte [g/cm³] �W Dichte Wasser [g/cm³] �0 Rohdichte [g/cm³] �R Reindichte [g/cm³] Ø durchschnittlich
Escher M. Einleitung 1
1. Einleitung
Recyclingbaustoffe für ihre Verwendung zur Deponieeinsparung und Primärrohstoffschonung
sind für eine nachhaltige Entwicklung zwingend notwendig. Aus dem Grund, dass Bau- und
Abbruchabfälle deutschlandweit den bedeutendsten Abfallstrom darstellen, ist die
Entwicklung von Detektions- und Trennverfahren für Bauabfälle erforderlich. Die Erkennung
und Trennung von mineralischen Stoffgemischen mit wirtschaftlicheren Resultaten als die
händische Sortierung sie erzielt sind dabei die Zielsetzung, um die Recyclingfähigkeit dieser
Stoffe zu erhöhen.
Die sensorgestützte Sortierung und speziell die NIRS hat in den letzten Jahren einen massiven
technologischen Aufschwung erfahren. Der Trend der Computerbranche immer schnellere
Rechenleistungen zu vollbringen sowie die Entwicklung immer feinerer Sensoren
ermöglichen jetzt schon den Einsatz in einer Vielzahl von Anwendungen. In vielen Bereichen
des Recyclings sind Sensorsysteme bereits erprobt und etabliert, wie z.B. in der Aufbereitung
von Glas, Kunststoffen und Metallen. Der Einsatz im Gebiet der mineralischen Rohstoffe ist
bisher meist bei der Aufbereitung von Industriemineralien wie Calzit, Talk oder Edelsteinen
zu finden. Jedoch sind auch schon erste Anwendungen bei der Erzaufbereitung realisiert
wurden. Durch derzeitige recht umfangreiche Forschungsarbeiten und eine rasch fortlaufende
Entwicklung in diesem Einsatzfeld, wird der Anwendungsbereich der Nahinfrarot-
Spektroskopie in Zukunft erweitert werden können. [1]
Durch kontinuierliche Optimierung der Sensorsysteme werden neue Mechanismen in der
Aufbereitung von Abfällen geschaffen. Durch die erhöhte Leistungsfähigkeit dieser
Technologien gegenüber herkömmlichen Trennverfahren ist die Basis für das Recycling von
Abfallströmen enorm vergrößert wurden. Somit hat die Recyclingtechnik die Chance den
Schritt von der reinen händischen Sortierung hin zur teilautomatisierten Aufbereitungsanlage
zu vollziehen. [8][9]
Im Mittelpunkt der geplanten Untersuchungen im Rahmen dieser Arbeit steht die Nah-
Infrarot-Spektroskopie (NIRS). Es soll geprüft werden, inwieweit Wandbaustoffe
verschiedener Sorten mittels NIRS detektierbar und die Ergebnisse den zugehörigen
Baustoffen zuzuweisen sind. Zur Untersuchungen wurden jeweils bis zu 10 nach
Marktanteilen am häufigsten verwendete Wandbaustoffe herangezogen. Im Vorfeld der NIRS
mussten die Proben gesammelt und anschließend zerkleinert und fraktioniert werden. Dieses
Escher M. Einleitung 2
Versuchsprogramm wird in Kapitel 3 ausführlich beschrieben. Weiterhin wurden an den
Fraktionen 4/8 und 8/16 verschiedene physikalische Charakteristika analysiert, um eventuelle
Korrelationen zu finden, die mit der Erkennung mittels NIRS in Abhängigkeit gebracht
werden können. Darüber hinaus soll die Möglichkeit der Erstellung einer möglichst genauen,
aber auch aussagekräftigen Methode zur Qualifizierung von mineralischen Baustoffen mit der
Nah-Infrarot-Spektroskopie an einem Versuchsstand geprüft werden.
Die Bestimmung mittels NIRS ist verglichen mit beispielsweise photometrischen oder
chemischen Untersuchungen eine weniger zeit- und arbeitsaufwendige Methode. Durch die
vergleichsweise geringere Probenvorbereitung bei NIR- Messungen ist der Zeitaufwand
deutlich niedriger und es werden keine Chemikalien verbraucht. Somit fallen kaum Personal-,
Material- und Entsorgungskosten an, auch weil die Messung einer Probe nur wenige
Sekunden Zeit in Anspruch nimmt. Dadurch ist ein hoher Probendurchsatz zu erreichen.
Weiterhin ist die NIR- Messung eine zerstörungsfreie Analysenmethode. Die Proben können
nach der Messung weiterverwendet werden. [33]
Ziel der vorliegenden Arbeit ist es, zu untersuchen, inwieweit Messungen mittels NIR-
Spektroskopie an mineralischen Baustoffen machbar sind und mit welchen physikalischen
Werten die Erkennbarkeit korreliert. Mit den theoretischen Erkenntnissen über
sensorgestützte Sortierverfahren werden im Rahmen der Diplomarbeit praktische Versuche zu
dem Thema NIRS durchgeführt. Dabei werden verschiedene Wandbaustoffe ausgewählt und
geprüft in wie fern diese mit mittels NIR- Technik zu detektieren sind.
Escher M. Theoretische Grundlagen 3
2. Theoretische Grundlagen
Neben klassischen Sortieraggregaten wie Magnetscheidern, Windsichtern oder
Wirbelstromscheidern haben sich sensorgestützte Sortiersysteme zur Trennung von
Abfallströmen etabliert. Die theoretischen Grundlagen zu sensorgestützten Sortierung werden
in diesem Kapitel kurz vorgestellt. Dabei werden diese erst im Allgemeinen erklärt um im
weiteren Verlauf speziell auf die NIR- Technik zu kommen.
Da die händische Sortierung in ihrem Trennerfolg und Durchsatz deutlich begrenzt ist, sind
beste Vorraussetzungen für die Automatisierung der Sortierung geschaffen. Vor allem die
Entwicklung des Sensorsystems NIR darzustellen ist wichtiger Bestandteil der Arbeit und
wird in diesem Kapitel vorgestellt.
Die Arbeitsschritte bei der sensorgestützten Sortierung sind in verscheiden Einheiten zu
kategorisieren: Vereinzelung, Erkennung, Klassifizierung und Trennung. „Erkennung“ und
„Klassifizierung“ werden dabei als Sensoreinheit bezeichnet. Um eine effiziente Sortierung zu
gewährleisten, ist die Auswahl notwendiger Merkmale entscheidend, die zur eindeutigen
Identifizierung der anzureichernden Fraktion notwendig sind. [11]
Escher M. Theoretische Grundlagen 4
2.1 Historischer Hintergrund
Die Optische Sortierung von Kupfermineralien und Zinn für die Bronzeverarbeitung waren
die Anfänge für Sortierverfahren. Je reiner die Minerale waren, desto besser gelangen die
Endprodukte. Die Bedeutung der Sortierung hat sich im Laufe der Zeit enorm vergrößert. Die
Unterscheidung der Minerale wurde immer schwieriger und die Anforderungen an eine
geeignete Sortierung immer höher. Die damaligen Sortierungstrenneigenschaften waren
Charakteristika wie Farbe, Glanz, Strich, Bruchverhalten und Reflektion. Schon in der
Vergangenheit wurden unterschiedliche Verfahren verwendet um mineralische Stoffe zu
trennen. Unterschieden werden sie heute in die Klassierung und die Sortierung. Geometrische
Merkmale wie Volumen, Länge oder Fläche sind bei einer Klassierung entscheidend. Bei der
Sortierung wird nach physikalischen Eigenschaften wie Dichte und Mineraleigenschaften wie
Farbe, Glanz oder Infrarotreflektion unterschieden. Die Nahinfrarot-Spektroskopie gehört
somit zu den Verfahren, die der Sortierung untergeordnet sind. [URL 1]
In den 90er- Jahren wurden erste Schritte zur Einführung sensorgestützter Sortierung durch
die Verpackungsverordnung ausgelöst. Dies führte zur Entwicklung der ersten automatischen
Sortierverfahren, die auf Reflexions- und Absorptionsmessung im Nahinfrarotspektrum
aufbauten. Mit Hilfe von verschiedenen Sensortechniken, wie der Nahinfrarot- Erkennung
oder der intelligenten Bilderkennung und -Auswertung, konnten neuartige Trennverfahren
entwickelt werden.
Optischen Eigenschaften, die beispielsweise nur in bestimmtem Licht zu erkennen sind,
erfahren immer mehr Bedeutung. Die ersten Sortierer wurden bereits vor mehr als siebzig
Jahren für die Aufbereitung mineralischer Rohstoffe eingesetzt. Dabei waren die Durchsätze
der Sortierung sehr gering und wurden deshalb nur für spezielle, sehr hochwertige Rohstoffe
verwendet, wie z.B. bei der Diamantensortierung. Wirtschaftlich war die Sensorsortierung
noch nicht, was auch an der fehlenden Präzision und natürlich den Kosten lag. Zu einer
industriellen Anwendung auch bei höheren Durchsätzen wurden radiometrische Sortierer zur
Aufbereitung von Uranerzen entwickelt. Doch auch vor etwa 3 Jahrzehnten schien der Einsatz
von sensorgestützten Sortierungsverfahren in vielen Bereichen noch unmöglich. Ein
Aufschwung um die Thematik der Sensortechnik erfolgte mit der Einführung des
Rohstoffrecyclings. Die dabei entstandenen Anforderungen an die Aufbereitungstechnik
führten in den Jahren 1980 bis 1990 zu ersten Versuchen mit Recyclingmaterial. Analoge
Einzelkanal-Sortierer mit Fotodioden waren die ersten derzeitigen Sortierer. Doch durch die
Escher M. Theoretische Grundlagen 5
schnell fortschreitende Entwicklung und dem sich rasch entwickelndem Markt im
Recyclingbereich wurden schnellere und leistungsfähigere Sensorsysteme konstruiert. Auch
die Entwicklung im Bereich der Aussortierung über Luftventile gewährleistete eine Erhöhung
der möglichen Durchsätze. [1]
Das Prinzip der NIR- Spektroskopie ist seit den fünfziger Jahren der 20. Jahrhunderts
bekannt. Erste praktische Anwendungen fand die Technik in den sechziger Jahren in der
landwirtschaftlichen Industrie und in der Lebensmittelchemie. [17][18] Ende der achtziger
Jahre fand die NIR- Technik ein größeres Anwendungsspektrum durch die Möglichkeit des
Einsatzes multivariater Analysenmethoden zur Auswertung der NIR- Spektren und die
erhöhte Leistungsfähigkeit der Rechenmodule. [19] In der Industrie wird die Nah-Infrarot-
Spektroskopie inzwischen in vielen Produktionsanlagen eingesetzt, auch weil Messungen
mehrere Meter entfernt möglich geworden sind. Weiterhin wird die NIR- Technik unter
anderem in der Medizin zur nichtinvasiven Blutzuckermessung genutzt [20]. Andere
Anwendungsbereiche sind vor allem in der Pharmazie zu finden. [21] Somit hat die Nah-
Infrarot-Spektroskopie bereits in vielen Bereichen Einzug gehalten.[33]
Abschließend ist festzuhalten, dass mit einer wachsender Entwicklung in der Sensortechnik,
auch im speziellen bei der NIRS, mit der Automatisierung der Sortierung von mineralischen
Baustoffen zu rechnen ist. [1]
Escher M. Theoretische Grundlagen 6
2.2 Sensorgestützte Sortierungsverfahren
Die Entwicklung der Sensortechnik sowie die immer besseren Rechenleistungen waren
maßgebend, um in Echtzeit Auswertungen rund um die Detektionseinheiten zu generieren.
Angetrieben wurde die Weiterentwicklung solcher Systeme zunächst durch die
Qualitätssicherung. Aufgrund hoher Ansprüche an Produkte der Nahrungs- und
Lebensmittelindustrie, wurde die Entwicklung in diesem Bereich stark von der Industrie
gefördert, da ein entsprechend großer Absatzmarkt vorhanden ist. Dabei wurden
Detektionssysteme entworfen, die eine Überwachung während des Produktionsprozesses
sicherstellen. Durch den Einsatz hoch auflösender physikalischer Messtechniken werden
Materialeigenschaften detektierbar, die mit dem Auge nicht erkennbar sind. Sensorgestützte
Sortierungsverfahren sind leistungsfähiger und zuverlässiger als herkömmliche Verfahren,
auch weil Fördergeschwindigkeiten, die um das Zehnfache höher liegen als bei der üblichen
Handklaubung, möglich sind. Ausgenommen beim Aspekt der Qualitätskontrolle, hier kann
auf menschliche Arbeitskräfte noch nicht verzichtet werden, um die geringe Fehlerquote
technischer Systeme auszugleichen. [11]
Das Grundprinzip der sensorgestützten Sortierung ist ein Stoffgemisch in mindestens zwei
verschiedene Ströme zu trennen, deren Komponenten sich nach mindestens einem
Trennkriterium unterscheiden. Trennkriterien sind dabei meist physikalische Eigenschaften
wie Dichte, Farbe, Reflexions- oder Transmissionsvermögen. In einer schematischen
Darstellung in Abbildung 2.1 wird der Aufbau und Ablauf der sensorgestützten Sortierung
aufgezeigt. Zuerst erfolgt die Aufgabe der Materialien auf ein Förderband zur Zuführung und
Vereinzelung. Der Materialstromstrom wird über dieses Förderband mit Geschwindigkeiten
bis zu 3,5 m/s zur Sensoreinheit geführt. Das Material gelangt dann zu dem Sensorsystem zur
Erkennung der spezifischen Materialeigenschaften einzelner Bestandteile. Der Sensor erfasst
die Materialien und weist diese durch eine entsprechende Auswertung der detektierten
Spektrallinien verschiedenen Materialtypen zu. Zur Auswertung steuert eine Elektronik die
mit Druckluft arbeitende Ausschleusvorrichtung an, so dass immer mindestens zwei neue
Stoffströme entstehen. Dadurch werden unerwünschte Bestandteile durch Druckluftimpulse
von bis zu mehreren bar in den Auswurf befördert. Die Aufbereitung des Sortiermaterials
sowie eine konstante Korngröße und eine entsprechende Vereinzelung garantieren, dass ein
solches Sortiersystem funktioniert. Nur mit einer entsprechenden Probenvorbereitung lässt
sich sicherstellen, dass einzelne Objekte erkannt und ausgeblasen werden. [9]
Escher M. Theoretische Grundlagen 7
Abb. 2.1: Schematische Darstellungen eines sensorgestützten Sortierverfahren [2][9]
Anhand der Abbildung 2.1 können der Ablauf und die Arbeitsschritte der Sensorsortierung
verfolgt werden. Die Aufgaben der sensorgestützten Sortierung lassen sich folgendermaßen
erklären: Identifikation, Transport, Klassifikation, Ansteuerung und Trennung nach frei
wählbaren Klassifikationsmerkmalen.
„Die sensorgestützte Sortierung bietet zudem die Möglichkeit, aus der großen Datenfülle der
Detektion, mittels statistischer Methoden die unterschiedlichen Eigenschaften von Materialien
zu filtern, auf dessen Grundlage ein Trennkriterium generiert werden kann.“ [11]
Im Recyclingbereich und in der mineralischen Aufbereitung stehen heute sensorgestützte
Geräte zur Verfügung, die im Vergleich mit herkömmlicher Aufbereitungstechnik, z.B. der
händischen Sortierung, bei der die Sortierleistung stark begrenzt ist und mit fallender
Stückgröße die Sortierleistung abnimmt, kostengünstiger und mit weitaus höheren
Durchsätzen arbeiten. Dichteunterschiede spielen bei der sensorgestützten Sortierung nur eine
untergeordnete Rolle. Es kann alles, was durch Detektoren erkennbar ist, als Trennkriterium
herangezogen werden. Dies können u.a. geometrische, mineralogische und physikalische
Eigenschaften sein. Derzeit gibt es noch nicht für alle Eigenschaften genügend hoch
auflösende Detektoren, um alle denkbaren Trennmerkmale verwenden zu können. Grenzen
der Sortiertechnik waren vor allem mit der Rechenleistung von Computern und somit mit der
Verarbeitungsgeschwindigkeit verbunden. Probleme bereiten heute vielmehr verschiedene
mechanische Ursachen, besonders bei hohen Durchsätzen oder Einzelkornmengen. Oder die
durch die hohe Anzahl an Ausblasvorgängen entstehenden Luftwirbelungen, die zu
Ablenkungen und somit zu Fehltreffern führen. [9]
Escher M. Theoretische Grundlagen 8
Heute können optischen Sensoren bis zu mehrere 10000 einzelne Stücke pro Sekunde und pro
Meter Arbeitsbreite erfassen bzw. auswerten und bis zu 2000 Einzelstücke pro Sekunde und
Meter Arbeitsbreite durch Druckluftventile ausgeben. Hierbei wird jedes Stück einzeln
erfasst, evaluiert und getrennt. Dadurch hängen die resultierenden Massendurchsätze auch
vom Einzelstückgewicht ab. Also je höher das Gewicht der einzelnen Partikel desto höher der
erzielbare Durchsatz. Die kleinste sinnvolle Korngröße liegt derzeit bei etwa 1mm. Die obere
Grenze bei Mineralien ist in etwa bei Korngrößen bis zu 300 mm. Das ermöglicht verschieden
hohe Durchsätze, die nicht nur für kleinere Betriebe in der Mineralindustrie ausreichend sind.
Der deutlichste Unterschied zu herkömmlichen Sortier- und Trenntechniken ist, dass das
Sortierkriterium bei der optischen Sortierung von der trennenden Kraft, beispielsweise der
Auftriebskraft, entkoppelt ist. [1]
Escher M. Theoretische Grundlagen 9
In Tabelle 2.1 sind zu den Sortieraggregaten die jeweiligen Trennkriterien der allgemeinen
Abfallaufbereitung aufgelistet.
Tab. 2.1: Sortierung entsprechend der Stoffmerkmale [11][48] Aggregate Trennprozess phys. Merkmal
Windsichter Sichtung Dichte und Form
Rollgutscheider, Schwerguttrenner,
Paddelsichter Ballistische Trennung
Dichte, Rollfähigkeit und
Stückgröße, ggf. Festigkeit
Überband-, Trommel-, Bandrollenmagnetscheider
Magnetscheidung Magnetische Suszeptibilität
Wirbelstromscheider mit ex- und konzentrischem Polrad
Wirbelstromscheidung, Automatische Klaubung mit
Induktionsdetektoren
Elektrische Leitfähigkeit
Handsortierung und sensorgestützte Sortierung
Manuelle Klaubung,
Automatische Klaubung mit Farbkamera,
Laser
Oberflächeneigenschaften
Farbe, Glanz, Artikeleigenschaft
sensorgestützte Sortierung Automatische Klaubung mit
NIR, LIF LIBS
Chemische Zusammensetzung
sensorgestützte Sortierung Automatische Klaubung mit
Röntgenstrahlung
Dichte
Escher M. Theoretische Grundlagen 10
Optische Sortieranlagen für mineralische Rohstoffe sind mittlerweile in der Lage, Rohstoffe
aufgrund ihrer Farbe, Form oder Helligkeit zu trennen und können einen selektiven Abbau
von Lagerstätten oder die Klaubung am Förderband ersetzen. Auch in Kornbereichen unter 40
mm und sogar bei Korngrößen von 3-5 mm, wo das Klauben nicht wirtschaftlich war, können
optische Sortieranlagen vorhandene Aufbereitungsprozesse auf jeden Fall entlasten und
vielleicht sogar ersetzen. Entwicklungen dieser Art ermöglichen es Rohstoffe in der optimalen
Korngröße für den Aufschluss zu trennen. Somit können natürliche Ressourcen in bisher
unbekannter Weise effektiv genutzt werden. [3]
Auch die Rohstoffverarbeitenden Industrie muss Produktionsprozesse standardisieren und
optimieren um kostengünstig zu produzieren und gute Qualität zu erbringen. Anforderungen
an qualitativ hochwertige, standardisierte Produkte steigen, um von Schwankungen der
Eingangsrohstoffe unabhängig zu sein. Diese sind nur durch eine optimierte und
wirtschaftliche Aufbereitung der Rohstoffe zu erzielen. Der Aufschluss von
Rohstoffverbindungen bekommt dabei eine immer größere Bedeutung. Durch
Aufbereitungsverfahren werden die Materialien aufgrund von physikalischen oder
chemischen Eigenschaften, durch Dichtetrennverfahren, magnetische oder elektrostatische
Sortierung, durch Lösen und Ausfällen oder durch die Farbe getrennt. Wie schon erwähnt
können Materialien, bei entsprechender Korngröße, durch Klauben an einem Förderband
separiert werden. Moderne optische Sortieranlagen, die in der Lage sind, verschiedenste
Materialien effektiv abzuscheiden, also automatisch zu klauben, können die Aufgaben der
Handklaubung, auch unter erschwerten Bedingungen (Bergbau), derzeit schon
übernehmen.[3]
Escher M. Theoretische Grundlagen 11
2.3 Physikalische Grundlagen der Infrarottechnik
Alle Methoden bei denen Wechselwirkungen elektromagnetischer Strahlung mit Materie
genutzt werden, fasst man unter dem Begriff Spektroskopie zusammen. Der Spektralbereich
der infraroten Strahlung liegt zwischen dem Bereich des sichtbaren Lichtes und dem Bereich
der Mikrowellen und erstreckt sich von 800 nm bis 500 �m, wie in Abbildung 2.2 zu
erkennen ist. Dieser Bereich ist unterteilt in das ferne Infrarot (FIR), das sich im Bereich von
50 �m bis 500 �m bzw. 200 cm-1 bis 20 cm-1 befindet. Im mittleren Infrarot (MIR), welches
im Lichtwellenspektrum bei 2500 nm bis 50 �m bzw. 4000 cm-1 bis 200 cm-1 liegt, kommt es
zur Anregung von Molekülschwingungen. Anders sieht es im nahen Infrarot (NIR)- Bereich
aus, der sich im Wellenlängenspektrum bei 800 bis 2500 nm bzw. 12500 cm-1 bis 4000 cm-1
befindet. Hier werden Obertöne und Kombinationsschwingungen der Grundschwingungen
aus dem MIR beobachtet, welche im Wesentlichen den OH-, NH-, CH- und CO-
Funktionalitäten zugeordnet werden können. Solche Schwingungsvorgänge geschehen
aufgrund einer Änderung des Moleküldipolmomentes dann, wenn die wellenlängenabhängige
Energie des eingestrahlten Lichtes genau der Energiedifferenz zwischen dem Grundzustand
und dem jeweiligen Schwingungsniveau entspricht. In der Nahinfrarotspektroskopie gilt das
Lambert-Beersche- Gesetz. Dieses besagt, dass sich die Absorption an einer bestimmten
Wellenlänge proportional zur Konzentration des jeweiligen Inhaltsstoffs verhält. NIR-
Spektren von Stoffgemischen aus der Überlagerung von Einzelspektren resultieren einer
Vielzahl meist unbekannter Inhaltsstoffe. Eine erweiterte sowie inverse Form des Gesetzes
nach Lambert-Beer wird deswegen in der NIR- Spektroskopie angewendet. [38]
Abb. 2.2: Position der Infrarot-Strahlung im elektromagnetischen Spektrum [33]
Escher M. Theoretische Grundlagen 12
Zu Beginn der 90er Jahre fand die Technologie ihren Weg in die Abfallwirtschaft, genauer
gesagt zur Altglasaufbereitung. Mit steigender Menge an Recyclingmaterial nahm auch die
Bedeutung der Einhaltung immer strikterer Qualitätskriterien zu. Durch konsequente
Weiterentwicklung ließ sich eine Erweiterung der Anwendungen für sensorbasierte
Sortiertechnologie erreichen. Ein Meilenstein in dieser Entwicklung waren sensorgestützte
Sortiermaschinen mit Sensortechnik im Wellenlängenbereich des nahen Infrarots. Dadurch
wurde die Sortierung nicht ausschließlich auf Trennkriterien wie Oberfläche, Farbe und
Transparenz beschränkt. Ebenso lassen sich Materialeigenschaften zur Separierung einsetzen,
welche die Anwendung sensorbasierter Sortiermaschinen bei unterschiedlichen Materialarten
aus gemischten Abfällen ermöglicht. Heute haben vor allem Systeme der Kunststoff- und
Papiertrennung im NIR- Spektrum die Marktreife erreicht und zählen zum Stand der Technik
in der Recyclingindustrie. [9][48]
Tab. 2.2: Anwendung von Detektoren in unterschiedlichen Spektren [11][48]
Spektralart Anwendung
Sichtbares Licht
Trennung von Metallen wie Messing und Bronze,
Glassortierung, Papieraufbereitung, Sortierung von Industriemineralien
Nahinfrarot NIR
Kunststoffsortierung (LVP), PET Aufbereitung,
Holz aus Sperrmüll, Chlorabreicherungen im Ersatzbrennstoffen
Röntgen
Batteriesortierung, Aufbereitung von Industriemineralien,
Elektroaltgeräte aus Wertstoffgemischen, Metalle unterschiedlicher Dichte
In Tabelle 2.2 sind die NIR- Technik und andere Detektoren für unterschiedliche
Spektralarten den Anwendungen gegenüber gestellt.
Im Folgenden werden einige physikalische Grundlagen erläutert, dabei werden u.a.
Schwingungen, Spektralbereiche und Wellenzahlen bei der NIR- Spektroskopie thematisiert.
Escher M. Theoretische Grundlagen 13
Spektralbereiche werden als Wellenzahlen k mit der Einheit [cm-1] bezeichnet.
(Gl. 2.1)
Die Wellenzahl k ist der Reziprokwert der Wellenlänge λ. Das hat den Vorteil, dass sie zur
Frequenz der absorbierten Strahlung und damit auch zur Energie direkt proportional ist
[17][33].
(Gl. 2.2)
Dabei ist h das Plancksche Wirkungsquantum und cV die Lichtgeschwindigkeit im Vakuum.
[33]
Im ultravioletten und sichtbaren Bereich der elektromagnetischen Strahlung werden die
Absorptionsspektren durch Anregung der Elektronen in den Molekülen erhalten. Die NIR-
Spektroskopie gehört, wie auch die Infrarot-Spektroskopie im MIR- Bereich, zu den
schwingungsspektroskopischen Methoden. In den Bereich des mittleren und nahen Infrarots
werden Molekülschwingungen angeregt. Im fernen Infrarot werden dagegen
Molekülrotationen angeregt.
Bei Molekülschwingungen unterscheidet man zwischen Valenzschwingungen
(Streckschwingungen) und Deformationsschwingungen (Beugeschwingungen)[33].
Die Valenzschwingung ist eine Schwingung in Richtung der Bindungsachse, bei der sich der
Abstand der beteiligten Atome zueinander ändert (Streckung). Im Gegensatz zu der
Deformationsschwingung, dort ändert sich der Winkel der beteiligten Atome zueinander
(Beugung) [22]. Hierbei ist weniger Energie zur Anregung nötig als bei Valenzschwingungen
[23][33].
Escher M. Theoretische Grundlagen 14
Der Bereich des NIR liegt zwischen dem sichtbaren Licht, das hauptsächlich
Valenzelektronen anregt, und dem MIR, das durch Molekülschwingungen geprägt ist.
[URL21]
Die Quantentheorie besagt, dass nur diskrete Energiezustände und somit auch nur diskrete
Schwingungszustände existieren. Der Übergang vom Grundzustand zum ersten
Schwingungsniveau bezeichnet die Grundschwingung. Die Frequenz der Oberschwingung,
der Übergang über mehrere Schwingungsniveaus, liegt beim Vielfachen der Frequenz der
Grundschwingung. Der Übergang auf das zweite Schwingungsniveau entspricht etwa der
doppelten Grundschwingungsfrequenz. Diese Übergangswahrscheinlichkeit sinkt mit
steigendem Schwingungsniveau, wobei auch die Intensität der Absorptionsbanden abnimmt
[23][33].
Des Weiteren treten noch Kombinationsschwingungen auf, die sich aus mehreren Einzel-
schwingungen zusammensetzen. Die Wahrscheinlichkeit für Kombinationsschwingungen ist
sehr gering, deshalb sind deren Absorptionsbanden noch schwächer ausgeprägt als die der
Obertöne. Das ist ein Grund, der es möglich macht, Materialien im nahen Infrarot ohne
vorherige Extraktion oder Verdünnung direkt zu vermessen. [33].
Der energiereichste Bereich der Infrarotstrahlung ist der NIR- Bereich. Das heißt, dass
Absorptionsbanden von leichten Atomen mit einer starken chemischen Bindung im Bereich
des nahen Infrarots liegen. Diese Bedingungen sind u.a. bei C-H-, O-H- und N-H-Bindungen
erfüllt, womit sich die NIRS vor allem zur Analyse organischer Verbindungen eignet
[25][33].
Die Grundschwingungen von diesen Bindungen liegen bei 2,5 �m bis 15 �m und somit noch
im MIR- Bereich. Im NIR- Bereich befinden sich die erste Oberschwingung, die zwischen
1400 nm und 2000 nm liegt, und die höheren Ober- und Kombinationsschwingungen, die
zwischen 800 nm und 1400 nm liegen. [26][33].
Viele Übergangsmöglichkeiten lassen die einzelnen Absorptionsbanden überlappen und man
erhält im nahen Infrarot sehr breite Banden [27]. Es gibt keine einzelne Wellenzahl, bei der
von einem Substanzgemisch nur eine einzige Komponente absorbiert wird. Deswegen sind
quantitative Auswertungen anhand einer Wellenzahl unmöglich. [28][33].
Escher M. Theoretische Grundlagen 15
Flüssigkeiten können im NIRS unverdünnt im Transmissionsmodus gemessen werden.
Feststoffe dagegen werden in diffuser Reflexion vermessen. Die Strahlung trifft bei einer
unförmige Probe auf die zufällig in alle Raumrichtungen verteilten Partikel. Ein Teil der
Strahlung wird von der Probe absorbiert und der andere Teil wird von den Teilchen diffus
reflektiert. Das bedeutet, dass keine Vorzugsrichtung vorhanden ist, wie in Abbildung 2.3 zu
erkennen ist. Die spektrale Information des Materials, die sich in diesen Teil der Strahlung
befindet, wird detektiert.[33]
Abb.2.3: Messung von Flüssigkeiten in Transmission (a) und Feststoffen in diffuser Reflexion (b) [l7][33]
Escher M. Theoretische Grundlagen 16
2.4. Funktionsweise
Die NIR- Technik ist eine berührungs- und zerstörungsfreie Technologie zur
Materialidentifizierung. Dabei werden die zu analysierenden Materialien mit hoher
Geschwindigkeit (ca. 2,5 bis 3 m/s) auf einem schwarzen Förderband unter die
Erkennungseinheit transportiert, analysiert und anschließend ausgeblasen. Während des
Vorbeifahrens werden Lichtwellen auf die Objekte gesendet. Während ein Teil der
Lichtwellen absorbiert wird, wird ein anderer Teil reflektiert. Das reflektierte Licht wird an
ein Spektrometer weitergeleitet und im Nahinfrarot-Bereich analysiert. [48]
Auf Grund der molekularen Struktur der Materialien wird das Licht in bestimmten
Wellenlängenbereichen auf eine materialtypische Art und Weise bevorzugt reflektiert bzw.
absorbiert. Die Analyse ergibt ein so genanntes Spektrum.
Altpapier und Kunststoffe sind wegen ihres charakteristischen Absorptionsverhaltens im NIR-
Bereiches sehr gut zu unterscheiden. Aufgrund der technischen Möglichkeiten der
Separierung von Korngrößen größer 10 Millimeter lassen sich nicht nur unaufbereitete Stoffe,
sondern auch zerkleinerte Kunststofffraktionen sortieren. Je nach spezifischer
Zusammensetzung des Stoffes werden bestimmte Wellenlängenbereiche unterschiedlich stark
absorbiert. Abhängig davon detektiert auch das NIR- Spektrometer, das als Sensor dient,
unterschiedliche Spektrallinien. Durch einen Vergleich der charakteristischen Extremwerte
der Spektrallinien wird u.a. eine Unterscheidung möglich. Aufgrund von Informationen über
Intensitäten von Spektrallinien in bestimmten Wellenlängenbereichen ist eine EDV-gestützte
Unterscheidung und dementsprechend eine nachfolgende Separierung möglich. [9]
Neben dieser Einordnung kann noch eine Klassenzuordnung an Eigenschaften wie der Farbe
bestimmend sein. [2] Durch Unterschiede in Materialart und Farbe wird die Strahlung
abgestuft absorbiert und reflektiert. Die reflektierte Strahlung wird dabei von zwei speziellen
Kamerasystemen detektiert. Ein Kamerasystem mit bildgebender NIR- Spektroskopie ist
dabei für die Aufnahme der stoffspezifischen Absorptionseigenschaften verantwortlich.
Anschließend werden Farbe und Bedruckungsgrad der Materialien mit hochauflösenden
RGB- Zeilenkameras detektiert. Die Objekte werden danach definierten Merkmalsklassen
zugeordnet. [2]
Escher M. Theoretische Grundlagen 17
Die NIR- Technologie kann auf bisherigen Stand der Entwicklung nur Materialien
identifizieren, die ausreichende Reflexion im Arbeitsspektrum (ca. 1.200 bis 1.700 nm)
verursachen. Dunkle Materialien werden somit nicht vom NIR- Sensor erkannt. Somit
entsteht ein erhebliches Problem bei der eindeutigen Identifizierung und im Erreichen
zufrieden stellender Ausbeuten. Das Erkennen dunkler Materialien steht im Mittelpunkt
einiger Entwicklungsvorhaben. Es besteht die Hoffnung, dass Sensoren, welche als
Arbeitsbereich das Mittlere- Infrarot- Spektrum heranziehen, zu besseren Erkennungsraten
führen. Im MIR- Spektrum ist die Absorption von Ruß niedriger, der z.B. zur Farbgebung
dunkler Polymere eingesetzt wird. Dies erlaubt eine Detektion direkter Reflexion. Sensoren
auf Basis des MIR- Spektrums sind sehr empfindlich, was neben den höheren
Investitionskosten einen industriellen Einsatz noch nicht zu hundert Prozent erlaubt. [12][48]
Die heutigen NIR- Trennmodule für die Separation können auch mit einer Kombination von
optischer und spektraler Analyse arbeiten. Das ist in Abbildung 2.4 dargestellt und wird von
der Firma TITECH ausgeführt. Mit diesen Trennaggregaten können zusätzlich zur NIR-
Detektion auf eine Objekterkennung mit einer hochauflösenden Kamera zurückgegriffen
werden. Gerade im Grobkornbereich (> 200 mm) bringt diese Art der Objekterkennung
Vorteile. [5][48]
Für die Wirksamkeit der NIR- Trennaggregate sollten einige Voraussetzungen geschaffen
werden. Zum Beispiel sollte vor Inbetriebnahme die Festlegung auf ein enges Kornspektrum
erfolgen und eine Metallabtrennung vorgeschaltet werden. Weiterhin sollte eine
Einzelbelegung auf dem Förderband vorhanden sein bezüglich der Arbeitsbreite des NIR-
Moduls. Nach Inbetriebnahme der Trennaggregate müssen regelmäßig Wartungen und
Kontrollen der Sensoreinheiten durchgeführt werden. Außerdem sollten Fehlsortierungen und
Verluste überprüft werden. [5][48]
Escher M. Theoretische Grundlagen 18
Abb.2.4:. „Polysort“ der Firma TITECH [URL 5][5]
Nach derzeitigem Stand der Technik kann die NIR- Technologie Materialien die ein
schlechtes Verhältnis von Gewicht zu Fläche aufweisen schwer über Druckluftventile
abtrennen. Bei den eigenen Messungen am Versuchsstand wird der Bereich von 1300 nm bis
2300 nm beleuchtet. [5][48]
Derzeit existieren verschiedene Techniken zur Erzeugung von NIR- Spektren und
dementsprechend auch unterschiedliche Spektrometertypen. Neben den dispersiven
Spektrometern gibt es die Fourier- Transformations- Spektrometer (FT-Geräte). Bei den
dispersiven Spektrometern wird die NIR- Strahlung in einzelne Wellenlängen getrennt auf das
Material eingestrahlt. Hingegen werden bei FT-Geräten alle Frequenzen des NIR-Spektrums
gleichzeitig auf die zu untersuchende Probe gelenkt und im Detektor erfasst, weshalb ein
zeitaufwendiger Wellenlängenscan nicht notwendig ist. [33] Alle NIR- Spektrometern folgen
dem Prinzip, Wechselwirkungen zwischen dem Untersuchungsmaterial und dem Licht zu
detektieren. Spektrometer unterscheiden sich meist in der Art der Lichterzeugung bestimmter
Wellenlängen. Unterschiede bestehen darin, ob es Wellenlängenselektionen mit beweglichen
oder festen Bauteilen erfolgen und ob nur an einzelnen Wellenlängen oder über einen
gewissen Spektralbereich gemessen wird. Seit einigen Jahren sind auch tragbare Geräte
verfügbar, um mobil Messungen durchzuführen. Durch die Vielzahl an verschiedenen
Spektrometern und Messprinzipien sind die möglichem Einsatzgebiete weit gefächert. [38]
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 19
3. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung Im folgenden Kapitel wird auf das Versuchsprogramm – Sammlung, Aufbereitung und
Fraktionierung eingegangen. Das Programm beschreibt grundsätzlich die Durchführung der
Probenbeschaffung und Art und Weise der Vorbereitung für die folgenden Versuchs-
programme.
3.1 Versuchsbeschreibung
Für das Versuchsprogramm- Sammlung, Aufbereitung und Fraktionierung wurden jeweils bis
zu 10 Proben der mineralischen, sortenreinen, ungebrauchten Wandbaustoffe Beton,
Leichtbeton, Porenbeton, Ziegel- und Kalksandstein gesammelt. Ausgehend von den
Marktanteilen der zu untersuchenden Baustoffe wurde die Einteilung getroffen.
Laut der Deutschen Gesellschaft für Mauerwerksbau sind die Anteile der Baustoffarten wie
folgt aufgeteilt: Mit einem Anteil von 46,2% der Gesamtmenge ist Ziegel der am häufigsten
eingesetzte Wandbaustoff, gefolgt von Kalksandstein mit 24,6%, Porenbeton mit 18,7%
sowie Beton- und Leichbeton mit 10,5%. Abbildung 3.1 stellt die Verteilung dar. [URL 19]
46,2 45,9
24,6 25,518,7 18,6
10,5 10,6
0
10
20
30
40
50
2006 2005Jahr
An
teil
in [%
]
Ziegel Kalksandstein Porenbeton Beton- und Leichtbetonsteine
Abb. 3.1: Mauerstein - Marktanteile in Deutschland für 2005 und 2006
Aufgrund der Marktanteile von Wandbaustoffen nach Abbildung 3.1 wurde die
Baustoffsammlung angelegt.
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 20
Nach der Einteilung, welche Baustoffe zu untersuchen sind, wurde die Anzahl der zu
betrachteten Baustoffe je Baustoffsorte bestimmt. Die Einteilung, von jeder Baustoffsorte
möglichst 10 unterschiedliche Proben zu besorgen, wurde getroffen. Bei dieser Anzahl an
Baustoffsorten und der daraus entstehenden Vielzahl an Vergleichswerten von stofflichen
Merkmalen und aufgenommenen NIR- Spektren, können Korrelationen zur Erkennbarkeit
mittels NIR getroffen werden. Durch Abschätzen, wie viel Material einer Probe eines
Baustoffes benötigt wird, um die folgenden Untersuchungen ordnungsgemäß durchzuführen,
konnte die Beschaffung der Baustoffe beginnen. Die Sammlung erfolgte durch Aufsuchen
verschiedener Baumärkte, Baustoffhandel und Bauunternehmen in der näheren Umgebung.
Durch die hohe Anzahl an Baustoffen gestaltete sich der Transport oftmals schwierig.
Dennoch wurden über 1000 kg an Baustoffen gesammelt und anschließend in die
Aufbereitungshalle der Professur Aufbereitung und Wiederverwendung zum Brechen
gebracht.
3.1.1 Korngrößenverteilung Diese gesammelten Baustoffe wurden in der Aufbereitungshalle der Professur mit einem
Prallbrecher zerkleinert und anschließend mittels Siebturm in die Fraktionen 4/8 und 8/16
geteilt. Um weitere Erkenntnisse hinsichtlich der Korngrößenverteilung zu erhalten, wurden
zusätzlich die Siebe der Öffnungsweiten 2 mm und 16 mm benutzt. Somit werden 5
Kornfraktionen erhalten mit denen sich Korngrößenverteilungen erstellen lassen. Diese sind
im Folgenden tabellarisch aufgeführt und geben erste Vergleichsdaten, die in späteren
Bewertungen zu Korrelationen benötigt werden.
Die einzelnen Korngrößenverteilungen und zugehörigen Tabellen sind im Anhang A1
hinterlegt. Beispielhaft wird die Primärbaustoffsammlung vor und nach der Zerkleinerung und
Siebung in Abbildung 3.2 aufgezeigt.
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 21
Die Materialien wurden mit einem Prallbrecher, dargestellt in Abbildung 3.3, gebrochen und
zerkleinert.
Abb.3.2: Primärbaustoffsammlung vor dem Brechen und fraktioniert(Auszug) Abb.3.3: Prallbrecher
Die Korngrößenverteilung der gebrochenen Baustoffe erfolgte nach DIN EN 933-1
„Prüfverfahren für geometrische Eigenschaften von Gesteinskörnungen - Teil 1: Bestimmung
der Korngrößenverteilung - Siebverfahren“. [39]
Bei der Bestimmung der Korngrößenverteilung wird mittels Siebanalyse jede Korngruppe mit
Hilfe eines definierten Siebsatzes in Kornklassen zerlegt. Nach den technischen Prüfvor-
schriften gibt die Korngrößenverteilung „die verschiedenen Massenanteile der in einem
Gesteinskörnungsgemisch enthaltenen Körner gleicher Kornklassen wieder. Sie wird im
Regelfall als Summe der Massenverteilung der Siebdurchgänge gegenüber den
Nennöffnungsweiten der Analysensiebe dargestellt.“ [47]
Da für die weiteren Betrachtungen nur die Fraktionen 4/8 und 8/16 entscheidend waren,
wurde auf einige Siebsätze verzichtet. Anschließend konnte für jede gewählte Fraktion ein
Siebsatz aufgebaut werden. Die Anzahl der Siebe ergab sich nach der Einteilung der zwei zu
erzielenden Fraktionen. Um trotzdem eine gewisse Aussagekraft über eine
Korngrößenverteilung zu bekommen, wurden weitere Siebe im Siebturm installiert. Die
Nennweiten der Analysensiebe und die zugehörigen Kornklassen sind in Tabelle 3.1
dargestellt.
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 22
Tabelle 3.1 Analysensiebe und zugehörige Kornklassen zur Bestimmung der Korngrößenverteilung [39] Analysensieb [Nennweite in mm] Kornklasse
Siebboden 0/2
2,0 2/4
4,0 4/8
8,0 8/16
16 >16
Die Siebsätze mussten anschließend auf eine Auffangschale gesetzt und mit einem Deckel
versehen werden. Danach erfolgte für die Dauer von 10 Minuten eine maschinelle Siebung.
Diese ist in Abbildung 3.4 dargestellt.
Abb. 3.4 Maschinelle Siebung zur Ermittlung der Korngrößenverteilung Nach Beendung der maschinellen Siebung waren die Siebe einzeln zu entnehmen, auf eine
Auffangschale zu setzen und durch kippen, klopfen und schütteln per Hand nachzusieben. Die
Siebdurchgänge mussten in das nächst kleinere Sieb verbracht und die Siebrückstände
gewogen werden.
Die Anteile der einzelnen Kornklassen mussten abschließend in M-% der Einwaage ermittelt
und deren Summe zu einer Sieblinie grafisch zusammengefügt werden. In der folgenden
Auswertung werden die ermittelten Korngrößenverteilungen gezeigt, die mit jedem
gebrochenen Baustoff erstellt wurde. Tabellarische Werte und Einzelanalysen sind im Anhang
A1 hinterlegt.
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 23
3.2 Auswertung
Korngrößenverteilung Beton
0
20
40
60
80
100
0 2 4 8 16 32
Siebweite [mm]
Sie
bdurc
hgan
g in M
%
Beton 1 Beton 2 Beton 3 Beton 4 Beton 5
Beton 6 Beton 7 Beton 8 Beton 9 Beton 10
Abb.3.5: Korngrößenverteilung der Betonsorten 1 bis 10
Abbildung 3.5 stellt die Korngrößenverteilungen der 10 zu untersuchenden Betonsorten dar.
Zu erkennen ist, dass der Anteil der Fraktion 0 bis 2 Millimeter, der im Schnitt bei ca. 35
M.-% liegt, bei fast allem Betonen der Größte ist. Eine Ausnahme stellt hier Beton 9 dar, der
in der Fraktion 4 bis 8 mm die Stärkste Fraktion hat.
Korngrößenverteilung Leichtbeton
0
20
40
60
80
100
0 2 4 8 16 32Siebweite [mm]
Sie
bd
urc
hg
ang
in M
%
Leichtbeton 1 Leichtbeton 2 Leichtbeton 3 Leichtbeton 4 Leichtbeton 5
Leichtbeton 6 Leichtbeton 7 Leichtbeton 8 Leichtbeton 9
Abb.3.6: Korngrößenverteilung der Leichtbetonsorten 1 bis 9
Bei den Leichtbetonsorten stellt sich ähnliches Bild dar. Wobei hier die Fraktion 4 bis 8 mm
noch stärker ausgeprägt ist als beim Beton. Die Korngrößenverteilung der Leichtbetone ist im
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 24
Allgemeinen fast identisch mit der des Betons. Stärkste Fraktion hier ist wiederum 0-2 mm,
zusätzlich zu hohen Masseprozenten in den mittleren Fraktionen.
Korngrößenverteilung Porenbeton
0
20
40
60
80
100
0 2 4 8 16 32Siebweite [mm]
Sie
bdu
rchg
ang
in M
%
Porenbeton 1 Porenbeton 2 Porenbeton 3
Porenbeton 4 Porenbeton 5 Porenbeton 6
Porenbeton 7 Porenbeton 8 Porenbeton 9
Abb.3.7: Korngrößenverteilung der Porenbetonsorten 1 bis 9
Abbildung 3.7 zeigt die Korngrößenverteilung der zu untersuchenden Porenbetone. Auffällig
ist hier, dass die Fraktion unter 2 mm extrem stark ausgeprägt ist, mit durchschnittlich über 40
M.-%, im Vergleich mit den anderen Korngrößenverteilungen der Baustoffsammlung. Die
weiteren Kornfraktionen sind dadurch vergleichsweise weniger stark verteilt.
Korngrößenverteilung Ziegelstein
0
20
40
60
80
100
0 2 4 8 16 32
Siebweite [mm]
Sie
bdu
rchg
ang
in M
%
Ziegelstein 1 Ziegelstein 2 Ziegelstein 3 Ziegelstein 4
Ziegelstein 5 Ziegelstein 6 Ziegelstein 7 Ziegelstein 8
Ziegelstein 9 Ziegelstein 10
Abb.3.8 Korngrößenverteilung der Ziegelsteinsortensorten 1 bis 9
Die Korngrößenverteilungen der Ziegelsteinsorten, dargestellt in Abbildung 3.8, zeigen, dass
sich die Verteilungen der Siebdurchgänge anders gestalten als bei den restlichen Baustoffen.
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 25
Beim Ziegelstein ist die Kornfraktion 8 bis 16 mm am stärksten ausgeprägt und die Fraktion
unter 2 mm weniger stark, im Vergleich zu den anderen Materialien, mit Ausnahme des
Ziegelstein 3.
Korngrößenverteilung Kalksandstein
0
20
40
60
80
100
0 2 4 8 16 32Siebweite [mm]
Sie
bdur
chga
ng in
M%
Kalksandstein 1 Kalksandstein 2 Kalksandstein 3 Kalksandstein 4
Kalksandstein 5 Kalksandstein 6 Kalksandstein 7 Kalksandstein 8
Abb.3.9: Korngrößenverteilung der Kalksandsteinsorten 1 bis 9
Abbildung 3.9 zeigt die Korngrößenverteilung der Kalksandsteine. Zu erkennen ist wieder die
große Fraktion unter 2 mm mit durchschnittlich 40 M.-% und mit der weniger stark
ausgeprägten Verteilung der Korngrößen zwischen 2 und über 16 mm.
Korngrößenverteilung der Mittelwerte der Baustoffsammlung
0,00
20,00
40,00
60,00
80,00
100,00
Siebweite [mm]
Sie
bdurc
hgan
g in M
%
Beton 0,00 33,24 48,80 73,70 92,73 100,00
Leichtbeton 0,00 32,17 48,37 72,12 92,71 100,00
Porenbeton 0,00 49,75 55,85 65,47 84,10 100,00
Ziegelstein 0,00 20,81 32,22 54,72 88,10 100,00
Kalksandstein 0,00 40,21 50,38 67,12 92,32 100,00
0 2 4 8 16 32
Abb. 3.10: Korngrößenverteilung der 5 Baustoffsorten im Mittelwert
Escher M. Versuchsprogramm – Sammlung, Aufbereitung, Fraktionierung 26
Die Korngrößenverteilung der gesammelten Baustoffsammlung im Mittelwert jeder Sorte ist
in Abbildung 3.10 dargestellt. In der Datentabelle ist expliziert aufgeführt, welche Werte die
jeweiligen Baustoffe in den angegebenen Siebdurchgängen in M- % aufweisen. Zu erkennen
ist, dass die Betone und Leichtbetone sehr ähnliche Korngrößenverteilungen haben. Kaum
Unterschiede lassen sich beim Kalksandstein im Vergleich mit Beton und Leichtbeton
erkennen. Außer dass beim Kalksandstein die Fraktion unter 2 mm stärker und die Fraktion 4
bis 8 mm schwächer ausgeprägt ist. Unterschiede gibt es vor allem zwischen Porenbeton und
Ziegelstein. Wobei beim Porenbeton eine Verteilungen zu kennen ist, ähnlich dem
Kalksandstein, nur dass die Fraktion unter 2 mm die Hälfte der gesamten Masse einnimmt.
Ziegelstein dagegen hat eine komplett andere Verteilung im Vergleich zu den restlichen 4
Baustoffsorten, zu erkennen an der anfangs schwachen und dann erst steil werdenden Kurve
der Masseverteilung.
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 27
4. Versuchsprogramm – Ermittlung physikalischer Charakteristika Im weiteren Verlauf der Arbeitsschritte wurden typische physikalische Eigenschaften an den
Materialien geprüft. Dies diente hauptsächlich dem Grund gewisse Korrelationen nach der
Erkennbarkeit mittels NIRS zu erstellen. Bei 60 Baustoffproben die jeweils in die Fraktionen
4/8 und 8/16 aufgeteilt waren ergab das eine Vielzahl an Laboruntersuchungen. Die einzelnen
Verfahren werden im Folgenden erläutert.
4.1 Vorbereitung der Baustoffproben Zur Gewährleistung der präzisen und fehlerfreien Durchführung nachfolgender Versuche,
bedurfte es einer ausführlichen Probenvorbereitung. Diese umfasste als erstes eine mindestens
24 h Trocknung mit 105 °C im Wärmeschrank. Hierzu wurden die in Abbildung 4.1 gezeigten
Trocknungsbleche verwendet.
Abb. 4.1 Trocknungsbleche zur Probenvorbereitung der Gesteinskörnung
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 28
4.2 Ermittlung der Rohdichte im Flüssigkeitspyknometer Die Bestimmung der Rohdichte der Probekörper erfolgte für die Kornfraktionen 4/8 und 8/16
nach DIN EN 1097-6 „Prüfverfahren für mechanische und physikalische Eigenschaften von
Gesteinskörnungen – Teil 6: Bestimmung der Rohdichte und der Wasseraufnahme“. Bei dem
Verfahren wurde, gemäß Anhang A2, die Trockenrohdichte bestimmt, welche sich nach DIN
als „Verhältnis der vorgetrockneten Masse einer Probe von Gesteinskörnungen zu dem
Volumen, das sie in Wasser einnimmt, einschließlich innerer geschlossener Hohlräume, aber
ausschließlich wasserzugänglicher Hohlräume“ definiert. [41]
Pyknometer sind geeichte Wägeflaschen aus Glas mit bekanntem Rauminhalt. Vor Beginn
des Versuches waren die jeweiligen Pyknometer mit dem zugehörigen Schliffaufsatz zu
wägen und die Masse M1 zu dokumentieren. Außerdem wurde die Masse des nur mit wasser
gefüllten Flüssigkeitspyknometers M2 gemessen. Anschließend konnten die Messproben in
die Pyknometer eingefüllt und einschließlich des Schliffaufsatzes die Masse M3 bestimmt
werden. Pro Baustoff waren zwei Pyknometer mit der jeweiligen Fraktion 4/8 und 8/16 zu
befüllen.
Danach wurden die Pyknometer mit möglichst 22 °C temperiertem, destillierten Wasser
befüllt und anschließend von eingeschlossenen Luftblasen befreit. Die befüllten Pyknometer
sind in beispielhaft Abbildung 4.2 dargestellt.
Abb. 4.2 Befüllte Pyknometer zur Bestimmung der Trockenrohdichte
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 29
Nach der Entlüftung waren die Pyknometer erneut bis zur Markierung des Schliffaufsatzes
mit entlüftetem, destillierten Wasser bei möglichst 22 °C zu befüllen. Nach dem sorgfältigen
Abtrocknen der Außenseite waren die Pyknometer einschließlich des Schliffaufsatzes zu
wägen und die Masse M4 zu dokumentieren. Nach einer Stunde wurden die
Flüssigkeitspyknometer bis zur Markierung des Schliffaufsatzes wieder mit destillierten
Wasser befüllt und die Masse M5 war zu notieren. Erneut nach einer Stunde wurde
destilliertes Wasser nachgefüllt und die Masse M6 dokumentiert. Anschließend wurden die
Flüssigkeitspyknometer entleert und die Masse der wassergesättigten und
oberflächentrockenen Probe gewogen (M7). Abschließend waren die Massen M8 der
ofengetrockneten, massekonstanten Proben zu wägen. Dazu wurden die Proben wieder 24
Stunden im Wärmeschrank getrocknet. Einige Massen werden nicht bei Bestimmung der
Rohdichte benötigt, werden aber für zusätzliche Berechnungen verwendet und sind für die
Vollständigkeit der Dokumentation erforderlich.
Die Trockenrohdichte ergab sich gemäß Gleichung 4.1 aus dem arithmetischen Mittel der
zwei, pro Baustoff, bestimmten Trockenrohdichten.
(Gl. 4.1)
�rd ofentrockene Rohdichte [g/cm³]
M2 Masse Pyknometer gefüllt mit dest. Wasser [g]
M6 Masse Pyknometer mit gesättigten Probe und dest. Wasser [g]
M7 Masse wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]
M8 Masse Probe nach Ofentrocknung [g]
�W Dichte dest. Wasser bei Prüftemperatur [g/cm³]
Wrd MMM
Mρρ •
−−=
)( 267
8
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 30
4.2.1 Auswertung
Anhand der Formel in Gleichung 4.1 wurden die Rohdichten der gesammelten Baustoffe
berechnet. In Tabelle 4.1 sind diese zusammengefasst dargestellt.
Tab. 4.1: Rohdichten der Baustoffsammlung im Mittelwert
Baustoff Rohdichte 4/8 mm
[g/cm³] Rohdichte 8/16 mm
[g/cm³] Rohdichte im
Mittelwert [g/cm³]
Beton 2,31 2,28 2,30
Leichtbeton 1,13 1,13 1,13
Porenbeton 0,60 0,56 0,58
Ziegelstein 1,82 1,85 1,83
Kalksandstein 1,81 1,84 1,83
grobe Gesteinkörnung 2,43 2,54 2,49
Altbeton 2,15 2,15 2,15
Mauerwerkbruch 1,85 1,85 1,85
Porenbetonbruch 0,61 0,61 0,61
Die in der Tabelle angegebenen Rohdichten ergeben sich aus insgesamt 99 Messungen mit
dem Flüssigkeitspyknometer. 10 Betonsorten, 10 Ziegelsorten, 9 Porenbetonsorten, 9
Leichtbetonsorten, 8 Kalksandsteinsorten, 2 Kiese, 1 Altbeton, 1 mal Mauerwerkbruch und
eine Porenbetonbruchsorte wurden in den Fraktionen 4/8 und 8/16 gemessen. Die Ergebnisse
zeigen, dass Beton, Altbeton und Kies eine Rohdichte von über 2 g/cm³ aufweisen.
Ziegelstein und Kalksandstein haben den gleichen Wert mit 1.83 g/cm³. Beim Porenbeton und
Porenbetonbruch stellen sich Rohdichten von unter 1 g/cm³ dar. Mauerwerk hat mit 1,85
g/cm³ einen ähnlichen Wert wie die Kalksandsteine und Ziegelsteine. Leichtbeton liegt mit
1.13 g/cm³ knapp über dem Rohdichtewert von 1 g/cm³. Die in Tabelle 4.1 dargestellten
Rohdichtewerte sind in Abbildung 4.3 grafisch hinterlegt. Die Ergebnisse der einzelnen
Baustoffproben werden im Anhang A2 gezeigt. Dabei werden die Ergebnisse jeder einzelner
Probe der jeweiligen Baustoffsorte expliziert dargelegt. Zusätzlich zu der ofentrockenen
Rohdichte �rd, wurde die scheinbare Rohdichte �a ermittelt. Für weitere Betrachtungen, sprich
Porositätsberechnung, wurde die ofentrockene Rohdichte verwendet.
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 31
Rohdichte mit Glaspyknometer
0,00
0,50
1,00
1,50
2,00
2,50
3,00
Baustoff
Ro
hd
ich
te [
g/c
m³]
Beton
Leichtbeton
Porenbeton
Ziegelstein
Kalksandstein
grobe Gesteinkörnung
Altbeton
Mauerwerkbruch
Porenbetonbruch
Abb. 4.3: mit dem Flüssigkeitspyknometer ermittelte Rohdichte der jeweiligen Baustoffe
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 32
4.3 Ermittlung der Wasseraufnahme mittels Flüssigkeitspyknometer
Die Versuche mit dem Flüssigkeitspyknometer wurden außerdem genutzt, um die
Wasseraufnahme der gesammelten Baustoffe zu charakterisieren. Hierfür wurde wieder die
DIN EN 1097-6 „Prüfverfahren für mechanische und physikalische Eigenschaften von
Gesteinskörnungen – Teil 6: Bestimmung der Rohdichte und der Wasseraufnahme“
herangezogen. Die Probenvorbereitung und Durchführung wurde gemäß Kapitel 4.2
vollzogen. [41]
(Gl. 4.2)
WA2h = Wasseraufnahme der Gesteinskörnung in 2 Stunden [%]
M7 = Masse der wassergesättigten und oberflächentrockenen Gesteinskörnung in Luft [g]
M8 = Masse der Probe nach Ofentrocknung [g]
4.3.1 Auswertung
Die Wasseraufnahmen der verschiedenen Baustoffsorten sind in Tabelle 4.2 dargestellt. Zur
Berechnung der Wasseraufnahme wurden die Werte der Fraktionen 4/8 und 8/16 mm der
Baustoffsammlung im Mittelwert der jeweils bis zu 10 Materialien gesetzt. Als Beispiel setzt
sich der Wert der Wasseraufnahme nach zwei Stunden des Betons zusammen, in dem die 10
Werte der Betonsorten 1-10 in der Fraktion 4/8 mm gemittelt wurden und die der Fraktion
8/16 mm ebenfalls. Anschließend wird von diesen beiden Werten der Mittelwert gebildet. Die
nachfolgende Tabelle stellt die Wasseraufnahmen der Baustoffsorten dar.
1008
872 •
−=
M
MMWA h
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 33
Tab. 4.2 Wasseraufnahmen der Baustoffsammlung
In Tabelle 4.2 ist zu erkennen, dass Porenbeton die höchste Wasseraufnahme hat, gefolgt vom
Porenbetonbruch. Beton, Altbeton und Kies weisen eine Wasseraufnahme von unter 10 % auf.
Ziegelstein und Kalksandstein haben eine Wasseraufnahme im Mittel bei ca. 15 % und
Mauerwerkbruch weist eine Wasseraufnahme von etwa 12 % auf. Wasseraufnahmen von
durchschnittlich 24,55 % wurden bei Leichtbeton ermittelt. Grafisch sind die Ergebnisse in
Abbildung 4.4 dargestellt. Die Ergebnisse der einzelnen Baustoffproben sind im Anhang A2
hinterlegt. Dabei werden die Ergebnisse jeder Probe der jeweiligen Baustoffsorte expliziert
dargelegt.
Wasseraufnahme nach 2 Stunden
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
Baustoff
Was
sera
ufn
ahm
e [%
]
Beton
Leichtbeton
Porenbeton
Ziegelstein
Kalksandstein
grobe Gesteinkörnung
Altbeton
Mauerwerkbruch
Porenbetonbruch
Abb. 4.4: Wasseraufnahmen der Baustoffe in 2 Stunden
Baustoff WA nach 2 h Fraktion 4/8
[%] WA nach 2 h Fraktion 8/16
[%] WA im
Mittelwert [%]
Beton 4,92 4,87 4,90
Leichtbeton 25,99 23,10 24,55
Porenbeton 92,63 77,49 85,06
Ziegelstein 16,12 14,18 15,15
Kalksandstein 14,60 13,64 14,12
grobe Gesteinkörnung 3,45 1,91 2,68
Altbeton 7,19 7,19 7,19
Mauerwerkbruch 11,93 11,93 11,93
Porenbetonbruch 52,60 52,60 52,60
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 34
4.4 Ermittlung der Rohdichte mittels Feststoffpyknometer Ein weiteres Laborgerät zur Bestimmung der Rohdichte ist das Feststoffpyknometer oder
Geopyknometer. Bei diesen alternativen Verfahren kann die Kornrohdichte mittels
Feststoffpyknometrie bestimmt werden. Messinstrumentarium bildet hierbei ein feines
pulverförmiges, flüssigkeitsähnliches Medium. Die mittlere Korngröße des Pulvers beträgt
121,1 �m und es besitzt eine sehr enge Korngrößenverteilung. Prinzipiell wird das
Kornvolumen der zu betrachteten Probe durch Verdrängung dieses Pulvers ermittelt. Das
Pulver passt sich ähnlich wie Wasser den Konturen der Messprobe an. Abbildung 4.5 zeigt
das Feststoffpyknometer und in Abbildung 4.6 ist die Messzelle mit dem Messpulver
(DryFlo) dargestellt.
Abb. 4.5/4.6: Feststoffpyknometer GeoPyc 1360, Hersteller: Micromeritics GmbH / Messzelle (50,8 mm Durchmesser) mit Messpulver (DryFlo) gefüllt
Der Vorteil des Verfahrens besteht darin, dass die Probe während der Messung nicht mit
Wasser in Berührung kommt, daher kein Wasser aufnehmen kann und somit die
Analysezeiten verkürzt, sowie die Gefahr von Messfehlern gesenkt werden. Von Nachteil sind
die hohen Gerätekosten sowie die Vielzahl an Verschleißgegenständen (u.a. Messmedium,
Kolben).
Die zu untersuchenden Proben mussten vor der Messung auf Massekonstanz getrocknet
werden. Entsprechend Form und Größe der Probe wird eine passende Messzelle gewählt.
Dabei wurden bei den Untersuchungen dieser Arbeit Messzellen mit einem Durchmesser von
50,8 mm benutzt.
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 35
Nach der Bestimmung der Messzelle muss die Menge des Messmediums eingewogen werden.
Bei einer Leermessung wird das Messmedium mit definierter Kraft verdichtet. Dabei wird der
Vorschub des Kolbens und damit verbunden das Volumen des Messmediums ermittelt. Nach
dieser Messung wird die Probe in die Messzelle gegeben. Bei erneuter Verdichtung bei
gleicher Kraft errechnet das Messgerät anhand der Geometrie der Messzelle, den zwei
verschiedenen Kolbenbewegungen und der Probenmasse das Volumen und somit auch die
Rohdichte des zu untersuchenden Materials.
4.4.1 Auswertung
Die Ergebnisse der Berechung der Rohdichte mit dem Feststoffpyknometer sind
zusammengefasst in Tabelle 4.3 aufgezeigt. Zur Berechnung der Rohdichte wurden jeweils 3
Messungen pro Baustoffsorte und –probe in den Fraktionen 4/8 und 8/16 ermittelt.
Anschließend waren die Werte der einzelnen Fraktionen im Mittelwert zu berechnen. Zu
diesen zwei gemittelten Werten wurde abschließend erneut der Mittelwert gebildet, der den
Endwert der Berechnung der Rohdichte mit dem Feststoffpyknometer darstellt. Als Beispiel
setzt sich die Rohdichte des Betons zusammen, in dem die jeweils 3 Messungen mit
beispielsweise Beton 1 in der Fraktion 4/8 gemittelt wurden und in Fraktion 8/16 ebenfalls.
Dies wurde mit jedem Beton (1-10) durchgeführt und anschließend der Mittelwert in den 2
Fraktionen berechnet. Der gemittelte Wert der beiden Zahlen ergibt letztendlich den Endwert,
zu entnehmen in nachfolgender Tabelle. Dieser Endwert der Rohdichte, am Beispiel Beton,
setzt sich dementsprechend aus 60 Messungen zusammen. Insgesamt wurden 340 Versuche
mit dem Feststoffpyknometer gemessen. Aufgrund der Vielzahl an Messvorgängen werden
nur die Endwerte der berechneten Rohdichten dargestellt. Im Anhang A3 werden die
Ergebnisse der Einzelmessungen dargelegt.
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 36
Tab. 4.3: Rohdichten der gesammelten Baustoffe
Baustoff Rohdichte 4/8 mm
[g/cm³] Rohdichte 8/16
mm [g/cm³] Rohdichte im
Mittelwert [g/cm³]
Beton 2,44 2,38 2,41
Leichtbeton 1,16 1,13 1,15
Porenbeton 0,77 0,63 0,70
Ziegelstein 1,87 1,90 1,88
Kalksandstein 1,91 1,91 1,91
grobe Gesteinkörnung 2,64 2,64 2,64
Altbeton 2,34 2,34 2,34
Mauerwerkbruch 1,95 1,95 1,95
Porenbetonbruch 0,62 0,62 0,62
Zu erkennen ist, dass grobe Gesteinskörnung (Kies) den höchsten Wert mit 2,64 g/cm³ besitzt,
gefolgt von Beton mit 2,41 g/cm² und Altbeton mit 2,34 g/cm³. Ziegelstein, Kalksandstein
und Mauerwerkbruch haben Rohdichtewerte von ca. 1, 90 g/cm³. Einen Wert von 1,15 g/cm³
erreicht der Leichtbeton. Die geringsten Rohdichten weisen Porenbeton und Porenbetonbruch
auf, mit 0,70 g/cm³ beziehungsweise 0,62 g/cm³. Abbildung 4.7 zeigt die Ergebnisse der
Rohdichteberechnung mittels Feststoffpyknometer im Diagramm. Besonders die Werte von
Porenbeton und Porenbetonbruch heben sich im Vergleich mit den anderen Baustoffen ab.
Die Unterschiede der ermittelten Werte mit denen der Rohdichteberechnung mit dem
Flüssigkeitspyknometer werden vergleichend im Kapitel 4.6.1 gegenübergestellt.
Rohdichte mit Feststoffpyknometer
0,00
0,50
1,00
1,50
2,00
2,50
3,00
Baustoff
Rohdic
hte
[g/c
m³]
Beton
Leichtbeton
Porenbeton
Ziegelstein
Kalksandstein
grobe Gesteinkörnung
Altbeton
Mauerwerkbruch
Porenbetonbruch
Abb. 4.7: mit dem Feststoffpyknometer ermittelte Rohdichte der jeweiligen Baustoffe
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 37
4.5 Ermittlung der Reindichte Zur Ermittlung der Reindichte wurde ein Gas(Helium)pyknometer verwendet. Im
Gaspyknometer befindet sich die zu untersuchende Probe in einer abgeschlossenen Kammer
mit bekannten Volumen. Unter Druck wird diese mit Heliumgas gefüllt. Temperatur und
Druck werden dabei kontinuierlich gemessen. Wenn die Probe vollständig mit Helium
gesättigt ist, bleibt der Druck konstant. Anschließend wird eine zweite Kammer geöffnet. Die
Differenz der gemessenen Drücke vor und nach dem Verbinden der Kammern ist maßgebend
für das Volumen des Heliums. Das Helium dringt in die Poren des Gesteins ein und das
Volumen wird bestimmt. Letztendlich erhält man über die Masse der Probe schließlich die
Reindichte.
Um einen genauen Wert bei der Analyse zu bekommen, bedarf es einiger Probenvorbereitung.
Das Material muss auf eine Korngröße kleiner 63 �m aufgemahlen werden, um alle
eventuellen Gesteinsporen auszuschließen. Dafür wird das Material der Fraktion 4/8 mm in
das Mahlgerät RS 100 gegeben und aufgemahlen. Anschließend kann die Probe in das
Heliumpyknometer geführt werden. In Abbildung 4.8 ist das Mahlgerät dargestellt, Abbildung
4.9 zeigt das Heliumpyknometer.
Abb.4.8: Mahlgerät RS 100, Hersteller: Retsch Abb.4.9: Helium(Ultra)pyknometer 1000,
Hersteller: Quantachrome Corporation
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 38
4.5.1 Auswertung Im Folgenden werden die Ergebnisse der Reindichtebestimmung dargestellt. In Tabelle 4.4
sind die jeweiligen Baustoffe und die dazugehörigen Reindichten aufgezählt.
Tab. 4.4: Reindichten der Baustoffe im Mittelwert
Baustoff Anzahl
Messungen Reindichte im
Mittelwert [g/cm³]
Beton 44 2,75
Leichtbeton 28 2,66
Porenbeton 27 2,63
Ziegelstein 30 2,75
Kalksandstein 26 2,71
grobe Gesteinkörnung 6 2,70
Altbeton 15 2,74
Mauerwerkbruch 9 2,78
Porenbetonbruch 9 2,71
Zu erkennen ist, dass alle Baustoffe Reindichten im Bereich von 2,63 g/cm³ (Porenbeton) und
2.78 g/cm³ (Mauerwerkbruch) aufweisen. Ziegelstein, Beton und Altbeton haben in etwa
dieselbe Reindichte von 2.75 g/cm³ beziehungsweise 2.74 g/cm³. Porenbetonbruch und
Kalksandstein weisen identische Reindichte von 2.71 g/cm³ auf. Einen Wert von 2,66 g/cm³
stellt sich beim Leichtbeton dar. Die Dichte von Kies liegt im Mittel bei 2.70 g/cm³.
Festzustellen ist, dass nur Porenbeton und Leichtbeton, mit Werten von 2.65 beziehungsweise
2,66 g/cm³, Reindichten von unter 2,70 g/cm³ aufweisen. In Abbildung 4.10 sind die
Ergebnisse grafisch dargestellt. Die Werte der Einzelmessungen, aus denen die Ergebnisse,
die hier aufgezeigt sind entstammen, sind im Anhang A4 hinterlegt. Insgesamt wurden 194
Messungen mit dem Heliumpyknometer gemacht.
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 39
Reindichte mit Heliumpyknometer
2,55
2,60
2,65
2,70
2,75
2,80
Baustoff
Rei
nd
ich
te [
g/c
m³]
Beton
Leichtbeton
Porenbeton
Ziegelstein
Kalksandstein
grobe Gesteinkörnung
Altbeton
Mauerwerkbruch
Porenbetonbruch
Abb.4.10: mit dem Heliumpyknometer ermittelte Reindichte der jeweiligen Baustoffe
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 40
4.6 Ermittlung der Porosität Die Porosität ist eine physikalische Größe und stellt das Verhältnis von Hohlraumvolumen zu
Gesamtvolumen eines Stoffes oder Stoffgemisches dar. Sie dient als klassifizierendes Maß für
die tatsächlich vorliegenden Hohlräume. Zur Anwendung kommt die physikalische Größe im
Bereich der Werkstoff- und Bautechnik. Die Porosität hat großen Einfluss auf die Dichte
eines Materials sowie auf den Widerstand der Durchströmung einer Schüttung. [URL 2]
Die Gesamtporosität umfasst offene und geschlossene Poren und wird aus der Roh- und
Reindichte nach folgender Gleichung berechnet:
1001 0 •���
����
�−=
R
Pρ
ρ (Gl. 4.3)
P = Gesamtporosität [%] �0 = Rohdichte [g/cm³] �R = Reindichte [g/cm³]
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 41
4.6.1 Auswertung Tab. 4.5: Porosität der Baustoffe mit der Rohdichteermittlung vom Glas- und Feststoffpyknometer
Baustoff Reindichte [g/cm³]
Rohdichte Glas-
pyknometer [g/cm³]
Rohdichte Feststoff-
pyknometer [g/cm³]
Porosität Flüssigkeits-pyknometer
[%]
Porosität Feststoff-
pyknometer [%]
MW Porosität [%]
Beton 2,75 2,30 2,41 16,36 12,36 14,36
Leichtbeton 2,66 1,13 1,15 57,52 56,77 57,14
Porenbeton 2,63 0,58 0,70 77,95 73,38 75,67
Ziegelstein 2,75 1,83 1,88 33,45 31,64 32,55
Kalksandstein 2,71 1,83 1,91 32,47 29,52 31,00
grobe Gesteinkörnung 2,70 2,49 2,64 7,78 2,22 5,00
Altbeton 2,74 2,15 2,34 21,53 14,60 18,07
Mauerwerkbruch 2,78 1,85 1,95 33,45 29,86 31,65
Porenbetonbruch 2,71 0,61 0,62 77,49 77,12 77,31
Zur Ermittlung der Porosität werden die berechneten Werte der Roh- und Reindichte
verwendet. Aufgrund des Umfangs der Laboruntersuchungen wurden zwei Rohdichten,
ermittelt auf unterschiedlichen Wegen, gemessen. Zum einen die Rohdichte mit dem
Flüssigkeitspyknometer, in Spalte 3 der Tabelle 4.5 zu erkennen, und die Rohdichte mit dem
Feststoffpyknometer, dargestellt in Spalte 4. Festzustellen ist, dass die Werte mit dem
Feststoffpyknometer immer geringfügig höher sind und somit die der Porosität etwas
niedriger ausfällt. Zu erklären ist das über eventuelle Messungenauigkeiten mit dem
Flüssigkeitspyknometer beziehungsweise über die gewählte Größe der Messzelle bei der
Untersuchung mittels Feststoffpyknometer. Bei Vergleichsuntersuchungen am Ende der
Versuche wurden gleiche Proben mit einem geringeren Messzellendurchmesser verwendet
und Ergebnisse ähnlich denen des Flüssigkeitspyknometers, also etwas niedrigere Werte,
festgestellt. Um dieser eventuellen geringen Fehlerkonstante entgegenzuwirken, wurden die
beiden berechneten Werte gemittelt. Die somit ermittelten Porositäten der Gesteinskörnungen
wurden gegenübergestellt und im Mittel als endgültige Porosität definiert.
Escher M. Versuchsprogramm – Ermittlung physikalischer Charakteristika 42
Porosität im Mittelwert der Baustoffsorten
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
Glaspyknometer Feststoffpyknometer Mittelwert
Verfahrenswahl
Po
rosi
tät [
%]
Beton
Leichtbeton
Porenbeton
Ziegelstein
Kalksandstein
grobe Gesteinkörnung
Altbeton
Mauerwerkbruch
Porenbetonbruch
Abb.4.11: Porosität über Glas-, Festoffpyknometer und im Mittelwert der gesammelten Baustoffsorten
Anhand der Ergebnisse aus Tabelle 4.5 und Abbildung 4.11 ist festzustellen, dass Porenbeton
und –Bruch die höchsten Porositäten, mit über 75 %, aufweisen. Gefolgt von Leichbeton, der
eine Porosität von 57,14 % erreicht. Bei Ziegelstein, Kalksandstein und Mauerwerkbruch
wurden Werte der Porosität von 31 bis 32,55 % ermittelt. Beton und Altbeton erreichen Werte
von 15 % beziehungsweise 18 %. Mit einer Porosität von durchschnittlich 5 % weist der
untersuchte Kies den niedrigsten Wert auf.
Im weiteren Verlauf der Arbeit werden die ermittelten Charakteristika mit den
aufgenommenen NIR- Spektren in Verbindung gestellt. Die physikalischen Werte der
einzelnen Baustoffe legen den Grundstein für weitere Betrachtungen. Eine abschließende
Tabelle, die alle physikalischen Eigenschaften zusammenfasst, folgt in Kapitel 7 und ist im
Anhang A4 hinterlegt.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 43
5. Versuchsprogramm – NIR- Spektrenbibliothek am Versuchsstand Das nun folgende Kapitel beschäftigt sich mit der Aufnahme und Auswertung der NIR-
Spektren. Die Baustoffsammlung, primär bestehend aus bis zu 10 verschiedenen Sorten der
Wandbaustoffe Beton, Leicht- und Porenbeton, Kalksandstein und Ziegelstein und
verschiedenen sekundären Baustoffen wie Altbeton, Porenbetonbruch und Mauerwerkbruch
in den Fraktionen 4/8 und 8/16, wurde wie in den vorhergehenden Kapiteln beschrieben,
verschiedenen physikalischen Messuntersuchungen unterzogen. Der nächste Arbeitsschritt
war die Aufnahme der einzelnen Baustoffsorten und das Anlegen einer NIR-
Spektrenbibliothek. Im weiteren Verlauf des Kapitels werden die Probenvorbereitung,
Probenaufnahme und Auswertung der erhaltenen Spektren im Mittelpunkt stehen. Dabei wird
der Messtand, mit dem die Proben aufgenommen wurden, erläutert und die Darstellung und
Auswertung der Spektren mit entsprechenden Programmen beschrieben. Darüber hinaus
werden noch einige theoretische und mathematische Aspekte erläutert, die gerade bei der
Auswertung der Spektren von Bedeutung sind.
5.1 Eigenschaften von NIR- Spektren Die NIR- Spektroskopie ist eine Absorptionsspektroskopie. Ein gewisser Teil der Strahlung
wird durch die Probe absorbiert. Als Ergebnis einer Messung, also eines Spektrums, erhält
man auf der Ordinate eines Koordinatensystems die Intensität von der Probe abgeschwächter
Strahlungsenergie. Die Abhängigkeit der Wellenlänge wird auf der Abszisse abgebildet.
Bei einem dreiatomigen Molekül wie beispielsweise CO2 ist durch die Vielzahl von
Kombinationen von Grundschwingungen das NIR- Spektrum bereits entsprechend
bandenreich. Insbesondere bei mehratomigen organischen Molekülen gilt das. Allgemein ist
das Erscheinungsbild von NIR- Spektren von wasserstoffhaltigen funktionellen Gruppen
geprägt. Eine im NIR auftretende binäre Kombination von Grundschwingungen kann nur von
Banden kommen, wovon mindestens eine über 2000 cm-1 liegen muss. Im Bereich 4000 cm-1
bis 2000 cm-1 treten Doppel-, Dreifachbindungen und intensive Valenzschwingungsbanden
von Atompaaren auf, z.B. C-H, N-H, O-H. Wasserstoff ist dabei immer beteiligt. In diesen
funktionellen Gruppen bestehenden Obertöne und Kombinationsbanden rufen die stärksten
Absorptionen des NIR- Spektrums hervor. [URL 22]
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 44
Ein NIR- Spektrum weist nicht nur Merkmale auf, die von wasserstoffhaltigen funktionellen
Gruppen entspringen. Das NIR- Spektrum enthält Information über alle funktionellen
Gruppen. Eine Verbindung zwischen der Bandenkontur eines NIR- Spektrums und der
Molekülstruktur ist in weiten Teilen gegeben. [URL 21]
Schwingungsspektren lassen sich nur schwer interpretieren. Ausgehend vom mittleren
Infrarot sind die Gegebenheiten einer Interpretation bedingt durch die komplexen
Möglichkeiten der Schwingungskopplung schon recht kompliziert. Es gelingt bei größeren
Molekülen gewöhnlich nicht, alle Banden eines IR-Spektrums eindeutig zuzuordnen. Im MIR
gibt es für die meisten funktionellen Gruppen empirisch bewährte Interpretationsregeln auf
semiempirischer Basis. Ähnlich gilt dies auch für die NIR- Spektroskopie. Jedoch gestaltet
sich die Interpretation für komplizierte mehratomige Moleküle komplexer. NIR- Spektren
weisen eine hohe Redundanz an Informationen und Überlagerungen verschiedener
Absorptionsbanden auf. So werden beim NIR relativ breite, kontrastreiche Banden und
Molekülschwingungen der im mittleren Infrarot anzutreffenden Grundfrequenzen beobachtet,
welche sich zwar erstmal in etwa bestimmten Ober- und Kombinationsschwingungs-
Bereichen einordnen lassen, aber bei näherer Betrachtung schlecht zu interpretieren
beziehungsweise zuzuordnen sind und eine normale Auswertung nahezu unmöglich machen.
Eine Auswertung der NIR Spektroskopie erfolgt daher meist mit multivarianten,
chemometrischen Methoden, in dem ein statistischer Zusammenhang zwischen Messdaten
und Zielgröße hergestellt wird. [URL 21][URL 22]
Die NIR Spektroskopie kann dabei in vielen Bereichen der Industrie zur qualitativen und
quantitativen Analyse von Feststoffen, Flüssigkeiten und Gasen eingesetzt werden und ist
somit sehr vielseitig in ihren Einsatzgebieten. Eine Analyse durch die NIR- Spektroskopie ist
schnell, vergleichen mit herkömmlichen Methoden. Ein wichtiger Punkt ist außerdem, dass es
eine zerstörungsfreie Messung durch NIR Spektroskopie erlaubt. Meist können Produkte ohne
jegliche Probenaufarbeitung gemessen werden. [21]
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 45
5.2 Probenvorbereitung Die Baustoffsammlung, bestehend aus 116 Proben, aufgeteilt in die Fraktionen 4/8 und 8/16,
wurde im Anschluss an die Ermittlung der physikalischen Charakteristika mit dem NIR-
Messgerät aufgenommen. Mit dem Hintergrund jede Probenart jeder zu untersuchenden
Fraktion statistisch genau zu vermessen, wurde der Probenteiler in Abbildung 5.1 benutzt. So
konnten die Materialien, die in etwa 5 kg pro Fraktion wiegen, in 10 gleich schwere Proben
verteilt werden, um diese anschließend aufzunehmen. Diese aufgeteilten Proben werden
jeweils 10-mal pro Fraktion vermessen, was eine Summe von 200 Messungen pro Baustoff
ergibt. Daraus ergeben sich pro Baustoffsorte, bei 10 unterschiedlichen Baustoffarten, 2000
Messungen.
Abb.5.1: Probenteiler für die statistisch genaue Herstellung von 10 aufzunehmenden Proben
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 46
5.2.1 Aufnahmegerät Aufgenommen wurden die Spektren mit dem Messgerät KUSTA 4004S der Firma LLA,
Berlin. Das Gerät ist konzipiert für den Einsatz im Labor und vor Ort. Es ist ein kompaktes
Tischmessgerät und die Bedienung kann direkt über Anschluss von Tastatur, Monitor und
Maus an den integrierten Industrie- PC erfolgen. Der Messkopf kann über ein flexibles Kabel
mit dem Grundgerät verbunden werden. Besonders die auf die unterschiedlichen
Anwendungsgebiete zugeschnittene Software und verschiedene Messmethoden ermöglichen
eine gewisse Flexibilität bei der Benutzung der Technik. In Abbildung 5.2 ist das Messgerät
KUSTA 4004S von LLA dargestellt.
Abb.5.2.: KUSTA 4004S; LLA
Das KUSTA 4004S hat verschiedene Einsatzmöglichkeiten. Vorrangig wird es zur
Identifikation von Kunststoffen aus Haushaltsmüll, Elektroschrott und Altautoaufkommen
sowie zur Bewertung und Sortierung von Altpapier verwendet. Die Anwendung zur
Bestimmung von Mineralien gehört zwar auch zum Einsatzspektrum des Gerätes, jedoch ist
die Betrachtung von mineralischen Baustoffen in dem Umfang dieser Arbeit noch nicht
durchgeführt wurden.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 47
In Tabelle 5.1 sind einige technische Eigenschaften des KUSTA 4004S aufgezählt.
Tab.5.1: Technische Spezifikationen des Messgerätes KUSTA 4004S
Merkmal Information
Messmethode Berührungslose und zerstörungsfreie Messung auf der Grundlage der NIR-Spektroskopie
Messung der absoluten Remission in Abhängigkeit von der Wellenlänge
Wellenlängenbereich Δλ 510 nm im Bereich zwischen 1400 – 2200 nm wählbar
Dispersion pro Pixel 2 nm
Anzahl der Messköpfe 1
Messkopf Aufnahme von festen Proben durch Auflegen auf das Messfenster; Messdurchmesser Messfenster: 2 mm;
automatische interne Kalibrierung; interne Beleuchtungsquelle
Grundgerät Spektrograph, Steuerelektronik, Industrie-PC
Maße (B x H x T) 450 mm x 185 mm x 320 mm (Grundgerät ohne Monitor)
Gewicht 22 kg
PC-Konfiguration CPU 1,8 GHz, RAM 512 MByte, HDD mind. 20 GByte Anschlüsse:
VGA, Tastatur PS/2, COM, USB, Ethernet
Software Steuersoftware KUSTA®Win, incl. Applikations- und Analysesoftware, zugeschnitten auf die konkrete Applikation
Optional: Spektrometrische Entwicklungssoftware KUSTA®Spec
Temperaturbereich + 15° bis + 30° C
Luftfeuchtigkeit 20 bis 80 %
Spannungsversorgung 230 V ~ 50 Hz, Sicherung 4 A, (optional 115 V ~ 60 Hz)
[URL 4]
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 48
Die Spektren werden mit dem Messprogramm KustaWin® aufgenommen und mit Hilfe der
Spektroskopiesoftware KustaSpec® analysiert und ausgewertet. Funktionsumfang der
Software KustaSpec® beinhaltet die Visualisierung der NIR- Spektren, die Bearbeitung der
Spektren, die Datenkonversion, die Erstellung von Analysemodellen sowie deren Test und
Optimierung und die Modellbildung für die Erkennungsmodule Fuzzy, Euklid, PCR, PLS,
Special und Multistage. Die durch das Programm KustaWin® aufgezeichneten Spektren
können in KustaSpec® eingelesen und bearbeitet werden. Allen geladenen Spektren ist ein
Spektrenname zugeordnet. Die Summe der geladenen Spektren mit dem qualitativen
Parameter des Sortennamens wird als Spektren-Set definiert, oder auch als Lernset
bezeichnet, da es als Einheit gespeichert wird und zum Anlernen von diversen
Analysemodellen verwendet wird [URL 4].
Für die Modellbildung stehen folgende Möglichkeiten zur Verfügung:
• Zusammenstellung von Lernsets und von Testsets aus NIR- Spektren
• Konfigurierung der freien Parameter der jeweiligen Erkennungsmodule
• Statistische Analyse der Qualität der Modelle anhand der NIR- Filesets
• Optimierung der freien Parameter der jeweiligen Erkennungsmodule [URL 4]
Abb.5.3: Arbeitsbildschirm der Spektroskopiesoftware KustaSpec®
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 49
5.3 Durchführung der NIR- Spektroskopie Die Durchführung der Aufnahme der NIR- Spektren wurde entsprechend der
Probenvorbereitung (vgl. Kap. 5.2) vollzogen, um einen statistisch genauen Aussagewert zu
erzielen. Nach der Einteilung in 10 gleich verteilte Proben je Fraktion und Baustoffprobe
waren diese mit dem Messgerät aufzunehmen. Dazu wurden die Partikel einzeln vermessen,
beispielhaft in Abbildung 5.4 zu betrachten. Pro Lernset wurde eine Sprektrenauswahl
vollzogen, also 10 Spektrenaufnahmen aus durchschnittlich 25 Messungen wurden weiter
verwendet. Diese Auswahl wurde aufgrund verschiedener Banden, Peaks, Schwankungen,
Ungenauigkeiten und Wert der Intensität getroffen, dargestellt in Abbildung 5.5
(Aufnahmespektren) und Abbildung 5.6 (1.Ableitung der Aufnahmespektren). Hierbei
werden die 10 roten Spektren als „gut“ bezeichnet und die restlichen hellblauen Spektren als
weniger brauchbar betrachtet. Dazu standen viele Einstellungsmöglichkeiten, wie z.B.
Bildung der 1. und 2. Ableitung der Spektrenfunktionen, durch die Software zur Verfügung.
Abb. 5.4: Probenaufnahme am Versuchsstand
Abb.5.5/5.6: Spektrenauswahl nach Intensität und Kurvenverlauf der Aufnahmespektren und nach 1. Ableitung
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 50
Tabelle 5.2: Baustoffsammlung und Anzahl der Messungen
Baustoff Anzahl Proben
Messungen pro Probe
Messungen Gesamt
Spektren zur Weiterverwendung Datenbank
Beton 10 5000 2100 A, B, C
Leichtbeton 9 4500 1820 A, B, C
Ziegelstein 10 5000 2082 A, B, C
Porenbeton 9 4500 2070 A, B, C
Kalksandstein 8
Ø 500
4000 1610 A, B, C
Kies 2 300 600 420 B, C
Altbeton 5 200 1000 610 B, C
Mauerwerkbruch 3 150 450 600 B, C
Porenbetonbruch 3 150 450 300 B, C
Asbest 2 60 120 100 C
Faserzement 2 60 120 100 C
Gips 5 100 500 380 C
Granit 1 110 110 110 C
Porphyr 1 100 100 100 C
Testspektren für Auswertung 4000 3000 /
Gesamt 70 30450 15402
Anhand Tabelle 5.2 ist zu erkennen, dass insgesamt ca. 30000 Messungen durchgeführt
wurden. Aufgrund der Tatsache, dass pro Baustoffart einer Baustoffsorte für 10 wieder
verwendbare, aussagekräftige Spektren ca. 25 Messungen gemacht wurden, ergibt sich die
Anzahl der Messungen. Diese 10 Spektren wurden in ein Lernset gespeichert und als solches
mit dem Softwareprogramm KustaSpec® definiert. Pro Probe und Fraktion wurden infolge der
Aufnahme 10 Lernsets mit jeweils 10 Spektren erstellt. Pro Probe wurden dementsprechend
20 Lernsets (10 pro Fraktion) aufgestellt. Das ergibt in der Summe, bei 10 Proben pro
Baustoffsorte, 200 Lernsets mit 2000 Spektren, aufgeteilt in die Fraktionen 4/8 und 8/16 für
Beton, Leichtbeton, Kalksandstein, Porenbeton und Ziegelstein. Messungen der restlichen
Baustoffe ergeben sich aus der Tabelle. Unter „Testspektren für Auswertung“ werden
Spektren angegeben, die für Tests der Wassergehalte, Datenbanktests, Asbest- und
Gipserkennung benutzt wurden. Die entsprechenden Datenbanken A bis C geben an, welche
Baustoffe in verschiedene Spektrengruppen zusammengefasst wurden, ausführlich in Kapitel
5.5 beschrieben.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 51
Exemplarisch am Beton:
• 10 Betonsorten mit der Bezeichnung B1 bis B10
• 10 mengenmäßig gleichverteilte Proben pro Beton (B1 bis B10) und Fraktion (4/8 und
8/16)
• Pro Probe 100 brauchbare Messungen mit der Bezeichnung Bx Y Z,
wobei x= Betonprobe 1-10; Y= Fraktion 4/8 oder 8-16; Z= Anzahl des Lernsets
• Ergibt 10 Messungen z.B. mit der Bezeichnung B1 4-8 1 � 1 Lernset
• 100 Messungen z.B. mit der Bezeichnung B1 4-8 1-10; 100 mit B1 8-16 1-10
• Bei 10 Proben B1 bis B10 ergeben sich 2000 bezeichnete Messungen in 200 Lernsets
Zusätzlich zu den in Tabelle 5.2 aufgezählten Baustoffen wurden noch einige andere
Baustoffe, z.B. beim Abbruch anfallende Störstoffe wie Gips und Asbest aufgenommen, um
die erarbeitete Datenbank zu füllen und somit mehrere Vergleichsdaten zu erhalten. Mit ca.
250 Messungen pro Zusatzbaustoff wurden diese in die Datenbank implementiert. Somit
erhält die Datenbank primär Spektren von bekannten Wandbaustoffen, sowie
Abbruchmaterial und zusätzlich Spektren von Störstoffen, Natursteinen und Faserzement. Die
somit entstehende Datenbank umfasst insgesamt 30500 aufgenommene Spektren und ca.
12800 weiter verwendete Spektren. Die rund 13000 weiter verwendeten Spektren wurden
wiederum in ein Lernset gespeichert. Dieses ist in Abbildung 5.7 dargestellt. Die Abbildung
zeigt außerdem die Bedienoberfläche des Softwareprogramms KustaSpec®.
Abb.5.7: Alle aufgenommenen, weiter verwendeten Spektren in einem Lernset
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 52
5.3.1 Mittelwertspektren Um die aufgenommenen Spektren besser von einander zu unterscheiden und Vergleiche
bezüglich Gemeinsamkeiten in den Kurvenverläufen der Spektren zu verdeutlichen, wurden
Mittelwerte gebildet. Dafür mussten alle aufgenommenen, in Lernsets gespeicherten,
Spektren eines Baustoffs geladen werden und über die Bedienfunktion „Average Spectrum“
jeweils in Mittelwerte übertragen werden. Bei Beton bedeutet dass etwa 2000 Spektren in ein
Spektrum berechnet wurde. Die knapp 13000 Spektren wurden somit in die 9
Mittelwertspektren, dargestellt in Abbildung 5.8, berechnet. Dabei werden in diesem Beispiel
nur die Spektren der primären und sekundären Baustoffe berechnet, da für diese Baustoffe
auch die charakteristischen Eigenschaften untersucht wurden. Die zusätzlichen Stoffe wie
Asbest und Gips sind in den folgenden Betrachtungen nicht implementiert. Die gezeigten
Spektren sind dargestellt, wie sie im Aufnahmeprogramm KustaWin® gespeichert wurden.
Dabei wurden keine Veränderungen vorgenommen, also wird nur die Reflektionsintensität in
Abhängigkeit der Wellenlänge in Kurvenverläufen dargestellt.
Abb. 5.8: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung
Unterschiede zwischen den Spektren lassen sich auf den ersten Blick anhand der Intensität,
abgebildet auf der Ordinate des Koordinatensystems, erkennen. Von der Kurvenform und dem
Wert der Intensität lassen sich grob 3 Schemen erkennen. Ziegelstein und Mauerwerkbruch
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 53
sind sehr ähnlich in ihrer Kurvenform und hohen Intensitätsverteilung. Porenbeton,
Porenbetonbruch und Kalksandstein bilden die 2. Kurvenschar mit mittleren Intensitäten und
einer in etwa gleichverteilten Kurvenbildung. Vergleichsweise geringere Intensitäten der
Reflexionsinformationen haben Beton, Leichtbeton, Kies und Altbeton. Sie bilden das 3.
Schema der aufgenommenen Spektrenkurven. Eine Gemeinsamkeit ist die bei jedem
Spektrum auftretenden auffälligen Banden bei ca. 1400 nm und 1900 nm. Vergleichend mit
Abbildung 5.9 können nun typische chemische Verbindungen, wie die z.B. auftretenden
Wasser(H2O)-Verbindungen in den beschriebenen Nanometer- Bereichen erkannt und in
Verbindung gebracht werden. Allgemein zu erkennen sind die beschriebenen Oberton- und
Kombinationsschwingungen.
Abb. 5.9: Oberton- und Kombinationsschwingungen typischer chemischer Verbindungen [URL 13]
Des Weiteren wurden die dargestellten Spektren in Abbildung 5.8 differenziert. Abbildung
5.10 zeigt die Spektren in der 1.Ableitung. Aus dem Grund der eventuell besseren
Unterscheidung der NIR- Spektren, wurden die Differenzierung vorgenommen. Die so
entstandenen Spektrenverläufe geben zusätzliche Anhaltspunkte für die Gegenüberstellung
der Spektren und geben weitere Vergleichsdaten, die über eine Auswertung der Erkennbarkeit
im späteren Verlauf der Arbeit maßgebend sind.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 54
Abb.5.10: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 1. Ableitung
Die Spektrenansicht in der 1. Ableitung lässt erneut die Wasserbanden bei ca. 1400 nm und
1900 nm deutlich erkennen. Porenbeton und –Bruch, zu erkennen an den Farben Blau und
Hellblau, weisen die höchsten Intensitätsspannen unter den Spektrenverläufen auf. Weiterhin
ist zu erkennen, dass Ziegelstein und Mauerwerkbruch ähnliche Verläufe haben, sowie einige
Peaks in Wellenlängen bei 1900 nm bis 2000 nm, die die anderen Spektren nicht besitzen. Im
Wellenlängenbereich ab ca. 2150 nm lässt sich deutlich erkennen, dass Ziegelstein und
Mauerwerkbruch eine extrem unterschiedliche Kurvengestaltung aufweisen, gegenüber den
restlichen Baustoffmittelwerten. Eine Besonderheit stellt außerdem der Altbeton bei
Wellenlänge 1400 nm dar. Dieser herausstehende Peak steht ganz im Gegensatz zu den
Kurvenverläufen der anderen aufgenommenen Spektren. Auch lässt sich keine
Gemeinsamkeit diesbezüglich mit dem Beton erkennen.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 55
Abb.5.11: Mittelwertspektren der 9 Hauptkomponenten der Baustoffsammlung in der 2. Ableitung
In Abbildung 5.11 ist die 2. Ableitung der Spektren dargestellt. Vergleichend mit den
Aufnahmen der originalen und denen der 1. Ableitung lassen sich hier eher weniger
aussagekräftige Erkenntnisse gewinnen. Die bereits mehrfach erwähnten Wasserbanden sind
wieder zu erkennen. Auch dass Porenbeton und –Bruch wieder auffällige
Intensitätsschwankungen aufweisen, ist zu betrachten. Genau wie die herausstehenden Peaks
des Altbetons bei 1400 nm Wellenlänge erneut zu erkennen sind. Neu ist die enorme
Peakgestaltung des Mauerwerkbruches bei ca. 1900 nm. Diese Intensitätsspanne gibt dem
gesamten Diagramm den Minimum- und Maximumwert. Anhand der ungenauen Verläufe
der Funktionen ab 2200 nm lassen sich hier keine Erkenntnisse gewinnen.
Insgesamt ist festzuhalten, dass Unterschiede und Gemeinsamkeiten am besten an den
original aufgenommenen Spektren, die das Aufnahmeprogramm KustaWin® liefert, erkennen
lassen. Eine Differenzierung lässt die Spektrenaufnahme auf veränderter Weise erscheinen,
jedoch können nur zusätzliche Feinheiten im Kurvenverlauf herausgefiltert werden.
Zumindest beim Betrachten mit menschlichem Auge sind bei der Gegenüberstellung der
Originalspektren die meisten Vergleichspunkte zu erkennen. Mathematische
Analysewerkzeuge, die im Softwareprogramm KustaSpec® enthalten sind, machen eine
Auswertung hinsichtlich aller 3 Spektrenvariationen durchführbar, da hierbei Unterschiede im
genaueren Ausmaß erkannt werden.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 56
5.4 Auswertung Bei der Auswertung der Spektrenanalyse stehen verschiedene Möglichkeiten zur Verfügung.
Entweder wird den Spektren ein qualitatives oder quantitatives Analyseergebnis zugeordnet.
Dabei stehen unterschiedliche Analysemodule zur Verfügung. Außerdem muss jedes Modul
mit einem Parameterfile initialisiert werden. Des Weiteren bezeichnet ein Analysemodell die
funktionelle Einheit von Parameterfile und Analysemodul. Einige Analysemethoden werden
mit Hilfe der erstellten Lernsets trainiert.
5.4.1 Multivariate Auswertung mit Partial Least Square Regression
Die Aufgabe der Kalibrierung der Nah-Infrarot-Spektroskopie ist es, aus den Spektraldaten
eine mathematische Verknüpfung zu erstellen, mit deren Hilfe die Zusammensetzung
unbekannter Proben anhand ihrer Spektraldaten vorausgesagt werden können. Dabei ist eine
möglichst hohe Güte der Vorhersage von Entscheidung.
Bei der NIRS ist eine herkömmliche, univariate Auswertung anhand einer Wellenzahl
ungünstig, da die enorme Anzahl an Absorptionsbanden sich auch überlagern und sehr breite
Banden bilden. Aus diesem Grund werden multivariate Analysenmethoden verwendet, bei
denen mathematische und statistische Methoden verknüpft werden. Es werden die
aufgenommen NIR- Spektren anhand der ermittelten Messwerte mit diesen
Auswertungsverfahren analysiert. Auf der Grundlage der so erarbeiteten chemometrischen
Modelle lassen sich die Messwerte von unbekannten Proben aus deren Spektren
vorhersagen.[27][33]
Es gibt verschiedene Analysemodelle bei der Auswertung von NIR- Spektren. Erfolgreiche
mathematische Methoden dabei sind die Methode der kleinsten Quadrate oder auch Partial
Least Square Regression (PLS) genannt, die bei dieser Arbeit für die Auswertung eingesetzt
wurde, die Hauptkomponentenanalyse (PCA) sowie die Principal Component Regression
(PCR). Die PCA befasst sich mit der Extraktion von interpretierbaren Daten nur aus den
eingeladenen Spektren. Während die PLS als inverse Regressionsmethode die Voraussetzung
schafft, speziell mit den Verhältnissen zwischen NIR- Spektren und Referenzmessdaten zu
arbeiten. Diese Methoden haben keine Einschränkungen hinsichtlich Spektraldatenmenge und
Vielfalt. Die dabei entstehenden, sehr umfangreichen Berechnungen sind beim heutigen Stand
der Technik möglich. Jedoch muss abgeschätzt werden, in wie weit solche Berechnungen
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 57
machbar sind, wenn die zu untersuchenden Materialien z.B. auf einem Förderband mit
entsprechend hoher Geschwindigkeit transportiert werden. Auch deswegen ist vor allem für
die angestrebte schnelle Auswertung die Berechung in kürzester Zeit von enormer
Bedeutung.[33]
Die PLS und die PCR sind faktoranalytische Verfahren und verknüpfen die Veränderungen
der Spektraldaten mit denen der Referenzdaten. Es stehen bei Verwendung weniger Faktoren
somit mehr Informationen zur Verfügung. Die Hauptkomponentenanalyse (PCA) errechnet
aus ursprünglichen Daten latente Variablen, die als Faktoren bezeichnet werden und die die
Hauptkomponenten kennzeichnen. Ergebnis dabei soll die Beschreibung aller
Ausgangsvariablen mit wenigen Faktoren sein. Hauptkomponenten werden auch als
Eigenvektoren bezeichnet. Sie geben die Signifikanz der unterscheidbaren Merkmale der
Spektren an. Zur Bestimmung dieser werden Faktorladungen und Score- Werte gebildet.
Faktorladungen bestimmen dann auf dem Koordinatensystem die Lage der
Hauptkomponenten. Dazu sind 2 Ausgangsvariablen (x1; x2) und deren Messpunkte
erforderlich. Die Dimension der Faktorladungen ist die Anzahl der Komponenten multipliziert
mit der Anzahl der Variablen x. Dabei beschreiben die Score-Werte die Projektion auf die
Hauptachsen für jeden Punkt und die Dimension der Score- Werte ist die Anzahl der
Komponenten multipliziert mit der Anzahl der Messwerte. [33][38]
Bei der PLS steht die Auswertung von korrelierenden Daten im Vordergrund. Vorteil dabei
ist, dass extrem viele Variablen verarbeitet werden können, auch wenn mehr Variablen
vorhanden sind als Versuche zu fahren sind. Der entscheidende Vorteil der PLS gegenüber
anderen Auswertemodellen besteht darin, dass sie auch bei Multikollinearität der Variablen
eingesetzt werden kann, da aus einer Vielzahl korrelierter Variablen wenige unkorrelierte
Variablen berechnet werden [31][33].
Des Weiteren wird in einem PLS-Modell die Information des gesamten Spektrums
einbezogen. Das bedeutet dass nicht wie üblich nur an einem Peak und mit der dort erhaltenen
Absorption bzw. Reflexion gerechnet wird. Es werden auch Form und Lage der Peakflanken,
sowie die komplexen Überlagerungen, hervorgerufen durch die Vielzahl von Ober- und
Kombinationsschwingungen, berücksichtigt. Weiterhin können in einem Ablauf der
Berechnungen mehrere Eigenschaftswerte gleichzeitig kalibriert werden.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 58
Bei der Durchführung werden zuerst alle Datensätze aus dem Learnset in die Spektrenmatrix
X und die Referenzmatrix Y eingeladen und mathematisch abgebildet, indem sie als
Datenpunktmatrix dargestellt werden. Die Zeilen von X enthalten dabei die Spektren und die
Zeilen von Y die zu jedem Spektrum gehörenden Referenzinformationen (chemische
Konzentrationen, Typzuordnungen in Form von Nullen oder Einsen bei
Identifikationsproblemen). [13]
Diese Datenpunktmatrizen werden anschließend in ihre Eigenvektoren (Faktoren,
Hauptkomponenten) zerlegt. Die Faktoren enthalten dabei alle relevanten spektralen
Informationen in komprimierter Form [32][33].
Bei den nun entstandenen Messgrößen handelt es sich nicht nur um jeweils einen Wert,
sondern um ein ganzes Spektrum von mehreren hundert Datenpunkten. Um das auch
verarbeiten zu können, wird jedes Spektrum xn als Vektor betrachtet, dessen Länge im
Extremfall der Anzahl der Datenpunkte entspricht. Alle in dieser Kalibrierung enthaltenen
Spektren werden zusammengenommen und ergeben damit eine Matrix. Entsprechend ist die
Darstellung von Y ebenso als Matrix der Messgrößen, die den jeweiligen Spektren zugeordnet
werden, zu verstehen. [33]
Hat ein Learnset s Spektren, c Wellenlängenkanälen und p zu identifizierenden Sorten hat X
somit die Dimension (s,c) und Y die Dimension (s,p). Wird die PLS nun angelernt und
trainiert, wird eine Projektionsmatrix V und eine Regressionsmatrix Q so bestimmt, dass:
T =XV sowie Y =TQ
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 59
In V sind die Spalten Linearkombinationen der Hauptkomponenten (Eigenvektoren) des
Kalibrationsproblems. Wird nun eine gewisse Anzahl von A Eigenvektoren im Modell
beibehalten, so bekommt V die Dimension (c,A). Das Produkt von X mit V projiziert die
Spektren auf die Eigenvektoren und vermindert so die Zahl der Variablen von c
Wellenlängenkanälen auf A Projektionskoeffizienten. Diese werden im Allgemeinen als
Scores T bezeichnet. Mit dieser ermittelten Kalibrierfunktion können neue Proben analysiert
werden. [13]
Im Scoresplot, also der grafischen Darstellung der Ergebnisse, wird tn = Xvn gegen tm = Xvm
aufgetragen, wobei vn die n-te und vm die m-te Spalte von V ist. Jeder einzelne Punkt im
Diagramm repräsentiert ein Spektrum aus dem Lernset. [13]
Die Faktoren werden nach dem Eigenwert sortiert. Dies ist eine Art Faktorzerlegung, in der
die Glieder nach Relevanz in Bezug auf die Eigenschaftswerte geordnet sind. Die Zerlegung
von X erfolgt analog zur Zerlegung von Y so, dass die Scores in beiden Fällen identisch sind.
Veränderungen der Spektraldaten entsprechen der Faktorenreihenfolge. Steigt die
Faktorenanzahl erhöht sich auch der Anteil an spektralem Rauschen. Somit ist es wichtig die
optimale Anzahl an Faktoren auszuwählen. Werden zu wenige Faktoren beim
Kalibrationsmodell verwendet, erkennt das Modell die spektralen Strukturen schlecht. Bei zu
vielen Faktoren wird das Modell überbestimmt, da zu viele störende Anteile des spektralen
Rauschens enthalten sind. [33]
Eigenwerte geben an, wie viel von der Gesamtvarianz aller Variablen durch diese Faktoren
erfasst werden. Eigenwerte haben außerdem den Zweck der Entscheidung ob Faktoren im
Modell bleiben oder entfernt werden. Sie ergeben zusammen mit den Eigenvektoren eine
voneinander unabhängige orthogonale Struktur. Weiterhin müssen sie iterativ bestimmt
werden, zusammengefasst in dem so genannten Eigenwertproblem. [33]
Eine Stabilisation des Modells gegen Rauschen und andere negativen Einflüsse erzielt man
indem man die Scores als Regressor auf Y benutzt und macht es somit einfacher eine
Interpretation zu geben. Bei dem PLS Algorithmus werden die Eigenvektoren in einer Art
berechnet, dass die Scores eine maximale Korrelation mit Y erzielen. [13]
Die Anzahl der Eigenvektoren konnte im Programm KustaSpec eigenständig gewählt werden.
Dabei variierte das Ergebnis der Erkennbarkeit sehr stark, abhängig vom eingegebenen Wert.
Das Problem darin liegt bei der verursachten Rechenzeit, die benötigt wird. Je mehr
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 60
Eigenvektoren desto besser das Ergebnis der Erkennbarkeit und desto länger braucht es bis
zur Ergebnisfindung. Näheres wird im weiteren Verlauf des Kapitels beschrieben. Dieser
variable Wert der Anzahl an Eigenvektoren, die berechnet werden sollen, ist also mit
entscheidend auf das zu erzielende Endergebnis.
Bei der Modellbildung stehen verschiede Funktionen zur Verfügung, die z.B. das Ergebnis
verdeutlichen oder Rechenzeit sparen lassen.
Das Residual r kann näherungsweise als die Länge des Teils eines Spektrums aufgefasst
werden, der orthogonal zu den Eigenvektoren ist. Es wird berechnet, indem man das
Spektrum x’ auf die Eigenvektoren projiziert und den kollinearen Anteil anschließend
subtrahiert. [13]
Wenn ein Spektrum sehr verschieden von dem Datensatz des Lernsets ist (z.B. falsches
Material), kann seine Absorptionscharakteristik nicht von den Eigenvektoren erklärt werden,
was einen großen Residualwert zur Folge hat. [13]
Bei der Wahl für die Berechnung des Residual werden vom Spektrum die zu den
Eigenvektoren parallelen Anteile subtrahiert und anschließend die Quadratsumme über alle
Pixel (Auswahlbereich der Spektren) gebildet. Bei der Wahl gegen die Berechnung des
Residual wird das Restspektrum nicht berechnet, was in einer Multiplexeranwendung
Rechenzeit spart. Das Residual ist ein Maß dafür, wie viele zu den Eigenvektoren orthogonale
Anteile ein Spektrum enthält. In der eigenen Durchführung der Auswertung der
aufgenommenen Spektren wurde auf den Wert des Residual verzichtet. [13]
Im Gegensatz zum Residual ist das Leverage ein Maß für die Länge des Teils eines
Spektrums, der kollinear zu den Eigenvektoren ist. Der Leverage- Parameter ist ein Maß
dafür, inwieweit das Spektrum innerhalb des Raums, der von den Eigenvektoren aufgespannt
wird, zum Learnset der Methode passt. [13]
Dabei wird das Leverage auf die Anzahl der Spektren im Lernset und Eigenvektoren
normiert, um einen Wert zu erhalten, der von diesen Parametern unabhängig ist.
Es ist wichtig zu wissen, dass Spektren mit hohem Leveragewert nicht notwendigerweise
Ausreißer sind. Da es sich bei der PLS um einen Least-Squares-Algorithmus handelt, können
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 61
diese Spektren für die Kalibration auch von besonderer Bedeutung sein. In der eigenen
Durchführung der eigenen aufgenommenen Spektren wurde der Wert des Leverage nicht
ausgewertet, um Rechenzeit zu sparen. [13]
Im Rahmen des Anlernens des Algorithmus wird ein Lernprozess vollzogen. Für die
Steuerung des Lernprozesses werden ein Lernset und ein Testset benötigt. Diese werden
eingeladen. Steht kein Testset zur Verfügung wird das Lernset aufgespaltet und jeder zweite
Eintrag wird für das Testset verwendet während der Rest im Lernset verbleibt. Es wird für
jede zulässige Anzahl von Eigenvektoren eine Erkennungsmatrix konstruiert. Doch bei
großen Anzahlen von Eigenvektoren können Fehler auftreten die meist bedeuten, dass im
Lerndatensatz einige Kanäle nicht linear unabhängig sind. [13]
Maßgebend bei der PLS- Methode ist, dass jeweils ein bestimmter Anteil des Spektrensatzes
nicht für die Erstellung eines Modells herangezogen wird. Dieser Teil wird dann zur
Bestimmung des Vorhersagefehlers als Maß für die Modellgüte genutzt (Lernset, Testset).
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 62
5.4.2 Erstellen eines Analysemodells Bei Analysemodellen werden zwischen quantitativen und qualitativen Analysen
unterschieden. Quantitative sind bei der Problematik der Sortierung von Spektren zu
Baustoffsorten nicht geeignet. Qualitative Analysen erlauben dagegen eine Zuordnung von
gemessenen Spektren zu Sorten. So gibt eine qualitative Analyse Auskunft darüber, ob
beispielsweise eine Kunststoffflasche aus PVC, PET oder PP besteht. Analog kann dies bei
Spektren und Baustoffsorten geschehen, deshalb wird bei Betrachtung der Thematik auch ein
qualitatives Analysemodell benutzt. [13]
Der Ablauf der qualitativen Analyse im Prozess beginnt mit der Aufnahme der Spektren mit
dem Messgerät Kusta 4004s. Das Aufnahmeprogramm KustaWin übergibt das Black/White
korrigierte Spektrum dem Analysemodul PLS. Dabei wird das PLS- Analysemodul
aufgerufen, welches mit dem Parameterfile initialisiert ist. [13]
Das ermittelte Ergebnis wird vom Analysemodul an das Programm zurückgeschickt und dort
ausgegeben. Im weiteren Verlauf der Arbeitsschritte werden die Spektren mit ihren eigenen
Merkmalen geladen. Die angezeigten Spektren werden vom Auswertungsprogramm
KustaSpec als Lernset betrachtet, in Sortennamen eingeteilt und als Lernset gespeichert. [13]
Dabei werden Formate geladen, die als ppd-Files gespeichert wurden. Jedes ppd-File enthält
ein Spektrum. Der Spektrenname ist entsprechend dem Namen des ppd-Files.
Ein Lernset-File ist als lrp-File hinterlegt. Jedes File enthält mehrere Spektren, die einzeln in
ppd-Files gespeichert sind, und weitere Lernset spezifische Parameter. Die Spektrennamen
sind dabei im lrp-File weiter vorhanden und gesichert.
Nachdem das PLS2- Analysemodell gewählt wurde, waren das Learnset zum Anlernen des
Modells und das Testset zu bestimmen. Der automatisierte Lernprozess steuert infolge die
automatische Ermittlung der Eigenvektoren. Dieser Wert wird anschließend bestätigt und
nachfolgend das Parameterfile als Lernset abgespeichert. Damit ist das Analysemodell
erstellt. [13]
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 63
5.5 Auswertung der NIR- Spektroskopie
Bei der Auswertung der Analysen ergibt sich eine Vielzahl an Auswahlmöglichkeiten.
Entscheidend ist die Auswahl der Datenbank. Im Rahmen dieser Arbeit wurde eine
Datenbank mit allen aufgeladenen Spektren erstellt. Diese enthält die 5 zu untersuchenden
Wandbaustoffe Beton, Leichtbeton, Porenbeton, Ziegelstein und Kalksandstein sowie die
sekundären Baustoffe Altbeton, Mauerwerkbruch, Porenbetonbruch und zusätzlich noch Kies.
Darüber hinaus wurden noch weitere Baustoffe aufgenommen, Asbest, Faserzement, Gips,
Granit und Porphyr. Diese stellen eine Erweiterung der Datenbank dar, um zu testen
inwieweit die Erkennung mit zusätzlichen Materialien zu Recht kommt.
Getestet wurden insgesamt 3 Datenbanken:
• 1. Datenbank mit 5 Hauptvertretern von Wandbaustoffen (insgesamt 5 Baustoffen mit
9682 Spektren); Datenbank A
• 2. Datenbank mit 5 Hauptvertretern von Wandbaustoffen und sekundäre Baustoffe
zusätzlich Kies (insgesamt 9 Baustoffen mit 11612 Spektren); Datenbank B
• 3. Datenbank mit 5 Hauptvertretern von Wandbaustoffen und sekundären Baustoffen
mit Kies und Natursteinen (Granit und Porphyr) sowie Störstoffen Asbest und Gips
zusätzlich Faserzement (insgesamt 14 mit 12402 Spektren); Datenbank C
Eine weitere Einteilung bedarf es nach der Wahl des Lernsets und Testsets, also der
Referenzmatrix und deren Test. Hierbei wurden die Datenbanken mit unterschiedlichen Sets
angelernt und getestet. Dabei stehen als Lernset die Datenbank selber mit entsprechend
gleicher Anzahl an Spektren und die jeweiligen passenden Mittelwertspektren, als Lernset
gespeichert, zur Verfügung. Das heißt bei der Auswahl mit Mittelwerten, dass bei der
Datenbank mit den 5 Hauptvertretern von Wandbaustoffen zu jeden Typ (Beton, Ziegelstein
etc.) von den bis zu 2000 aufgenommenen Spektren jeweils ein Spektrum erstellt wird.
Als Testset stehen dieselben Sets an Spektren zur Verfügung, sodass eine Vielzahl an
Möglichkeiten der Analyse denkbar ist.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 64
Des Weiteren ist die Anzahl an Eigenvektoren der entstehenden Matrizen durch das
Analysemodell PLS von großer Bedeutung. Wie schon im vorherigen Kapitel erwähnt, erhöht
sich die Identifikation der Spektren mit steigendem Wert der Eigenvektoren. Hier wurde die
Einteilung getroffen, dass die Datenbanken jeweils mit bis zu 10 und 20 Eigenvektoren
gemessen werden. Jedoch ist bei Anzahl der Eigenvektoren von 6 der sinnvolle Maximalwert
erreicht, da sonst das spektrale Rauchen mit zur Auswertung des PLS-Modells interpetiert
wird und das Ergebnis zu viele signifikante Unterschiede der Spektren erfasst, die eigentlich
nur über das Rauschen der Spektren herleitet. Bei der Prüfung der Datenbanken mit den
Mittelwerten ist die Anzahl von zweistelligen Eigenvektoren nicht notwendig
(Überbestimmtheit). Durch die Einteilungen entsprechend der Anzahl der Eigenvektoren
erhöhen sich die Möglichkeiten der Anzahl an Auswertungen.
Zuletzt wird die Auswahl der Differenzierung der Spektren gewählt. Dabei stehen die
Originalspektren und jeweils die 1. und 2. Ableitung dieser zur Verfügung. Somit ergeben
sich insgesamt 36 Auswertungsmöglichkeiten, die jeweils mit entsprechendem Prozentsatz
der Erkennung Aufschluss über die Identifikationsrate der aufgenommenen NIR- Spektren
liefern. Dabei geben Kreuzmatrizen, nach Beendigung der Analysealgorithmen, Ergebnisse,
die erkennen lassen, welche Spektren zu welchen Baustoffen zugeordnet werden.
Im Analyseprogramm wurde ein bestimmter Bereich im gesamten Spektrum gewählt, in
dessen die Auswertung erfolgte. Dabei wurden die Anfangs- und Endbereich des Spektrums
ausgeschlossen, so dass die unscharfen Teile eines Spektrums nicht mit in die Auswertung
einbezogen werden. Der Bereich zur Auswertung erstreckt sich von 1361 nm bis 2250 nm.
Nachfolgend für die Auswertung werden folgende Einteilungen getroffen, die sich im
weiteren Verlauf der Arbeit wiederholen und maßgebend für anschließende Betrachtungen
sind:
A = Datenbank mit 5 Wandbaustoffen
B = Datenbank mit 5 Wandbaustoffen, 3 sekundären Baustoffen, Kies
C = Datenbank mit allen Spektren der 14 aufgenommenen Baustoffe
MW x = Mittelwertspektrum, x (a,b,c) entsprechend Datenbank A, B und C
EV = Eigenvektoren
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 65
LS = Lernset
TS = Testset
n = ohne Differenzierung der Spektren
d = 1. Ableitung der Spektren
dd = 2. Ableitung der Spektren
Tab. 5.3: Ergebnisse der Erkennbarkeit der Spektren mit Datenbank A
Datenbank EV LS TS Differenzierung Ergebnis [%] A 3 MW a A n 18,9 A 2 MW a A d 68,6 A 3 MW a A dd 58,1 A 4 MW a MW a n 16,1 A 4 MW a MW a d 36,3 A 4 MW a MW a dd 40,1 A 6 A MW a n 73,5 A 6 A MW a d 84,4 A 6 A MW a dd 88,1 A 10 A MW a n 86,4 A 10 A MW a d 92,1 A 10 A MW a dd 91,5 A 10 A A n 86,4 A 10 A A d 92,1 A 10 A A dd 91,5 A 20 A A n 93,3 A 20 A A d 97,1 A 20 A A dd 95,7
MW a 1-10 MW a/ A MW a/ A n /d / dd 100
In Tabelle 5.3 sind die Ergebnisse der Identifikation mit allen Auswahlmöglichkeiten um die
Datenbank A abgebildet. Zu erkennen ist, dass bei der Auswahl der Mittelwertspektren als
Lernset weniger Eigenvektoren zur Verfügung stehen, da nur 5 Spektren im Lernset enthalten
sind. Weiterhin ist die Identifikation maßgebend abhängig von der Wahl des Lernsets. Wenn
das Lernset die Mittelwertspektren enthält, ist die Erkennung der Spektren der Datenbank A
recht gering. Wenn dazu als Testset die Datenbank selber benutzt wird, steigt wiederum die
Erkennung. Jedoch bewirkt die Auswahl der Mittelspektren als Testset bei gleichzeitiger
Wahl der Datenbank selber als Lernset keine Verbesserung der Identifikation. Jedoch wird die
Betrachtung mit der Datenbank als Lernset und den Mittelwertspektren als Testset durch die
gesamte Auswertung als maßgebend angesehen und angegeben. Festzustellen ist außerdem,
dass allgemein sehr hohe Erkennbarkeiten erzielt werden, wenn die Datenbank als Lernset
eingesetzt wird. Mit steigender Anzahl der Eigenvektoren erhöht sich auch die Erkennung der
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 66
Spektren, zu erkennen an den Vergleichszeilen mit 6, 10 und 20 Eigenvektoren. Bei der Art
der Differenzierung ist die Tendenz festzustellen, dass mit einfacher Differenzierung die
besten Ergebnisse erzielt werden, gefolgt von der Analyse der Spektren in 2. Ableitung. Mit
etwa 30% Erkennung der Spektren mit den Mittelwertspektren als lern- und Testset und
ca.50% Erkennung der Spektren mit wiederum dem Mittelwertspektrum als Lernset und der
Datenbank als Testset werden vergleichsweise schlechtere Ergebnisse erzielt. Das liegt an der
Vielzahl der Spektren die in diesem Beispiel nur 5 Spektren zugeordnet werden können. Bei
dieser Auswertung erhalten die Spektren meistens (ca. 70%) das Ergebnis „unbekannt“. Wenn
das Mittelwertspektrum als Lernset fungiert, ist die Erkennung geringer als wenn die
Datenbank selber als Lernset gewählt wird. Dabei werden hohe Genauigkeiten (bis zu 97 %)
bei der Identifikation der Spektren untereinander geschaffen. Ein Unterschied ob die
Datenbank als Testset die Datenbankspektren oder die Mittelwertspektren hat, wenn als
Lernset die selbe Datenbank gewählt wurden, ist nicht festzustellen. Wenn die
Mittelwertspektren als zu untersuchendes Spektren-Set mit alle möglichen
Auswahlmöglichkeiten analysiert werden, ist das Ergebnis der Erkennung immer 100 %.
Tab.5.4: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 2 Eigenvektoren, Mittelwertspektren als Lernset (2.Zeile aus Tab.5.3)
Type Number Identical Beton Kalksand-stein
Leicht-beton
Poren-beton
Ziegel-stein unknown other
Beton 2100 39,4 0 7,9 42,5 4,3 5,9 0 0
Kalksandstein 1610 65,2 7,2 0 0,7 21,1 4,2 1,6 0
Leichtbeton 1820 67,9 16,9 9,3 0 0 5,8 0 0
Porenbeton 2070 85,4 2 12,6 0 0 0 0 0
Ziegelstein 2082 84,6 2,9 5,5 0 0,2 0 6,7 0
Total 9682 68,6 5,4 7,3 9,3 4,5 3,1 1,7 0
Aus den verschiedenen Auswertungen wurden einzelne, im Detail aufgeschlüsselte
Erkennungsraten gewählt, um zu verdeutlichen wie die Verteilung der Identifikation der
einzelnen Baustoffspektren dargestellt ist. Tabelle 5.4 zeigt diese Verteilung bei
entsprechender Auswahl aus Tabelle 5.3 (2 EV; Lernset: MW a; Testset: Datenbank A);
Differenzierung: d). Die Kreuztabelle gibt Auskunft welche Baustoffspektren mit welcher
Genauigkeit erkannt werden und als was sie erkannt werden, wenn sie dem zugehörigen
Baustoff nicht zugeordnet werden. Mit 68,6 % Wahrscheinlichkeit werden die gesamten
Spektren dem zugehörigen Baustoff zugeordnet. Dabei werden die Spektren von Porenbeton
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 67
und Ziegelstein mit etwa 85 % erkannt. Kalksandstein und Leichtbeton werden zu ca. 66 %
ihrem Baustoff zugewiesen. Eine Erkennung von 40 % weist der Beton auf, jedoch werden
von den 2100 Betonspektren 42,5 % dem Leichtbeton zugeordnet. Das ist mit der Aufnahme
der Proben zu erklären, in dem bei Leichtbeton eine Mehrheit die Zementmatrix
aufgenommen hat und diese Spektren sich untereinander kaum unterscheiden und somit dem
anderen Baustoff zugeordnet werden. 17 % von den Leichtbetonspektren werden auch dem
Beton zugehörig verwiesen. Bei Ziegelstein ist auffällig, dass knapp 7 % als unbekannt
identifiziert werden. Das lässt darauf schließen, dass einfach noch zu wenige Spektren der
Datenbank einspeist wurden. Weiterhin werden 21 % der Kalksandsteinspektren als
Porenbeton gekennzeichnet und umgekehrt 13 %. Kalksandstein und Porenbeton haben
ähnliche äußere Merkmale und weisen in etwa die gleiche Spektrenstruktur auf, was darauf
schließen lässt, dass diese Spektren häufig dem anderen Baustoff zugeordnet werden. Die
Auswertung lässt vermuten, dass entgegen der Zielstellung die Farbe des Baustoffes in
bestimmter Weise die Erkennung beeinflusst.
Tab.5.5: Erkennung untereinander in Prozent-bei Datenbank A, 1. Ableitung, 6 Eigenvektoren, Datenbank A als Lernset (9.Zeile aus Tab.5.3)
Type Number Identical Beton Kalksand-stein
Leicht-beton
Poren-beton
Ziegel-stein unknown Other
Beton 2100 76,3 0 2,5 21 0 0 0,1 0
Kalksandstein 1610 87,1 1 0 0,7 8 0 3,2 0
Leichtbeton 1820 80,5 17,4 1,1 0 0 1 0,1 0
Porenbeton 2070 99,9 0 0 0 0 0 0 0
Ziegelstein 2082 95,5 0,1 0 3,5 0,2 0 0,7 0
Total 9682 88,1 3,5 0,8 5,4 1,4 0,2 0,7 0
Tabelle 5.5 zeigt ein anderes Szenario bei der Auswertung der Datenbank A. Die Datenbank
wird hier mit der eigenen Datenbank angelernt. Das Ergebnis der Erkennung ist im Vergleich
mit den Ergebnissen von Tabelle 5.4 wesentlich höher. In der Summe werden 88 % der
insgesamt 9682 Spektren dem richtigen Baustoff zugeordnet. Beispielsweise werden nahezu
alle Porenbetonspektren auch zu diesem identifiziert. Eine ähnliche Erkennungsrate kann bei
Ziegelstein festgestellt werden. 87 % der Kalksandsteinspektren werden richtig zugeordnet.
76,3 % der Betonspektren werden auch Beton zugewiesen, wobei 21 % dieser Spektren als
Leichtbeton erkannt werden. Leichtbeton weist eine Erkennungswahrscheinlichkeit von 80 %
auf. Von den restlichen 20 % werden aber auch 17 % als Beton gekennzeichnet. Das Ergebnis
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 68
der Spektrenverteilung von Beton und Leichtbeton bei der Erkennung bestätigt sich aus
Tabelle 5.4.
Tab.5.6: Datenbank B und C mit den Auswertungsverfahren Datenbank EV LS TS Differenzierung Ergebnis [%]
B 5 MW b B n 22,8 B 6 MW b B d 41,2 B 4 MW b B dd 48,8 B 7 MW b MW b n 9,5
B 7 MW b MW b d 34,4 B 7 MW b MW b dd 35,0 B 6 B MW b n 53,7 B 6 B MW b d 70,7 B 6 B MW b dd 68,6 B 10 B B n 72,8 B 10 B B d 81,1 B 10 B B dd 81,1 B 20 B B n 82,7 B 20 B B d 86,4 B 20 B B dd 87,0 C 10 MW c C n 22,1 C 6 MW c C n 36,0 C 9 MW c C d 39,5 C 6 MW c C d 45,6 C 9 MW c C dd 51,8 C 8 MW c C dd 52,9 C 10 MW c MW c n 22,1 C 10 MW c MW c d 34,2 C 10 MW c MW c dd 42,1 C 5 C C d 54,1 C 6 C MW c n 44,8 C 6 C MW c d 59,9 C 6 C MW c dd 59,0 C 10 C C n 66,0 C 10 C C d 67,5 C 10 C C dd 66,9 C 20 C C n 77,5 C 20 C C d 79,5 C 20 C C dd 75,9
In Tabelle 5.6 sind die unterschiedlichen Auswahlmöglichkeiten der Auswertung der
Datenbanken B und C dargestellt. Vergleichend mit den Ergebnissen aus Tabelle 5.3 kann
eine sinkende Erkennungswahrscheinlichkeit festgestellt werden, je mehr Spektren und
verschiedene Baustoffe in der Datenbank vorhanden sind. So sinkt die Erkennung mit den
Mittelwertspektren als Lernset von 70 % auf 49% bzw. 46% zu den Datenbanken B und C.
Ebenfalls niedrigere Identifikationen sind bei den Auswertungen mit der Datenbank als
Lernset zu erkennen. Hier sinken die Erkennungsraten von 88 % bei Datenbank A auf 71 %
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 69
und 60 % der Datenbanken B und C. Grund dafür ist die geringere Anzahl an Spektren der
zusätzlich aufgenommenen Baustoffe. Somit kann das Auswertungsprogramm diese Spektren
nicht in dem Umfang einarbeiten, wie es bei den Spektren der primären Wandbaustoffe der
Fall ist. Bei Addierung der Erkennungen beispielsweise von Leichtbeton und Beton stellt sich
dann entsprechend eine höhere Identifikationsrate dar. Weiterhin werden
Erkennungswahrscheinlichkeiten von bis zu 80 % erreicht, wenn genügend Eigenvektoren
angegeben werden. Diese Zahl steigt auch weiter bis zu 100 % bei entsprechend hohem Wert
der Eigenvektoren.
Tab.5.7: Erkennung untereinander in Prozent-bei Datenbank B, 2. Ableitung, 4 Eigenvektoren, Mittelwertspektren aus Datenbank B als Lernset (3.Zeile aus Tab.5.6)
Type
Nu
mb
er
Iden
tica
l
Bet
on
Kal
ksan
d-
stei
n
Lei
chtb
eto
n
Po
ren
bet
on
Zie
gel
stei
n
Alt
bet
on
Kie
s
Mau
erw
erk-
bru
ch
PB
-Bru
ch
un
kno
wn
Oth
er
Beton 2100 22,1 -- 6,9 45,8 2,5 1 10,5 10 0 0,6 0,9 0
Kalksand-stein 1610 65,0 5,7 -- 0,9 11,4 0,4 3,2 5,4 0 0,1 8 0
Leicht-beton 1820 59,8 16,2 3,2 -- 0,3 1,5 11,5 6,2 0,3 0 0,9 0
Poren-beton 2070 59,7 2,4 13,6 0,3 -- 0,2 2,1 0,3 0 10 11,3 0
Ziegelstein 2082 42,7 5,2 3,6 5,3 4,3 -- 4,9 5,1 7,1 0,9 20,9 0
Altbeton 610 62,6 9,8 2,5 7,5 0 0 -- 13,6 0 1,3 2,6 0
Kies 420 43,6 5,5 3,1 17,4 0 0 17,4 -- 0,5 0 12,6 0
Mauerwerk-bruch 600 39,7 0 4 0,7 0 25 1,2 2,7 -- 2,2 24,7 0
PB-Bruch 300 47,7 0,3 8 0 26 0 1 1 3,3 -- 12,7 0
Total 11612 48,8 5,4 5,5 10,5 3,5 1,8 6,1 5,4 1,4 2,2 9,4 0
Nach Tabelle 5.7 werden die Spektren entsprechend Datenbank B mit 4 Eigenvektoren, dem
Mittelwertspektren als Lernset, der Datenbank selber als Testset und in 2. Ableitung
analysiert. Mit durchschnittlich 48,8 % werden alle Spektren erkannt. Auffällig ist der
teilweise hohe Prozentsatz der Spektren die als unbekannt ausgewertet werden. Leichtbeton,
Altbeton und vor allem Beton mit 22 % Erkennung haben niedrige
Erkennungswahrscheinlichkeiten. Jedoch werden die nicht zur Baustoffgruppe gehörigen
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 70
Spektren häufig den anderen beiden Betonen (Leichtbeton und Altbeton) zugeordnet. Diese
Erkennung kann nicht vollständig als negativ gewertet werden, da die Zementmatrix erkannt
wurde. Werden diese Werte addiert, werden Erkennungen bei den 3 Baustoffen von etwa 80
% erzielt. Ähnliche Zugehörigkeiten ergeben sich bei Ziegelstein und Mauerwerkbruch und
besonders bei Porenbeton und Porenbetonbruch. Dabei werden die Spektren als nicht erkannt
deklariert, obwohl der Baustoff selber eindeutig identifiziert wurde. Kies wird auch zu hohem
Prozentwerten als Leichtbeton, Beton und Altbeton erkannt. Die enthaltene Gesteinskörnung
in dem Betonen und der Anteil der Messungen die diese aufgenommen haben, werden dabei
erkannt und jeweils zu entsprechenden Anteilen diesen Baustoffen zugewiesen. Die Spektren
von Kalksandstein und Porenbeton werden erneut zu bis zu 15 % dem anderen Baustoff
zugeordnet. Somit kann festgestellt werden, dass die Erkennung von 48,8 % ein recht geringer
Wert ist, jedoch bei näherer Betrachtung der Baustoffgruppen, die in etwa gleiche
Zusammensetzungen vorweisen, Identifikationen von bis zu 80 % erzielt werden.
Demgegenüber steht die hohe Erkennung als unbekannt. Bei Berechnung mehrerer
Mittelwertspektren aus dem Gesamtspektrendatensatz einzelner Baustoffe würde dieser Wert
niedriger werden, da den Spektren mehr Möglichkeiten der Erkennbarkeit zum zugehörigen
Baustoff gegeben werden könnte.
Tab.5.8: Erkennung untereinander in Prozent-bei Datenbank B, 1. Ableitung, 6 Eigenvektoren, Datenbank B als Lernset (8.Zeile aus Tab.5.6)
Type
Nu
mb
er
Iden
tica
l
Bet
on
Kal
ksan
d-s
tein
Lei
ch-
tbet
on
Po
ren
-b
eto
n
Zie
ge-
lste
in
Alt
bet
on
Kie
s
Mau
erw
erk
-bru
ch
PB
-Bru
ch
un
kno
wn
Oth
er
Beton 2100 29,3 0 1,2 41 0 2,4 13,4 11,3 0 1,3 0 0
Kalksandstein 1610 82,3 3 0 0,6 1 0 0 1,9 0 9,5 1,7 0
Leichtbeton 1820 65,6 13 1 0 0 2,2 15,2 2,9 0 0 0 0
Porenbeton 2070 91,8 0 0,5 0 0 0 0 0 0 7,6 0 0
Ziegelstein 2082 96,4 0,2 0,2 0 0 0 0,6 0 1,9 0 0,5 0
Altbeton 610 45,9 26,2 0 15,1 0 6,9 0 5,2 0,2 0 0,5 0
Kies 420 52,4 3,8 4,8 25 0 6,9 3,8 0 0,2 0 3,1 0
Mauerwerkbruch 600 82,5 0 0 0 0 16,2 0,2 0 0 0,2 1 0
PB-Bruch 300 57 6 0,3 0 33 0 0,3 2,7 0 0 0,7 0
Total 11612 70,7 4,2 0,7 9,2 1 2,2 5,1 3,1 0,4 2,9 0,5 0
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 71
In Tabelle 5.8 werden die Spektren aus Datenbank B untereinander verglichen. Dabei steht als
Lern- und Testset die eigene Datenbank bei 6 Eigenvektoren zur Verfügung. Bei der
Betrachtung wird die 1. Ableitung der Spektrenfunktionen benutzt. Erkennbarkeiten von
durchschnittlich 70,7 % werden erzielt, während ohne Differenzierung der Spektren nur 54 %
erkannt werden. Die gezeigten Werte können als Maßstab angesehen werden, welche
Erkennbarkeiten erzielt werden können. Mit 70,7 % werden die einzelnen Baustoffe erkannt.
Mit den gewonnenen Kenntnissen aus den vorherigen Tabellen, mit den Beziehungen der
Erkennung von Beton, Leichtbeton, Altbeton und Porenbeton zu Porenbetonbruch sowie
Ziegelstein zu Mauerwerkbruch werden noch höhere Werte erzielt als 71 %. Festzustellen ist,
dass von der exakten Baustofferkennung nach dieser Einteilung, Ziegelstein und Porenbeton
die besten Werte vorweisen, gefolgt von Kalksandstein, Beton und betonähnlichen
Baustoffen. Unter Berücksichtigung der erwähnten Erkennungen untereinander bei gleicher
Baustoffgrundsorte werden sehr hohe Identifikationen von durchschnittlich über 90 % erzielt.
Bei Auswertung einer Datenbank in Form des Lernprozesses mit einer anderen Datenbank als
Lernset, z.B. Datenbank A mit Datenbank C als Lernset, werden keine anderen Ergebnisse
erzielt. Die Erkennungsabweichungen weichen nur um ca. 1 % ab. Auswertungen um die
Datenbank C und grafische Darstellungen zu einzelnen Ergebnissen werden im Anhang
A13/14 hinterlegt. Vergleichend mit den Ergebnissen aus Datenbank A und B werden bei
Datenbank C in der Summe 60% der betrachteten Spektren in ihrer Datenbank erkannt, also
eine 10% geringere Erkennung zu Datenbank B. Auffällig ist die niedrige Erkennung der
Betonbaustoffe, dargestellt in Tabelle 5.9. Bei Kalksandstein, Porenbeton und Ziegelstein
werden dagegen wiederum gute bis sehr gute Ergebnisse erzielt.
Tab.5.9: Ergebnisse aus Datenbank C Type Number Identical [%] Beton 2100 14,1
Kalksandstein 1610 75,6 Leichtbeton 1820 30,3 Porenbeton 2070 89,7 Ziegelstein 2082 93,8
Asbest 100 66 Faserzement 100 53
Gips 380 83,4 Granit 110 2,7
Porphyr 100 78 Altbeton 610 35,9
Kies 420 42,6 Mauerwerkbruch 600 82,3
PB-Bruch 300 47,3 Total 12402 59,9
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 72
5.6 Grafische Darstellungen der Auswertung
Die grafische Auswertung einer Analyse gibt meist zusätzliche Aufschlüsse zur Problematik
einer Thematik. Hierbei sollen Diagramme erläutern und verdeutlichen, welchen Umfang die
aufgenommenen Spektren einnehmen und wie sie sich zwei- und dreidimensional im Raum
darstellen. Die folgenden Abbildungen werden aus einem ausgewählten Auswertungs-
algorithmus entnommen. Die Auswahl beschränkt sich auf die Ergebnisse aus Tabelle 5.8 mit
ihren Auswahlparametern und steht im Rahmen der grafischen Auswertung dabei als
Anschauungsbeispiel zur Verfügung. Im Anhang A9-A14 werden weitere Diagramme
grafisch hinterlegt.
Das in Abbildung 5.12 gezeigte Diagramm stellt für jedes Spektrum einen Punkt dar. Jedem
Sortenname (Baustoffsorte) sind ein eigenes Symbol und eine eigene Farbe zugeordnet.
Bei dem Plot im Rahmen der Analysemethode PLS werden wie in Kapitel 5.3 beschrieben
alle Datensätze aus dem Lernset in die Spektrenmatrix X (Dimension: Spektren s,
Wellenlängenkanäle c) und die Referenzmatrix Y (Dimension: Spektren s, zu identifizierende
Sorten p) eingelesen. Infolge des Trainierens der PLS entsteht eine Projektionsmatrix V und
eine Regressionsmatrix Q. Die Spalten von V sind dabei Linearkombinationen der
Eigenvektoren des Kalibrationsproblems. Die Anzahl der Eigenvektoren bestimmt die
Dimension von V (Wellenlängenkanäle c, Eigenvektoren A). Mit der Projizierung der
Spektren auf die Eigenvektoren indem die Spektrenmatrix mit der Projektionsmatrix
multipliziert wird, verringert sich die Variablenanzahl auf die Scores T
(Projektionskoeffizienten) von den ursprünglichen Wellenlängenkanälen. Die Eigenvektoren
werden dabei so berechnet, dass die Scores T eine maximale Korrelation mit Y aufweisen. Die
Anzahl der Eigenvektoren ist demnach gleich zu setzen mit der Bestimmung der signifikanten
Unterschiede der zu untersuchenden Spektren. [13]
In der Darstellung wird t1 = Xv1 gegen t2 = Xv2 aufgetragen, wobei v1 die 1-te und v2 die 2-te
Spalte von V ist. Im Diagramm zeigt jeder einzelne Punkt ein Spektrum aus dem Lernset. [13]
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 73
Abb.5.12: Grafische Darstellung der Ergebnisse (Scores Plot)
Im Diagramm in Abbildung 5.12 sind alle Spektren dargestellt. Es enthält die 11612 Spektren
der Datenbank B nach der PLS-Analyse. Zu betrachten ist, dass sich sehr viele Spektren
überlappen. Der Häufungspunkt liegt dabei oben rechts im Diagramm. Jedoch sind Tendenzen
zu erkennen. Ziegelstein und Mauerwerkbruch sind im gleichen Bereich zu finden, da
Mauerwerkbruch zu sehr hohen Anteilen aus Ziegelstein besteht. Ähnliches gilt für Beton,
Leichtbeton, Altbeton und Kies. Diese überlagern sich im erwähnten Häufungspunkt.
Porenbeton erscheint sehr konzentriert im unteren Bereich des Diagramms. Zu erkennen ist
weiterhin, dass Kalksandstein im Bereich von Porenbeton wieder zu finden ist, jedoch nur in
einem bestimmten Abschnitt des Diagramms. Porenbetonbruch verteilt sich dagegen über
diese beiden Spektrenhäufungen. Ziegelstein weist die größte Streuung auf, aber in Bereichen
wo Spektren anderer Baustoffe nicht erkennbar sind. Insgesamt betrachtet, gibt das Diagramm
die Ergebnisse der Tabellen aus Kapitel 5.4 wieder. Die Unterscheidung der Baustoff -
zugehörigen Spektren ist grafisch zu erkennen. Auch die auftretende Fehlerkennung ist
anhand der Überlappungen der Grafik nachzuvollziehen und verdeutlicht die Ergebnisse.
Insgesamt ist festzustellen, dass von der Zusammensetzung ähnliche Baustoffgruppierungen
wie Beton und Leichtbeton annähernd gleiche Häufungspunkte aufweisen und dass bei der
2D-Auswertung die unterschiedlichen Spektren auch den Baustoffen zugeordnet werden
können, ohne jedoch alle genauen Positionen bzw. Ausbreitungen der Spektren, durch die
Überlappung, zu verfolgen.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 74
Bei der Auswertung der 3D- Scores werden Ergebnisse qualitativer Analysemodelle
graphisch dargestellt.
Das Diagramm stellt für jedes Spektrum ein Objekt dar. Jedem Sortennamen ist ein Symbol
mit einer Farbe zugeordnet. Die drei Achsen x, y, z sind in den Farben Rot, Grün, Blau
gezeichnet. Dabei entsprechen die Achsen im Scoresplot wiederum der Auftragung tn = Xvn
gegen tm = Xvm, wobei vn die n-te und vm die m-te Spalte von V ist. Erneut wird pro Punkt
im Diagramm ein Spektrum aus dem Lernset dargestellt. Dabei ist t1 die X-Achse (rot), t2 die
Y-Achse (grün) und t3 die Z-Achse (blau). [13]
Bei der Betrachtung in 3D können die Achsen jede für sich auf die auf das Maximum des
Absolutbetrags der jeweiligen Komponente für alle sichtbaren Spektren normiert werden oder
alle Achsen sind auf das Maximum des Absolutbetrags aller Komponenten für alle sichtbaren
Spektren normiert. Die 3. Variante normiert die Achsen auf 1. In den Betrachtungen wird die
zweite Variante benutzt. Beispiele der anderen Darstellungen werden im Anhang ab A9
hinterlegt. [13]
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 75
Beton Kalksandstein Leichtbeton
Porenbeton Ziegelstein Altbeton
Kies Mauerwerkbruch Porenbetonbruch
Abb.5.13: Alle Spektren der Baustoffe nach der Analyse in der 3D-Darstellung
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 76
Abbildung 5.13 zeigt Spektrenverteilung der einzelnen Baustoffe im dreidimensionalen
Raum. Die Darstellung lässt deutlich erkennen, dass alle Spektren, die einem Baustoff
zugehörig sind, eng beieinander liegen und somit Punktewolken entstehen. Beton orientiert
sich entlang der X- und Y-Achse mit verhältnismäßig hoher Streuung der Punkte im
Gegensatz zu den anderen Punktewolken. Leichtbeton befindet sich zu großen Teilen auch
entlang der X- und Y- Achse, wobei einige Ausreißer zu erkennen sind. Ähnliche
Darstellungen ergeben sich bei Altbeton und Kies. Im Vergleich hat Altbeton die dichtere
Erscheinung mit nur vereinzelten Ausreißern und Kies sich in 3 Gruppen entlang der Achsen
erstreckt. Kalksandstein befindet sich im Koordinatenursprung und verläuft entgegengesetzt
der X-Achse als sehr kompakte Punktewolke. Porenbeton hat ein annähernd gleiches
Erscheinungsbild, jedoch befinden sich die Spektren noch enger zusammen und ergeben eine
vergleichsweise sehr dichte Verteilung. Bei Porenbetonbruch ist zu erkennen, dass vom
Standort der Spektren im Diagramm gleiches gilt wie für Porenbeton, nur dass eine höhere
Streuung und eine Tendenz in Richtung Z-Achse zu betrachten ist. Ziegelstein befindet sich
zwischen X- und Z-Achse und verläuft weiter entgegengesetzt der Y-Achse. Die dichte
Verteilung des Porenbetons kann bei Ziegelstein nicht festgestellt werden, jedoch ist die Lage
der Spektren noch signifikanter als bei den anderen zu betrachtenden Baustoffen.
Abschließend erstreckt sich die Punktewolke des Mauerwerkbruchs ähnlich der des
Ziegelsteins mit stärkerer Tendenz Richtung X-Achse. Die bekannten Ähnlichkeiten von
Baustoffspektren sind wie bei den vorhergehenden Betrachtungen erneut zu erkennen und
bestätigen die Ergebnisse. Die Darstellungen in 3D geben dazu noch eindeutige Lagepunkte
im Raum und gestalten den Vergleich der Spektren untereinander einfacher. Bei
Betrachtungen aller Spektren in einem Diagramm sind die Überlappungen natürlich wieder
vorhanden. Doch durch Drehungen des Diagramms im Auswertungsprogramm lassen sich
die Spektren optisch gut unterscheiden. In der Abbildung der Gesamtspektren sind 2
verschiedene Normierungen der Achsen gewählt. Trends sind eindeutig zu erkennen. Die
Unterscheidung der Spektren ist mittels Analysemodule auch grafisch möglich.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 77
5.7 Prüfungen der Datenbank
Die Auswertungsergebnisse aus Kapitel 5.5 geben einen guten Überblick wie eine Datenbank
mit entsprechend vielen Spektren erkannt wird. Jedoch wird dabei nur die Datenbank mit sich
selber und oder den Mittelwertspektren getestet. Es werden also etwa 12000 Spektren mit den
gleichen 12000 Spektren getestet oder ihren bis zu 14 Mittelwerten anhand dieser Anzahl an
Spektren, sozusagen ein Vergleich mit sich selber. Das ist zwar vom Umfang eine enorme
Gegenüberstellung, aber die zu untersuchenden Spektren sind schon vorhanden oder aus
ihnen wurden Mittelwertspektren berechnet und mit diesen verglichen. Eine Spektrenanalyse
der Datenbank mit noch nicht aufgenommenen Spektren soll diese testen.
Dazu werden 5 weitere Baustoffe benötigt. Um die Datenbank und die Erkennbarkeit von
Wandbaustoffen zu testen, wurde je ein Beton, Kalksandstein, Leichtbeton, Porenbeton und
Ziegelstein aufgenommen, die noch nicht in der Datenbank angehören. Dabei waren die
Baustoffe in keine Fraktion zu zerkleinern und physikalische Charakteristika zu vergleichen.
Sie wurden mit normalem Werkzeug in etwa 5 cm große Proben zerkleinert. Die Proben
waren nun so zu vermessen, dass 100 neue Spektren pro Baustoff in einem Lernset zur
Verfügung standen und diese dann mit den 3 Datenbanken (A, B, C) zu analysieren und die
Erkennbarkeit der neuen Spektren anhand der vorhandenen Spektren zu vergleichen. Ziel
dabei ist die Identifikation der Testspektren in der Datenbank entsprechend ihrer
Baustoffzugehörigkeit.
Im Rahmen der Untersuchung gibt es viele Möglichkeiten der Auswertung der Testspektren.
Das PLS- Analysemodell wurde erneut verwendet. Die Anzahl der Eigenvektoren, die Art der
Differenzierung, die Lern- und Testsetwahl sowie die Auswahl der Datenbank sind bei der
Untersuchung von Bedeutung. Die Option, ob die Spektren mit der Datenbank, die auch nur
Wandbaustoffe enthält (A) oder mit der gesamten Datenbank (C), welche unter anderen auch
Störstoffen enthält, getestet werden soll, stand bei der Untersuchung im Mittelpunkt. Um
umfangreiche Kenntnisse zu erlangen, wurden sämtliche Möglichkeiten im
Auswertungsprogramm analysiert. Im Folgenden werden nur Endresultate aufgezeigt. Alle
von der Auswahl möglichen Ergebnisse sind im Anhang A6-A8 hinterlegt. Nach diesen
zahlreichen Untersuchungen, z.B. mit welcher Art der Differenzierung das beste Ergebnis zu
erzielen ist, wurden zwei verschiedene Betrachtungen gewählt. Zum einem dass die
Testspektren mit der Datenbank als Lernset und Testset untersucht werden und zum anderen
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 78
die Testspektren mit der Datenbank als Lernset und den Mittelwertspektren als Testset als
Richtwerte gewählt wurden. Unter den Tests stellte sich heraus, dass mit der 2. Ableitung der
Spektren die besten Resultate erzielt werden. Die Ergebnisse sehen tabellarisch
folgendermaßen aus:
Tab.5.10:Resultate der Erkennbarkeit von Spektren die nicht der Datenbank angehören (bestes Ergebnis)
In der Tabellen 5.10 wurden die Testspektren mit den 3 Datenbanken (A, B, C) getestet und
die Ergebnisse gegenübergestellt. Die Werte Baustoffspektren in Tabellenteilen von Ergebnis
A bis C stellen sich jeweils aus 2 unterschiedlichen Werten zusammen. Es wurden die Werte
aus der Analysemöglichkeit mit 10 Eigenvektoren, der Datenbank als Lern- und Testset, der
Differenzierung 2.Grades (dd) und aus der Auswahl mit 10 Eigenvektoren, der Datenbank als
Lernset, den Mittelwertspektren der Datenbank als Testset und der 2. Ableitung der Spektren
addiert und gemittelt. Der resultierende Wert in Tabellenteil „gesamt“ ergibt sich wiederum
aus dem Mittelwert der 3 vorausgegangenen Werte.
Werden die Ergebnisse aus den Datenbanktests verglichen, so werden die Testspektren von
Kalksandstein und Porenbeton zu 100 % ihren Baustoff zugeordnet. Bei den restlichen 3
nimmt die Erkennung mit Zunahme der Größe und Vielfalt der Datenbank stetig ab. So fällt
die Identifizierung von Beton von 98 % in der Datenbank mit den 5 Hauptvertretern von
Wandbaustoffen auf 90 % ab. Die Erkennung der Testziegelsteinspektren fällt von 100 %
(Datenbank A) auf 87 % (Datenbank B) auf 81 % (Datenbank C). Ein extremer Einbruch der
Spektrenerkennung ist beim Leichtbeton zu betrachten. Von anfangs 79 % fällt dieser Wert
auf 23 % ab. Zu erklären ist das mit den in Datenbank C zusätzlich enthaltenen Baustoffen,
die ähnliche Spektreneigenschaften vorweisen und durch die Auswahl der Testgegebenheiten,
Testspektren Ergebnis A [%] Beton 98
Kalksandstein 100 Leichtbeton 79 Porenbeton 100 Ziegelstein 100
Total 95,4
Testspektren Ergebnis B [%] Beton 89
Kalksandstein 100 Leichtbeton 75,5 Porenbeton 100 Ziegelstein 87
Total 90,3
Testspektren Ergebnis C [%] Beton 90
Kalksandstein 100 Leichtbeton 23 Porenbeton 100 Ziegelstein 81
Total 78,8
Testspektren Ergebnis
gesamt [%]
Beton 92,33
Kalksandstein 100,00
Leichtbeton 55,67
Porenbeton 100,00
Ziegelstein 89,33
Total 87,47
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 79
die dadurch nicht ausführlich unterschieden werden können. Insgesamt wird bei dieser
Untersuchung zu 87,47 % erreicht, dass alle 500 Testspektren der 5 Baustoffe in den
Datenbanken den zugehörigen Baustoffen zugeordnet werden. Andere Verfahren die die
Mittelwertspektren zum Test als Anlernen berücksichtigen, erzielen wesentlich niedrigere
Werte. Auch schwankt die Erkennung aufgrund der Anzahl an Eigenvektoren die bei
Lernprozess der Matrix angegeben werden. Werden alle Werte der Auswahl bezüglich
Vergleichvarianten herangezogen und diese ins Verhältnis gesetzt, so ergeben sich in etwa
Erkennungswahrscheinlichkeiten die in der folgenden Tabelle dargestellt werden. Diese sind
niedriger aber statistisch durch zahlreiche Untersuchungen abgesichert. Hier werden eben
nicht die besten Resultate zum Vergleich herangezogen, sondern alle Wahrscheinlichkeiten,
die zur Auswahl stehen gemittelt. Da wie im Anhang nachzulesen, es einige Varianten gibt,
die auf 0 % Erkennung hinauslaufen, werden die als solche auch wahrgenommen aber
vergleichend weniger in der Auswertung berücksichtigt. Aus diesem Grund wurde die Wahl
auch z.B. auf die Betrachtung der 2. Ableitung gesetzt. Jedoch ergeben sich bei Datenbank C
dann gerade Unstimmigkeiten bezüglich der Identifikation, dass einfach nur abgeschätzt
werden kann, in welchem Verhältnis diese Werte stehen. Dennoch können bis zu 100 %
Identifikation erzielt werden, egal welche Datenbank getestet wird. Nur bei Beschränkung auf
eine Analyse, bspw. Auf 10 Eigenvektoren und 2. Ableitung, verfälscht das Ergebnis und
Leichtbeton wird zu 10 % erkannt obwohl in 1.Ableitung zu 80 %, aber im Schnitt diese
Betrachtung eben schlechtere Resultate bei den anderen Baustoffen erzielt. So kann
festgehalten werden, dass alle Baustoffe zu nahezu 100 % erkannt werden, außer Leichtbeton,
der in allen Untersuchungen bei Datenbank C Erkennbarkeiten von maximal 30% aufweist.
Abschließend kann festgestellt werden, dass die Testspektren in den verschiedenen
Datenbanken meist besser erkannt werden als die Spektren in den Datenbanken. Durch
Zusammenführung aller Auswertungsergebnisse, dargestellt in Tabelle 5.11 nähern sich die
Ergebnisse an. Dennoch wird bspw. Beton im Test mit neuen Spektren, demnach Sorte Beton
11, mit besseren Ergebnissen erkannt als die Betonspektren der Spektrenbibliothek. Der
Testbeton war in der Spektrenform entsprechend vielen Betonsorten der Datenbank ähnlich.
Tab.5.11:Ergebnisse der Erkennbarkeit von Spektren die nicht der Datenbank angehören (gemitteltes Ergebnis)
Testspektren Ergebnis gesamt [%] Beton 68,31
Kalksandstein 88,47 Leichtbeton 57,17 Porenbeton 92,83 Ziegelstein 86,90
Total 78,0
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 80
5.8 Wasseranteil- Test
Um zu prüfen, in wieweit Wasser in den Proben zur Verfälschungen der Ergebnisse führen,
wurde ein Wasseranteiltest durchgeführt. Die erkennbaren Wasserbanden bei Wellenlängen
von 1400 nm und 1900 nm sind in jedem Baustoff zu finden, jedoch soll geprüft werden, ob
die Proben bei 5 und 10 M-% Wasseranteilen unterschiedliche Erkennbarkeiten aufweisen.
Dazu wurden 5 Proben der Baustoffsammlung von Beton, Leichtbeton, Kalksandstein,
Porenbeton und Ziegelstein gewählt. Diese waren anschließend wieder 24 Stunden bei 105 °C
zu trocknen und zu wägen. Weiterhin mussten die Trockenproben vermessen werden. Jeweils
100 Aufnahmen/Spektren wurden pro Baustoff erstellt und als Grundlage angenommen für
die folgenden Betrachtungen mit 5 und 10 M-% Wasseranteilen. Dabei wurde die
Probengröße so gewählt, dass der Baustoff mit 100 repräsentativen Messungen aufgenommen
werden kann. Die Proben waren in wasserdichte Behälter zu füllen und anschließend mit 5 M-
% Wasser gleichmäßig zu befüllen. Diese Proben wurden dann wiederum 100-mal vermessen
und als Lernset gespeichert. Mit 10 M-% Wasseranteil wurde analog verfahren mit vorheriger
Trocknung und zu Testzwecken wiederholter Aufnahme der trockenen Proben. Zum
Wasseranteiltest wurden Beton (B4), Ziegelstein (Z1), Kalksandstein (KS1), Porenbeton
(PB7) und 2 Leichtbetone (LB1 und LB6, zu je 50 Spektren) gewählt. Zwei Leichtbetone
deshalb, weil die Erkennung des Baustoffs ziemlich schwankt und für repräsentative Zwecke
zwei optisch unterschiedliche Proben notwendig sind, auch um die besondere Bedeutung der
Identifikation von Leichtbetonspektren zu verdeutlichen. Bei dem Test steht die Erkennung
der Baustoffspektren mit bestimmten Wasseranteilen im Vordergrund und nicht die
Erkennung des Baustoffs selber, deshalb wurden keine neuen Proben untersucht, sondern
Baustoffe die in der Datenbank schon implementiert sind. Entscheidend bei der Auswertung
sind wieder die Einstellmöglichkeiten des Analysemodells PLS. Um einheitliche
Messgegebenheiten zu schaffen, wurden die Auswahlmöglichkeiten bezüglich Datenbank,
Eigenvektoren, Lern- und Testset sowie Differenzierung denen aus Tabellen von Kapitel 5.5
verwendet. Die Ergebnisse sind tabellarisch in den folgenden Abbildungen dargestellt.
Dabei gilt die PLS- Auswertungsvariante mit 5 Eigenvektoren, Datenbank A als Lernset und
Mittelwertspektren als Testset. Die Differenzierungen der Auswertungsspektren sind separat
in der Tabelle angegeben.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 81
Tab.5.12: Erkennung der Baustoffspektren in trockenem Zustand und 5 M-% Wasseranteilen
Trocken–Ergebnis in Datenbanken [%]
5% - Ergebnis in Datenbanken [%] Probe Differen
-zierung A B C
Ergebnis [%]
A B C
Ergebnis [%]
Erkennung +- [%]
Beton n 30 6 4 13,33 2 3 0 1,67 -11,67 ~ d 90 45 21 52,00 77 44 12 44,33 -7,67 ~ dd 88 68 61 72,33 54 63 49 55,33 -17,00
Kalksand-stein n
82 84 83 83,00 44 45 44 44,33 -38,67
~ d 89 94 93 92,00 94 94 91 93,00 1,00 ~ dd 87 89 93 89,67 87 92 66 81,67 -8,00
Leicht-beton 6 n 60 48 56 54,67 32 24 28 28,00 -26,67
~ d 100 100 12 70,67 100 100 46 82,00 11,33 ~ dd 100 100 10 70,00 100 100 12 70,67 0,67
Leicht-beton 1 n 0 0 0 0,00 4 0 0 1,33 1,33
~ d 18 6 0 8,00 36 2 0 12,67 4,67 ~ dd 80 46 42 56,00 88 32 76 65,33 9,33
Poren-beton n 100 18 28 48,67 92 28 31 50,33 1,67
~ d 100 93 95 96,00 99 88 91 92,67 -3,33 ~ dd 100 38 49 62,33 99 68 83 83,33 21,00
Ziegel-stein n 100 69 67 78,67 65 37 26 42,67 -36,00
~ d 99 71 76 82,00 99 73 92 88,00 6,00 ~ dd 100 90 96 95,33 96 87 75 86,00 -9,33
Total 79,06 59,17 49,22 62,48 70,44 54,44 45,67 56,85 -5,63
In Tabelle 5.12 sind die Ergebnisse der Wasseranteiltests mit 5 M-% dargestellt. Zu erkennen
sind die Proben, die durchgeführte Differenzierung (n, d, dd) und die Resultate, die erzielt
wurden, gemittelt von den Betrachtungen mit den 3 aufgestellten Datenbanken (A, B, C). In
der ersten Tabellenhälfte sind die Ergebnisse der Trockentests einzeln aufgeschlüsselt. Die
zweite Hälfte stellt die Ergebnisse mit 5 M-% Wasseranteil an den Proben dar, dabei zeigt die
letzte Spalte die abfallende (-) bzw. ansteigende Erkennung von 0 % zu 5 % Wasseranteil in
den Proben. Die Ergebnisse im Gesamten werden in der abschließenden Spalte erläutert.
Dabei werden die Mittelwerte der aufgestellten Daten ermittelt. Zu erkennen ist, dass ohne
Differenzierung der Spektren die Erkennung bei Beton, Kalksandstein, Leichtbeton 6 und
Ziegelstein abfällt. Porenbeton und Leichtbeton 1 haben in etwa gleich bleibende
Identifikationen. Bei Betrachtung der Spektren in 1. Ableitung werden nur Beton und
Porenbeton schlechter erkannt. In 2. Ableitung werden besonders Beton mit -17 %,
Kalksandstein und Ziegelstein mit dem definierten Wasseranteil von 5 % weniger gut
identifiziert. Insgesamt werden Beton, Kalksandstein und Ziegelstein mit 10 % schlechter
erkannt wenn 5 M- % Wasser in den Proben enthalten sind. Bei Leichtbeton 1 und 6 kann
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 82
keine aussagekräftige Tendenz festgestellt werden, da Leichtbeton 1 nur in 2. Ableitung auch
wirklich als Leichtbeton erkannt wird und Leichtbeton 6 hervorragend in 1. und 2. Ableitung
als solcher identifiziert wird. Zusätzlich weist der Leichtbeton, wie im Datenbanktest gezeigt
wurde, in Datenbank C kaum Prozentpunkte auf. Porenbeton wird sogar geringfügig besser
erkannt. Werden die Zahlen im Gesamten vergleichen, fällt die Erkennung der betrachteten
Baustoffspektren in Datenbank A von 80 % auf 70 %, in Datenbank B von 60 % auf 55 %
und in Datenbank C von 50 % auf 45%. Festzuhalten ist, dass mit 5 M-% Wassergehalt in den
Proben die Erkennung der Spektren durchschnittlich um 6 % abfällt, jedoch bei Betrachtung
der Spektren in ausgewählten Differenzierungen keine eindeutig niedrigere Erkennung
festzustellen ist.
Tab.5.13: Erkennung der Baustoffspektren in trockenem Zustand und 10 M-% Wasseranteilen
Trocken–Ergebnis in Datenbanken [%]
10% - Ergebnis in Datenbanken [%] Probe Differen-
zierung A B C
Ergebnis [%]
A B C
Ergebnis [%]
Erkennung +- [%]
Beton n 30 6 4 13,33 10 1 0 3,67 -9,67 ~ d 90 45 21 52,00 60 48 18 42,00 -10,00 ~ dd 88 68 61 72,33 1 33 14 16,00 -56,33
Kalksand-stein n 82 84 83 83,00 10 8 8 8,67 -74,33
~ d 89 94 93 92,00 88 86 86 86,67 -5,33 ~ dd 87 89 93 89,67 62 64 32 52,67 -37,00
Leicht-beton 6 n 60 48 56 54,67 32 16 22 23,33 -31,33
~ d 100 100 12 70,67 100 100 40 80,00 9,33 ~ dd 100 100 10 70,00 100 100 22 74,00 4,00
Leicht-beton 1 n 0 0 0 0,00 18 0 0 6,00 6,00
~ d 18 6 0 8,00 6 0 2 2,67 -5,33 ~ dd 80 46 42 56,00 64 16 58 46,00 -10,00
Poren-beton n 100 18 28 48,67 98 42 43 61,00 12,33
~ d 100 93 95 96,00 100 95 99 98,00 2,00 ~ dd 100 38 49 62,33 100 89 94 94,33 32,00
Ziegel-stein n 100 69 67 78,67 10 6 4 6,67 -72,00
~ d 99 71 76 82,00 98 88 97 94,33 12,33 ~ dd 100 90 96 95,33 61 64 28 51,00 -44,33
Total 79,06 59,17 49,22 62,48 56,56 47,56 37,06 47,06 -15,43
Tabelle 5.13 stellt die Ergebnisse des Tests mit 10 M-% Wasseranteil dar. Aufbau und Form
sind entsprechend Tabelle 5.12 gleich. Verglichen werden die Resultate wiederum mit den
trocken aufgenommenen Probenspektren, um eine Gegenüberstellung der Werte mit 5 und 10
% zu erhalten. Zu erkennen ist, dass ohne Differenzierung der Spektren die Erkennung wieder
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 83
NIR- Erkennung in Abhängigkeit der Wasseranteile
62,4856,85
47,06
0,00
10,00
20,00
30,00
40,00
50,00
60,00
Wasseranteil
Nir
-Erk
enn
un
g [
%]
Trocken
5%
10%
bei Beton, Kalksandstein, Leichtbeton 6 und Ziegelstein abfällt. Leichtbeton 1 hat in etwa
eine gleich bleibende Identifikation. Porenbeton dagegen weist eine geringe Verbesserung
auf. Bei Betrachtung der Spektren in 1. Ableitung werden nur Beton, Leichtbeton 1 und
Porenbeton schlechter erkannt. In 2. Ableitung werden besonders Beton mit -56 %,
Kalksandstein mit -37 % und Ziegelstein (-44 %) mit dem definierten Wasseranteil von 10 %
mangelhaft identifiziert. Insgesamt werden Beton (-25%), Kalksandstein (-39%) und
Ziegelstein (-34%) schlechter erkannt wenn 10 M- % Wasser in den Proben enthalten sind.
Bei Leichtbeton 1 und 6 trifft die Aussage wie zur Tabellenauswertung 5.12 zu, mit
Ausnahme, dass sich die Ergebnisse mit 10 % allgemein verschlechtert haben. Leichtbeton 1
wird erneut nur wirklich in 2. Ableitung als Leichtbeton erkannt und Leichtbeton 6 sogar sehr
gut in 1. und 2. Ableitung. Die Erkennung in Datenbank C ist für Leichtbeton nur in 2.
Ableitung der Spektren möglich. Porenbeton wird erneut geringfügig besser erkannt als im
trockenen Zustand. Werden die Zahlen im Gesamten vergleichen, fällt die Erkennung der
betrachteten Baustoffspektren in Datenbank A von 80 % auf 56 %, in Datenbank B von 60 %
auf 47 % und in Datenbank C von 50 % auf 37%. Abschließend kann festgehalten werden,
dass mit 10 M-% Wasseranteil in den Proben die Erkennung der Spektren durchschnittlich um
15,5 % abfällt, also nochmals um 10 % gegenüber den Proben denen 5 M-% Wasser zugefügt
wurden. Auffällig ist weiterhin, dass bei Betrachtung der Spektren in 1. Ableitung keine
deutliche Verschlechterung der Erkennung festzustellen ist und in 2. Ableitung ein
durchschnittlicher Abfall von 19 % zu verzeichnen ist.
Zusammenfassend kann die Aussage getroffen werden, dass Proben mit zunehmendem
Wassergehalt schlechter erkannt werden. Im Test wurden niedrigere Erkennbarkeiten von
durchschnittlich 6 % bei 5 M-% Wasseranteil und 15,5 % bei 10 M-% Wasseranteil
festgestellt, dargestellt in Abbildung 5.14. Besonders Beton, Kalksandstein und Ziegelstein
wurden mit steigendem Wassergehalt immer mangelhafter identifiziert. Entscheidend bei der
Betrachtung sind die richtige
Einstellung des Analysemodells, die
Fülle der Datenbank und die
Differenzierung der Analysespektren.
In Abbildung 5.15 sind grafische
Darstellungen zur Problematik
hinterlegt. Dabei werden die
verschiedenen Wassergehalte den
Datenbanken A und C gegenübergestellt. Abb.5.14: NIR-Erkennung in Abhängigkeit der Wasseranteile in den Proben
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 84
Datenbank A trocken
Datenbank A 5 % Wasseranteil
Datenbank A 10 % Wasseranteil
Datenbank C 5 % Wasseranteil
Datenbank C 10 % Wasseranteil
Datenbank C trocken
schwarz/weiß: Beton; grün: Leichtbeton 6; dunkelblau: Porenbeton; orange: Kalksandstein; hellblau: Leichtbeton 1; rot: Ziegelstein
Abb.5.15: Wasseranteiltest in Datenbank A und C grafisch dargestellt
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 85
5.9 Weitere Tests Zur Überprüfung der allgemeinen Funktionstüchtigkeit der Trennbarkeit werden weitere Tests
durchgeführt. Dabei wird vor allem die Identifikation von Störstoffen im Mittelspunkt stehen.
Die Durchführung der NIR- Spektroskopie für die Erkennung von Störstoffen wie Asbest und
Gips ist in der Praxis von entscheidender Bedeutung. Auch deshalb werden diese Stoffe
untersucht und auf Erkennungswahrscheinlichkeiten geprüft.
5.9.1 Asbesterkennung
Asbest ist ein Schadstoff. Die Erkennung von Asbest ist in der Entwicklung von
Sortierverfahren ein großes Thema. Im Rahmen der Arbeit wurde Asbest mit der NIR-
Spektroskopie vermessen und mit Spektren des ungefährlichen Faserzements verglichen. Zum
Vergleich werden die Spektren erst untereinander gegenübergestellt und anschließend und als
Teilspektren in einer Datenbank mit vielen anderen Spektren getestet, wie hoch sich die
Identifikation und Baustoffzugehörigkeit verteilt.
Tab. 5.14: Asbest- Faserzement- Vergleich
Asbest- Faserzement- Vergleich
Originalspektren- darstellung (n)
Spektrendarstellung in 1. Ableitung (d)
Spektrendarstellung in 2. Ableitung (dd)
Darstellung der Auswertung
Spektren im PLS Scores Plot (2D) Spektren in Analysegraph Scores (3D)
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 86
Tabelle 5.14 zeigt die Spektrendarstellung von Asbest und Faserzement. Eine Unterscheidung
der Spektren in den jeweiligen Differenzierungen kann festgestellt werden. In den
Diagrammen der grafischen Auswertung lässt sich der Unterschied noch besser erkennen. Bei
der Auswertung konnten jeweils alle 100 aufgenommenen Spektren von Asbest und
Faserzement richtig zugeordnet werden.
Bei Betrachtung der Spektrenanalyse von Asbest und Faserzement in der gesamten Datenbank
stellt sich ein anderes Ergebnis dar. Die Spektren wurden in der Datenbank C mit möglichst
vielen Vergleichsspektren der Analyse unterzogen. Die Ergebnisse der Auswertung im PLS
Score Plot sind in Abbildung 5.16 dargestellt.
Abb. 5.16: PLS Scores Plot der Asbest und Faserzementspektren mit ihren konkurrierenden Auswertungsspektren
Bei der Auswertung in der Gesamtdatenbank wurden Asbest zu 66% und Faserzement zu
53% erkannt. Mit steigender Anzahl an Eigenvektoren erhöht sich die Erkennung von Asbest
geringfügig und die Identifikation von Faserzement sinkt auf unter 10%. In Abbildung 5.16
werden die „Fehlzugehörigkeiten“ in Form ihrer gesamten Spektrenvielfalt gezeigt. Asbest
wird zu 5 % Beton und zu 20 % Ziegelstein zugeordnet. Die Ähnlichkeit zu Beton, grau
dargestellt, lässt sich anhand des Diagramms nachvollziehen. Die 2. Punktewolke der
Asbestspektren befindet sich komplett im Gebiet des Ziegelsteins. Daher werden diese 20
Spektren auch zu Ziegelstein zugeordnet. Faserzement wird zu hohen Anteilen als
Leichtbeton (42%) und Porphyr (31%) identifiziert. Weitere 19 % der Leichtbetonspektren
werden Ziegelstein zugeordnet. Im Diagramm liegen diese Spektren im Auswertungsplot auch
nah beieinander, deshalb kommt es zu den Fehlzugehörigkeiten.
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 87
5.9.2 Gipserkennung
Die Gipstrennung ist wichtig bei Prozessen des Baustoffrecyclings, da er als Störstoff
eingeordnet wird. Der SO3-Gehalt von Gesteinskörnungen für Recyclingprozesse muss laut
DIN 4226-100 unter 1 M.-% liegen. Im folgenden Test werden reiner Beton, reiner Gips und
Beton mit jeweils 2,4 und 8 % Gipsanteilen untersucht und auf die Erkennung mit der NIR-
Spektroskopie getestet. Abbildung 5.17 zeigt die zu untersuchenden Proben. Diese wurden in
Petrischale pro Baustoffprobe mit jeweils 10 Messungen zu 5 Durchgängen gemessen.
Abb.5.17: Proben mit Beton und bestimmten Gipsanteilen
Tab.5.15: Beton-Gipsanteil- Vergleich
Beton, Gips und Beton mit Gipsanteilen von 2%,4% und 8%
Originalspektren- darstellung (n)
Spektrendarstellung in 1. Ableitung (d)
Spektrendarstellung in 2. Ableitung (dd)
Darstellung der Auswertung
Spektren im PLS Scores Plot (2D) Spektren in Analysegraph Scores (3D)
Escher M. Versuchsprogramm – NIR – Spektrenbibliothek am Versuchsstand 88
In Tabelle 5.15 werden die unterschiedlichen Spektrendarstellungen anhand der
Differenzierung abgebildet. Zu erkennen ist die signifikante Spektrenform von reinem Gips.
Reiner Beton lässt sich aufgrund der Spektrendarstellung kaum von denen mit bestimmten
Gipsanteilen unterscheiden. Jedoch ist eine gewisse Staffelung nach Gipsanteil in Form der
Absorptionsintensität in Darstellung der Originalspektren festzustellen. Je höher der
Gipsanteil der Probe ist, desto höher ist die Absorptionsintensität, die im Diagramm
dargestellt ist. Somit können auch Unterschiede vor einer PLS- Analyse festgestellt werden.
Nach dem Auswertungsalgorithmus, bei dem die jeweils 50 Spektren je Baustoff (insgesamt
250) einer Analyse unterzogen wurden, stellte sich das Ergebnis, wie im unteren Bereich der
Tabelle 5.16 abgebildet ist, in grafischer Form dar. Dabei wurde im Algorithmus die bewährte
Form der Gesamtspektren als Lernset und die Mittelwertspektren als Testset bei 6
Eigenvektoren mit Differenzierung in 2. Ableitung gewählt. Zu erkennen ist, dass reiner
Beton und Gips sich von dem Betonen mit bestimmten Gipsanteilen grafisch unterscheiden
lassen. Bei Gipsanteilen von 2-8% stellt sich eine Punktewolke dar, die jedoch auch eine
gewisse Abstufung der einzelnen Anteile erkennen lässt. Besonders bei der Darstellung in 3D
lassen sich die einzelnen Baustoffe in etwa einem Bereich im Diagramm zuordnen. Bei der
Auswertung in Form des PLS- Analysemodells stellt sich folgendes Ergebnis tabellarisch dar:
Tab. 5.16: Erkennungen von Beton, Gips und bestimmten Gipsanteilen in Beton nach einer Auswertung
Type Number Identical [%] Beton [%] Gips [%] Gipsanteil 2% Gipsanteil 4% Gipsanteil 8%
Beton 50 96.0 -- 0.0 4.0 0.0 0.0
Gips 50 100.0 0.0 -- 0.0 0.0 0.0
Gipsanteil 2% 50 96.0 0.0 0.0 -- 4.0 0.0
Gipsanteil 4% 50 92.0 0.0 0.0 8.0 -- 0.0
Gipsanteil 8% 50 98.0 0.0 2.0 0.0 0.0 --
Total 250 96.4 0.0 0.4 2.4 0.8 0.0
Der Auswertungsalgorithmus identifiziert alle Probenspektren mit sehr guten Ergebnissen. Zu
über 96 % werden die Spektren nach der Analyse richtig zugeordnet. Anhand Tabelle 5.16 ist
zu erkennen, dass reiner Gips zu 100 % erkannt wird. Doch auch Beton und vor allem die
Betonproben mit bestimmten Gipsanteilen werden nahezu alle im Bereich von 95 %
entsprechend richtig zugeordnet. Auch werden die geringen Fehlerkennungen der Spektren
dem ähnlichsten Baustoff in der Zusammensetzung zugeteilt. Bei Betrachtung der Ergebnisse
in einer Datenbank mit vielen Vergleichsspektren werden Erkennungen von bis zu 95 %
entsprechend dem Gipsanteil in der Probe erzielt. Reiner Gips unterscheidet sich sehr gut von
anderen Spektren und somit kann abschließend festgestellt werden, dass mit steigendem
Gipsanteil der Probe auch die Erkennung mit NIR steigt.
Escher M. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit 89
6. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit Um Aussagen treffen zu können, die die Erkennbarkeit aufgrund physikalischer
Charakteristika einordnen und in ein Verhältnis setzen, werden Korrelationen aufgestellt, die
die erhaltenen Ergebnisse gegenüberstellt und in Verbindung setzt. Das Kapitel wird zugleich
genutzt, um eine Endauswertung darzulegen.
6.1 Gesamtauswertung Die ermittelten Resultate aus der Korngrößenanalyse, der Rohdichte aus Flüssigkeits- und
Feststoffpyknometrie, der Reindichte, sowie der Wasseraufnahme und Porosität werden mit
der Erkennbarkeit der Baustoffspektren zu ihrem zugehörigem Baustoff ins Verhältnis
gesetzt. Da es verschiedene Erkennungen bei den Spektren aufgrund der Datenbankfülle und
Differenzierung der Spektren für die Analyse gibt, werden die Daten aus 2 Auswertung
verglichen. Dafür bedarf es einer abschließenden Tabelle, in der alle ermittelten Werte der
Baustoffcharakteristika und Identifikationen der jeweiligen Baustoffe anhand der NIR-
Spektroskopie gegenüber gestellt sind. Anschließend werden die Werte gewichtet und ins
Verhältnis gesetzt. Die Daten werden mit „+“ und „-“ voneinander unterschieden um
Wertungen vorzunehmen. Weiterhin werden Bewertungen von 1 (sehr gut oder hoch) und 6
(sehr schlecht oder niedrig) den Resultaten der Untersuchungen vergeben, um die Möglichkeit
zu geben, diese zu vergleichen.
Tab.6.1: Gesamtübersicht der ermittelten Werte
Baustoff Reindichte [g/cm³]
Gemittelte Rohdichte
[g/cm³]
Wasserauf-nahme in 2 h
[%]
Porosität [%]
NIR- Erkennung
anhand Datenbank B
[%]
NIR- Erkennung
anhand Datenbank C
[%]
Beton 2,75 2,35 4,9 14,36 29,3 (+54,4) 14,1 (+34,6)
Leichtbeton 2,66 1,14 24,55 57,14 65,6 (+28,2) 30,3 (+13,0)
Porenbeton 2,63 0,64 85,06 75,67 91,8 (7,6) 89,7 (+9,9)
Ziegelstein 2,75 1,85 15,15 32,55 96,4 93,8
Kalksandstein 2,71 1,87 14,12 31 82,3 75,6
grobe Gesteinkörnung 2,7 2,56 2,68 5 52,4 42,6
Altbeton 2,74 2,24 7,19 18,07 45,9 (+41,3) 35,9 (+15,5)
Mauerwerkbruch 2,78 1,9 11,93 31,65 82,5 82,3
Porenbetonbruch 2,71 0,61 52,6 77,31 57 (+33,0) 47,3 (+31,0)
Escher M. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit 90
Tab.6.2: zusätzliche Baustoffe/Störstoffe in ihrer NIR- Erkennung
Baustoff NIR- Erkennung anhand Datenbank C [%]
Asbest 66,0 Faserzement 53,0
Gips 83,4 Granit 2,7
Porphyr 78,0
Tabelle 6.1 zeigt eine Gesamtübersicht der ermittelten Werte der physikalischen
Eigenschaften und der NIR- Erkennung. Bei der NIR- Erkennung stehen die in Klammern
dargestellten Werte für die richtige Fremderkennung. Beispielsweise wird Beton in
Datenbank B zu 29,3 % exakt richtig zugeordnet, jedoch werden zusätzlich 54,4 % der
Betonspektren als Leichtbeton und Altbeton erkannt. Diese Zusammenführung von
Baustoffobergruppen soll verdeutlichen, dass wesentlich höhere Erkennbarkeiten erzielt
werden, wenn von der Zusammensetzung in etwa gleiche Baustoffe als eine betrachtet
werden. Eine weitere Baustoffobergruppe setzt sich aus Porenbeton und Porenbetonbruch
zusammen. Bei Addition der richtigen Fehlerkennungen werden Identifikationen von über
90% erzielt. Bei der Durchführung der Auswertung wurde erneut die jeweilige Datenbank
zum Anlernen und zum Test die Mittelwertspektren unter Bildung der 1. Ableitung der zu
untersuchenden Spektren gewählt.
Leichtbeton wird wie in vorherigen Ergebnisauswertungen in der größeren Datenbank C
weniger gut erkannt und grobe Gesteinskörnung wird aufgrund der Variabilität der Körner nur
zu etwa 45 % erkannt. Aufgrund der Tatsache, dass Kies Bestandteil von Beton ist, hätte hier
erneut eine Zusammenführung der Baustoffspektrenerkennung erfolgen können, auch weil ein
hoher Prozentanteil der Kiesspektren zu Beton und Altbeton zugeordnet wurde, jedoch wurde
darauf verzichtet um die jeweilig exakte Erkennung zu verdeutlichen und nicht zu viele
Baustoffe in Verbindung zu bringen.
Dass Schad- und Störstoffe wie Asbest und Gips mit Wahrscheinlichkeiten von 66 % bzw.
83% erkannt werden ist eine wichtige Erkenntnis, auch für weitere Betrachtungen
entsprechend Praxisanwendungen und ist aus Tabelle 6.2 zu entnehmen.
Escher M. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit 91
Abbildung 6.1 und 6.2 zeigen die Erkennung anhand Datenbank B und C auf exakte Baustoff-
identifizierung und zusammengefasste Baustoffsortenzuordnung. Dabei werden die Werte der
zusätzlichen Erkennungen zu den exakten Ergebnissen addiert und bilden in Summe den Wert
in den Abbildungen.
NIR- Erkennung anhand Datenbank B
0102030405060708090
100
Beton
Leich
tbeto
n
Poren
beton
Ziegelst
ein
Kalksa
ndste
inKies
Altbeto
n
Mauerw
erkb
ruch
Poren
betonb
ruch
Baustoff
Erk
ennu
ng [%
]
exakte Baustofferkennung zusammengefasste Baustoffsortenerkennung
NIR- Erkennung anhand Datenbank C
0102030405060708090
100
Beton
Leich
tbeto
n
Poren
beton
Ziegelst
ein
Kalksa
ndste
inKies
Altbeto
n
Mauerw
erkb
ruch
Poren
betonb
ruch
Baustoff
Erk
enn
un
g [
%]
exakte Baustofferkennung zusammengefasste Baustoffsortenerkennung
Abb.6.1/6.2: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C
Tab.6.3: exakte und zusammengefasste NIR- Erkennung anhand Datenbank B und C
Baustoff NIR-
Erkennung B [%]
NIR- Erkennung B kompakt [%]
NIR- Erkennung C
[%]
NIR- Erkennung C kompakt [%]
Beton 29,3 83,7 14,1 48,7 Leichtbeton 65,6 93,8 30,3 43,3 Porenbeton 91,8 99,4 89,7 99,6 Ziegelstein 96,4 96,4 93,8 93,8
Kalksandstein 82,3 82,3 75,6 75,6 Kies 52,4 52,4 42,6 42,6
Altbeton 45,9 87,2 35,9 51,4 Mauerwerkbruch 82,5 82,5 82,3 82,3 Porenbetonbruch 57,0 90,0 47,3 78,3
Total 70,7 88,7 59,9 71,2
Nach Tabelle 6.3 werden bei der NIR- Spektroskopie bei Betrachtung in Datenbank B
insgesamt Erkennungen von 70,7 % beziehungsweise 88,7 % bei Baustoffobergruppenbildung
erzielt. In Datenbank C werden 59,9 % der Gesamtspektren richtig zugeordnet. Unter
Berücksichtigung von Baustoffobergruppen, also der Spektrenerkennung von beispielsweise
Porenbetonbruch zu Porenbeton, werden 71,2 % passend zugewiesen und somit erkannt. Im
Anhang ab A9 und auf CD-ROM A6 sind weitere Auswertungen einzeln aufgeschlüsselt und
im Gesamten dargestellt.
Escher M. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit 92
6.2 Korrelationen Zum Abschluss soll anhand der Ergebnisse eine Bewertung nach Tabelle 6.4 erfolgen. Dazu
wurden die ermittelten Resultate bewertet bzw. benotet. Aufgrund der schwierigen Bewertung
von einigen Charakteristika entspricht die Note 1 nicht nur „sehr gut“ sondern auch „sehr
hoch“. Diese Einteilung ist nötig um beispielsweise die Wasseraufnahme zu bewerten, da
jeder Wert entsprechend der Zielsetzung anders interpretiert werden kann. Analog dazu
werden die restlichen Benotungen charakterisiert. Schwierigkeiten entstehen bei der
Bewertung von Korngrößenverteilungen. Hier wurde ein niedriger Wert gewählt,
entsprechend der Fraktionsgrößen. Eine stark ausgeprägte Kornfraktion 0/2 wurde mit der
Note 1 gekennzeichnet. Die Benotung der Korngrößenanalyse entspricht somit der
Zerkleinerbarkeit. Eine „1“ bedeutet eine sehr gute Zerkleinerbarkeit und eine „6“
dementsprechend eine sehr schlechte. Da Porenbeton und Kalksandstein hohe M.-% bei
niedrigen Fraktionen aufweisen, erhalten sie die Note 1. Ziegelstein mit einer veränderten
allgemeinen Korngrößenverteilung und einer weniger stark ausgeprägten Kornfraktion 0/2
erhielt aufgrund der Unterschiede die Note 3. Die Korngrößenverteilungsnote entspricht somit
auch dem Maß der Sprödigkeit.
Tab.6.4: Bewertung der ermittelten Baustoffparameter inklusive NIR- Erkennbarkeit
Baustoff
Wasser-Aufnahme
[Note]
Korngrößen-verteilung
[Note]
Porosität [Note]
Identifikation Datenbank B
[Note]
Identifikation Datenbank C
[Note]
Identifikation gesamt [Note]
Erkennung gesamt
[+/-]
Beton 6 2 4 4- 5 5 --
Leichtbeton 3 2 2 3 4- 4 -
Porenbeton 1 1 1 1 1 1 ++
Ziegelstein 4 3 3 1 1 1 ++
Kalksandstein 4 1 3 2 3+ 2- +
grobe
Gesteinkörnung 6 / 6 4 4- 4 -
Altbeton 5 / 4 4 4- 4 -
Mauerwerkbruch / 3 2- 2- 2- +
Porenbetonbruch 2 / 1 4+ 4 4+ 0
Notensystem: 1 sehr gut, hoch / 6 sehr schlecht, niedrig ++ sehr gut; + gut; 0 mittelmäßig;
- schlecht; -- sehr schlecht
Escher M. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit 93
Die aus der Roh- und Reindichte resultierende Porosität wurde wie die Wasseraufnahme
bewertet. Eine Benotung für die untersuchten Dichten war aufgrund der Tatsache schwierig,
dass zum einen schon der Wert der Porosität die Dichten repräsentiert und zum anderen sich
die Reindichten nur geringfügig von einander unterscheiden und dementsprechend der
Rohdichtewert gleichzusetzen ist mit dem Wert der Porosität.
Die NIR- Erkennung wurde aufgrund der Erkennung in Datenbank B und C bewertet. Die
Erkennung in Datenbank A wurde aus dem Grund nicht benotet, da zu wenige
Vergleichsspektren implementiert sind und die Identifikation in vorherigen Tests bei nahezu
100% lag. Die voneinander unabhängigen Benotungen anhand der Ergebnisse in den
Datenbanken wurden gemittelt und resultieren in einer Gesamtbewertung der NIR-
Erkennbarkeit. Dabei werden die exakten Baustofferkennungen als maßgebend angesehen.
Abschließend wurde diese in Form von „+“- und „-“ Symbolen entsprechend der Benotung
bewertet.
NIR- Erkennung in Abhängigkeit der Rohdichte
y = -0,1986Ln(x) + 2,4925R2 = 0,0128
0
0,5
1
1,5
2
2,5
3
0 20 40 60 80 100
NIR-Erkennung [%]
Ro
hd
ich
te {
g/c
m³]
Rohdichte
Logarithmisch (Rohdichte)
NIR- Erkennung in Abhängigkeit der Reindichte
y = -0,0063Ln(x) + 2,7389R2 = 0,007
2,6
2,65
2,7
2,75
2,8
0 20 40 60 80 100
NIR-Erkennung [%]
Rei
nd
ich
te {
g/c
m³]
Reindichte
Logarithmisch (Reindichte)
NIR- Erkennung in Abhängigkeit der Porosität
y = 13,544Ln(x) - 14,617R2 = 0,105
0
10
20
30
40
50
60
70
80
90
100
0 20 40 60 80 100
NIR-Erkennung [%]
Po
rosi
tät
[%]
Porosität
Logarithmisch (Porosität)
NIR- Erkennung in Abhängigkeit der Wasser-aufnahme
y = 16,334Ln(x) - 39,316R2 = 0,1405
0
10
20
30
40
50
60
70
80
90
100
0 20 40 60 80 100
NIR-Erkennung [%]
Was
sera
ufn
ahm
e [%
]
Wasseraufnahme
Logarithmisch (Wasseraufnahme)
Abb.6.3: NIR- Erkennung in Abhängigkeit der physikalischen Charakteristika
Escher M. Beurteilung und Bewertung von Korrelationen und der Trennbarkeit 94
In Abbildung 6.3 sind die NIR- Erkennungen der Datenbank C in Abhängigkeit der
ermittelten physikalischen Charakteristika anhand einer logarithmischen Trendkurve
dargestellt. Aus den Roh- und Reindichtewerten der zu untersuchenden Baustoffe kann keine
Abhängigkeit zur NIR- Erkennung festgestellt werden. Anhand der Porositäts- und
Wasseraufnahmewerte können grobe Trends zur NIR- Erkennung abgeleitet werden. Diese
sind jedoch mathematisch zu ungenau und ergeben keine eindeutigen Abhängigkeiten zur
NIR- Identifikation der jeweiligen Baustoffe. Diese Trends sind folgendermaßen zu
beschreiben: Mit sinkender Rohdichte sinkt auch die Erkennung; Anhand der Reindichte ist
kein Trend festzustellen; Mit steigender Porosität und Wasseraufnahme steigt die Erkennung.
Das Bestimmtheitsmaß gibt die Güte der Abhängigkeit wieder und festigt die Vermutung,
dass kaum Zusammenhänge zwischen physikalischen Eigenschaften und der NIR- Erkennung
bestehen.
Escher M. Ausblick 95
7. Ausblick Im Bereich der Weiterentwicklung sensorgestützter Sortierverfahren müssen möglichst viele
Teile eines Verfahrens integriert werden. Das umfasst die Materialvorbehandlung und
Konditionierung, die Vereinzelung und Präsentierung, die Sensorentwicklung und –
Anpassung, die Auswertung und die Objektausschleusung. Eine Zusammenarbeit von
Maschinenhersteller, Forschungseinrichtungen und Betreiber ist somit zwingend erforderlich,
um mit vielschichtigen Erfahrungen eine Weiterentwicklung hinsichtlich Grundlagen-
forschung, Maschinenkonstruktion und Praxisoptimierung zu erreichen Berührungslose
physikalische Messverfahren, wie die Nahinfrarot-Analyse, sind grundsätzlich als Sensoren
geeignet. Aber es stehen noch unzählige weitere Sensoren zur Verfügung. Faktoren wie
Auflösung, Geschwindigkeit, Umweltbeeinträchtigung und noch viele weitere sind für
sinnvolle Anwendungen in diesem Gebiet mitentscheidend.
Die derzeitigen Sensoren können und müssen noch verbessert werden. Zum Beispiel bei der
Mustererkennung der Zeilenkameras, bei der Messung magnetischer Charakteristika und
besonders bei Infrarotsensoren in der Mineralaufbereitung in Form von Spektrenerkennung
und Datenbanken von Grundspektren. Doch auch die Kombination von Sensorsystemen wird
in nächster Zeit Forschungsschwerpunkt sein.
Weiterentwicklungen in diesen Themenkomplex haben sich enorm verbessert, auch aufgrund
der steigenden Rohstoff- und Energiepreise und der damit verbundener wachsender
Nachfrage nach wirkungsvolleren und energiesparenden Verfahren. Vor allem im Gebiet der
Aufbereitung von Mineralien hat die sensorgestützte Sortierung noch nicht die erwünschte
Verbreitung erfahren, die die Technik schon jetzt zulassen würde. Aber es ist abzusehen, dass
der Einsatz in der Mineralindustrie zukünftig ausgeweitet wird.
Aktuelle Entwicklungen zeigen, dass in Zukunft eine noch präzisere Charakterisierung
stofflicher Merkmale durch die Kombination verschiedener Sensoren, die auf
unterschiedlichen physikalischen Ebenen Merkmale identifizieren, zu erwarten sind. [11]
Um das Sortierergebnis zu optimieren, werden für spezielle Aufgabenstellungen mehrere
Sensoren gleichzeitig eingesetzt. Multisensorsysteme ermöglichen, die Breite an
Trennkriterien zu vergrößern und durch die EDV-gestützte Verknüpfung der Ergebnisse
eindeutigere Klassifizierungen zu treffen. Auch hier spielt die Wirtschaftlichkeit von
Escher M. Ausblick 96
Multisensor-Sortiermaschinen eine Rolle, da gerade die Sensoreinheit den größten Anteil der
Investitionskosten ausmacht. Die sensorbasierte Sortiertechnologie stellt eine viel
versprechende Technologie zur Vergrößerung der Möglichkeiten des stofflichen Recyclings
dar. Sie wird angewandt zur Qualitätssicherung bei der Herstellung von Ersatzbrennstoffen,
bei der Separierung heizwertreicher Materialien aus aufbereiteten Mischabfällen sowie zur
sortenreinen Trennung von Polymeren aus gemischten Kunststoffabfällen. [9]
In Tabelle 7.1 sind einige Kombinationsmöglichkeiten dargestellt, wie sie heute bereits
technisch im Einsatz sind. Zusätzlich zur NIR- Technik könnte auch die Messmethode mittels
Röntgenstrahlung bei der mineralischen Sortierung hilfreich sein. Bisher steht die
Aussortierung von Störstoffen im Anwendungsbereich der NIR- Technik, doch zukünftig
kann die Identifikation von beispielsweise Asbest und Gips und die Bestimmung des
Wassergehalts zum Einsatzspektrum hinzugefügt werden. Der Einsatz in der
Rohstoffabbauindustrie, Baustoffherstellung sowie im Baustoffrecycling ist durchaus
machbar, bedarf aber nähere Informationen über maßgebende Mineralstrukturen in Form von
definierten Absorptionspositionen.
Tab. 7.1: Beispiele für kombinierte Detektion [11]
Spektralkombination Anwendung
Sichtbares Licht +
Nahinfrarot
Farbkamera zur Positions- und Farbbestimmung
+ NIR zur qualitativen Analyse
= Sortierung verschiedener Stoffgruppen
Sichtbares Licht +
Infrarot = LIPS
Farbkamera zur Positionsbestimmung
+ 3D-Laser zur Formerkennung
+ Hochenergie-Laser zur Plasmaerzeugung
= Bestimmung elementarer Zusammensetzungen
Eine weitere Analyse von Mineralien ermöglicht die Messtechnik der Firma LLA in Form der
Unterscheidung von Kalkstein und Dolomit. Kalkstein und Dolomit treten in einer Lagerstätte
in der Regel inhomogen zusammengesetzt und meist gemeinsam auf. Aufgrund ihres
Magnesiumoxidgehalts und den damit verbundenen unterschiedlichen Verwendungszwecken
werden Kalkstein und Dolomit sortiert. Mittels NIR- Spektroskopie lässt sich das Gestein
wesentlich schneller identifizieren als mit einer chemischen Analyse. Die Analyse des
Gesteins kann im Labor und online im Prozess durchgeführt werden. Ein besonders geformter
Messkopf bei der Prozessanalyse ermöglicht die Analyse über die volle Breite des
Transportbandes. Der Gesteinsstrom wird senkrecht zur Bandrichtung gescannt. Die
Linienscans werden zu einem zweidimensionalen Bild zusammengesetzt, das die
Escher M. Ausblick 97
Bandbelegung abbildet. Die Sensorik ermöglicht eine zuverlässige Erkennung des
Gesteinstyps als auch eine quantitative Analyse des MgO-Gehaltes mittels der Auswertung
der Gesteinsspektren. Die bildgebende Spektroskopie erlaubt eine anschließende mechanische
Fraktionierung. Mit Analysesoftware ist eine flexible Zuweisung anhand des MgO Gehalts
machbar. Die Sortierparameter sind dabei frei wählbar. Das Sensorsystem lässt sich auch auf
die Erkennung anderer Materialien anwenden, vorausgesetzt die zu klassifizierenden
Mineralien besitzen signifikante NIR-aktive Banden. [URL 4]
Von den verschiedenen bestehenden Trenntechniken erscheint vor allem die multisensorische
Sortierung für die qualitative Aufbereitung von Bauschutt geeignet. Um eine eindeutige
Identifizierung von farblich schwer zu unterscheidenden Stoffen automatisiert vorzunehmen
und Aussagen über adäquate Trennverfahren für solche Materialgemische treffen zu können,
ist zunächst eine weitere Differenzierung der Stoffe nach sortierrelevanten Kennwerten
notwendig.
Nächster wichtiger Schritt in mineralischer NIR- Spektroskopie ist die Zuweisung von
signifikanten Banden der jeweiligen Baustoffe zu Grundmineralien, um genaue
Unterscheidungen treffen zu können und nicht nur über Analysemodelle diese zu trennen. Die
Aufschlüsselung einzelner Baustoffspektren in ihre Grundstoffe und deren Übertragung auf
ähnliche Baustoffe und Unterscheidungen zu anderen Baustoffen in ihrer Zusammensetzung
ist dabei entscheidend.
Escher M. Zusammenfassung 98
8. Zusammenfassung Mit sensorgestützter Sortierung können mittlerweile höhere Kapazitäten und verbesserte
Sortierqualitäten als mit traditionellen Sortierungsverfahren erreicht werden. Die seit einigen
Jahren verwendete Sortiertechnik zur Ausschleusung verschiedener Materialströme auf Basis
der Nahinfraroterkennung wird mittlerweile im großen Umfang eingesetzt. Dennoch können
besonders dunkle Kunststoffteile, beschichtetes Holz und Mischmaterialien nicht vollwertig
mit der derzeitigen NIR- Sortierung aufbereitet werden. Durch herkömmliche Trennverfahren
ist die Sortierung von heterogenen Gemischen, die beim Abbruch entstehen und aus Beton,
Kalksandstein, Porenbeton und Ziegelstein bestehen, nur schwer zu bewältigen.
Zu der Problematik wurden in der Diplomarbeit Untersuchungen hinsichtlich der
Trennbarkeit von mineralischen Baustoffen mittels NIR vorgenommen. Grundlagen der
Funktion und Arbeitsweise wurden im ersten Arbeitsschritt beschrieben. Die NIR-
Messtechnik ist eine physikalische Methode zur Bestimmung meist organischer
Molekülverbindungen. Die NIR- Spektroskopie arbeitet mit Licht zwischen ca. 800 und 2500
Nanometern Wellenlänge und liegt damit zwischen dem sichtbaren Spektralbereich (VIS) und
dem mittleren Infrarot (MIR). Bei der Absorption von NIR- Strahlung werden die Moleküle
zu Schwingungen angeregt. Aus den reflektierten Spektren können Informationen über die
molekulare Zusammensetzung abgelesen werden. Sie können sowohl zur Identifizierung als
auch zur Quantifizierung von Substanzen dienen. Anders als im mittleren IR misst man im
NIR Ober- und Kombinationsschwingungen von Molekülgruppen, die sich als Summe der
dort auftretenden Grundschwingungen ergeben. Die entstehenden Spektren sind durch die
starke Bandenüberlappung schwerer analytisch zu interpretieren. Um die Informationsvielfalt
von mehreren hundert Datenpunkten pro Spektrum beherrschen zu können, bedient man sich
der Methoden der multivariaten Datenanalyse. Hierbei werden die komplexen
Zusammenhänge in den Spektren durch Datenreduzierung auf wenige spezifische
Grundmuster zurückgeführt, die es sowohl dem Betrachter möglich machen, Tendenzen und
Relationen in den Spektren qualitativ zu erkennen als auch Computerprogrammen erlauben,
nahezu den gesamten Informationsgehalt dieser Spektren für entsprechende Auswertungen zu
nutzen. Trotz dieser Datenreduzierung konnte Technik erst mit der Entwicklung
leistungsfähiger Computertechnik für praxisnahe Aufgabenstellungen genutzt werden.
Multivariate Auswerteverfahren wie die Partial Least Squares Methode haben sich als
qualitative Methode für die Verarbeitung der bei der NIR- Spektroskopie anfallenden
Datenmengen bestens bewährt. [33][38]
Escher M. Zusammenfassung 99
Vorteile gegenüber z.B. der Messung im mittleren Infrarot sind die einfache Handhabung, die
hervorragende Eignung für qualitative und quantitative Analysen und die Unterscheidbarkeit
sehr ähnlicher Stoffe, z.B. chemisch gleicher Produkte mit unterschiedlichen physikalischen
Eigenschaften. Neben der Analyse organischer Verbindungen eignet sich die NIR- Technik
auch zur Feuchtemessung, da Wasser zu den stärksten NIR- Absorbern zählt.
Die zahlreichen Anwendungsgebiete der NIR- Spektroskopie reichen bisher von
Landwirtschaft und Lebensmittelherstellung über Chemie- und Pharmaindustrie,
Biotechnologie, Polymerherstellung, Petrochemie etc. bis hin zur Kunststoffsortierung im
Recycling. [URL 13]
Die Sensorsortierung, unterteilt in Magnet-, Röntgen-, NIR- und VIS- Sensorik beschränkt
sich derzeit auf die Trennung von Metallen, Kunststoffen, Holz, Glas und vereinzelt
mineralische Stoffe wie Ziegel und Gips. Doch bei der mineralischen Trennung setzt die
vorliegende Arbeit an. Materialfamilien wurden zerkleinert und fraktioniert. Anschließend
wurden die physikalischen Eigenschaften ermittelt und bestimmte Kornfraktionen mittel NIR
vermessen. Signifikante Baustoffcharakteristika und entsprechende NIR- Spektren wurden
gegenübergestellt und in Abhängigkeiten gesetzt. Doch anhand der Molekularschwingung-
sspektroskopie des NIR mit der Bestrahlung der Probe mit IR-aktiven Licht kann aufgrund
der Absorption und Reflektion derzeit nur auf inhaltliche Zusammensetzung vermutet werden,
da nur wenige Bereiche der Spektren Mineralien zugeordnet werden können. Beispiele dafür
sind die bei 1415 nm auftretenden Tonminerale, bei 1860 nm Dolomitaktivitäten, bei 1910 nm
das auftretende Wasser und bei 1760 bzw. 1875 nm das auftretende Calzit.
Die im Rahmen der Diplomarbeit untersuchten ungebrauchten, sortenreinen Wandbaustoffe
wurden aufbereitet und fraktioniert. Anschließend wurden physikalische Eigenschaften
hinsichtlich Rein- und Rohdichte, Wasseraufnahme und Porosität ermittelt. Die
Reindichtewerte unterschieden sich dabei kaum, die Rohdichtewerte wurden aus zwei
Verfahren ermittelt: Flüssigkeits- und Feststoffpyknometrie. Die Ergebnisse im Bereich von
0,6 g/cm³ (Porenbeton) bis 2,6 g/cm³ (grobe Gesteinskörnung) wurden entsprechend der
Porositätsberechnung weiterverwendet. Dabei wurden Resultate von 5 % (grobe
Gesteinkörnung) und 75 % (Porenbeton) erzielt. Die Wasseraufnahmen der untersuchten
Baustoffe lagen bei unter 5 % bei Beton bis 85 % bei Porenbeton. Nach den ausführlichen
NIR- Untersuchungen und der Gegenüberstellung von den physikalischen Charakteristika der
Baustoffe und deren Erkennung mittels NIR- Spektroskopie, wurden Abhängigkeiten
ermittelt. Dabei konnte festgestellt werden, dass mit steigender Wasseraufnahme und
Escher M. Zusammenfassung 100
Porosität auch die Erkennung steigt. Doch aus den 9 Messwerten je Untersuchung kann
diesbezüglich nur ein schwacher Trend erkannt werden.
Bei der Durchführung der NIR- Spektroskopie wurden insgesamt ca. 30000 Messungen
gemacht. Mit dem Hintergrund jede Probenart jeder zu untersuchenden Fraktion statistisch
genau zu vermessen, wurde ein Probenteiler verwendet. So konnten die Materialien in 10
gleich schwere Proben verteilt werden, um diese anschließend aufzunehmen. Diese
aufgeteilten Proben werden jeweils 10-mal pro Fraktion vermessen, was eine Summe von 200
Messungen pro Baustoff ergibt. Daraus ergeben sich pro Baustoffsorte, bei 10
unterschiedlichen Baustoffarten, 2000 Messungen. Aus den aufgenommenen Spektren der
Baustoffsammlung wurden anschließend 3 Datenbanken erstellt. Eine Datenbank mit 5
ungebrauchten Wandbaustoffsorten (9682 Spektren), eine weitere Datenbank ebenfalls mit
den Wandbaustoffen und zusätzlich sekundäre Baustoffe wie Porenbetonbruch,
Mauerwerkbruch und Altbeton (9 Baustoffe mit 11612 Spektren). Die 3. Datenbank umfasst
die 9 Baustoffe der anderen Datenbanken und zusätzlich Natursteine wie Granit, Porphyr
sowie Asbest, Faserzement und Gips (14 Baustoffe mit 12402 Spektren). Diese wurden mit
verschiedenen Auswertealgorithmen einer PLS-Analyse unterzogen. Entsprechend der NIR-
Identifikation der Spektren zu ihren zugehörigen Baustoff sind eine Vielzahl von
Auswahlparametern möglich. Dazu gehören die Vergleichsdatenbank zum Anlernen der
Spektren, die Differenzierung der zu untersuchenden Spektren und die Anzahl der
Eigenvektoren der bei der PLS-Auswertung entstehenden Matrizen. Nach Vereinheitlichung
der Auswahlparameter stellten sich durchschnittlich Ergebnisse in Bezug auf Erkennung
hinsichtlich des Baustoffes in Datenbank A mit 88 %, in Datenbank B mit 70 % und in
Datenbank C mit 60 % ein. Je nach Vielfalt der Spektrenanzahl und dementsprechend
Baustoffzuweisungen sinkt die NIR- Erkennbarkeit. Bei Verwendung von neuen
Baustoffspektren, also Spektren die nicht in der Datenbank eingespeist sind, werden Resultate
in der Größenordnung von 75 % erzielt. Dabei stellen sich stets folgende Erkennbarkeiten dar:
Porenbeton und Ziegelstein werden sehr gut erkannt, Kalksandstein wird gut erkannt und
Beton und Leichtbeton werden weniger gut erkannt. Weiterhin wurde getestet, inwieweit sich
eine Erhöhung des Wassergehalts einer Probe auf die Erkennung auswirkt. Dabei stellte sich
heraus, dass bei einem Wasseranteil 5 M.-% die Erkennung um 5,5 % abfällt und bei 10 M.-
% Wasseranteil die Identifikation zum zugehörigen Baustoff um 16 % sinkt. Weitere Tests
bezüglich der Beurteilung der Tauglichkeit der NIR- Messtechnik hinsichtlich der
Trennbarkeit wurde mit Asbest, Faserzement und Gips durchgeführt. Hierbei wurden positive
Escher M. Zusammenfassung 101
Ergebnisse erzielt. Asbest wird von Faserzement gut unterschieden und Beton mit
verschiedenen Gipsanteilen untereinander ebenso.
Die NIR- Erkennung hinsichtlich der Baustoffgruppe Beton schwankt in ihren Resultaten. Je
nach Auswahl der signifikanten, unterscheidbaren Merkmale der zu untersuchenden Spektren,
in Form von Eigenvektoren der aufgestellten Spektrenmatrizen, werden Erkennungen von 14
% bis 95 % erzielt. Das liegt zum einen an der Betrachtung von vielen Baustoffen mit
Zementmatrix und der daraus folgenden Verteilung der Erkennbarkeiten auf diese, und zum
anderen an dem recht intensitätsschwachen Spektrenform. Bei mehreren tausend
Vergleichsspektren führt dies zu Fehlerkennungen, weil nicht ausreichend signifikante, zu
Betonspektren passende Merkmale gefunden werden. Auch die Testspektren, die nicht in den
Datenbanken implementiert sind, wurden teilweise besser erkannt als die Spektren die in den
Datenbanken schon vorhanden waren. Weiterhin ist gerade bei Kalksandstein und Beton der
Wassergehalt der Probe ein entscheidender Parameter. Entsprechend steigendem Wasseranteil
fällt die Erkennung zum zugehörigen Baustoff der Spektren massiv, stärker als bei Spektren
der Vergleichsbaustoffe.
Hinsichtlich der Fehlerkennungen wird häufig Kalksandstein zu Porenbeton und Porenbeton
zu Kalksandstein identifiziert. Beton wird teilweise zu Kies und den Natursteinen zugeordnet
und Leichtbeton als Ziegelstein oder Faserzement erkannt. Dennoch wurden mit den
beschriebenen Erkennbarkeiten mittels NIR gute Ergebnisse erzielt und die Tauglichkeit auf
Anwendung bei mineralischen Stoffen nachgewiesen.
Anhand der Ergebnisse ist festzustellen, dass Verbesserungen bezüglich der sortenreinen
Sortierung mit sensorgestützten Verfahren zukünftig erfolgen werden und die händische
Sortierung somit ablösen.
Durch kontinuierliche Verbesserungen im Bereich der sensorgestützten Sortierverfahren
werden in Zukunft auch neue Einsatzfelder für diese Art der Sortierung erschlossen.
Grundlegend kann angenommen werden, dass mittel- beziehungsweise langfristig der
Stellenwert der Gewinnung sortenreiner Abfallfraktionen für eine nachfolgende stoffliche
Verwertung wesentlich steigen wird. Und somit wird auch der Bereich der sensorgestützten
Sortierverfahren einen noch größeren Stellenwert erlangen, auch im Bereich der Sortierung
von Baustellenabfällen. [10]
Escher M. Literaturverzeichnis 102
Literaturverzeichnis Fachliteratur
[1] Hermann Wotruba: Stand der Technik der sensorgestützten Sortierung. BHM, Berg- und Hüttenmännische Monatshefte 153. Jg. (2008), Heft 6; S.221-224
[2] H.J. Gschaider; R. Huber: Neue Entwicklungen in der optischen Sortierung. BHM, Berg- und Hüttenmännische Monatshefte 153. Jg. (2008), Heft 6; S.217-220
[3] M. Dehler; Wedel: Optische Sortierung von mineralischen Rohstoffen. Schüttgut, 10 (2004) Nr.3, S.212-216
[4] Matthias Coppers, Katja Duddek: Optische Sortierung Untertage mit dem RHEWUM DataSort. Aufbereitungstechnik 49, (2008) Nr. 9, S. 10-16
[5] Thomas Nisters: Ersatzbrennstoffherstellung mit NIR- Technologie. Aufbereitungstechnik, 47 (2006), Nr. 12, S. 28-34
[6] Hartmut Harbeck: Opoelektronische Sortierung zur Aufbereitung von Feldspat bei Maffei Sarda. Aufbereitungstechnik 42 (2001), Nr. 9, S. 438-444
[7] Eckard Zeiger: Sortierung verschiedener Abfallströme mit Mogensen-Röntgensortiertechnik. Aufbereitungstechnik 47 (2006), Nr. 3, S. 1-5
[8] Markus Dehler: Optische Sortierung von Quarzkieseln zur Senkung des Eisengehalts. Aufbereitungstechnik 47, (2006), Nr. 8-9, S. 6-8
[9] Recycling Magazin, Ausgabe 14/09, Chancen und Grenzen der Sensortechnik, S.30
[10] Recycling Magazin, Ausgabe 09/05, Innovation: Neue Sensorgeneration für das Sortieren unterschiedlicher Materialien, S.24
[11] Recycling Magazin, Ausgabe 22/06, Technologie-Geschichte – Die Entwicklung der modernen Recyclingtechnik, S.30
[12] Recycling Magazin, Ausgabe 21/06, Sensorgestützte Kunststofferkennung: LIF ermöglicht automatische Identifizierung dunkler Kunststoffe, S.20
[13] KustaSpec 4.1 Online Hilfe; LLA, Berlin
[14] Thomas Pretz, Jörg Julius: Stand der Technik und Entwicklung bei der berührungslosen Sortierung von Abfällen. Österreichische Wasser- und Abfallwirtschaft, (2008), Heft 7-8, S.105-112
[15] Markus Dehler: Optoelektronische Sortierung von mineralischen Rohstoffen. Aufbereitungstechnik 44, (2003), Nr. 10, S.38-42
[16] Jürg Pollmanns: Identifikation von Mineralien und Schüttgütern mit Hilfe der laserinduzierten Fluoreszenz. Bergbau (2008), Nr. 7, S.322-325
[17] Pudelko-Körner C. :Anwendung der NIRS in der Arzneipflanzenanalytik, Dissertation, Bonn, 1997
[18] Watson C.A.: Near infrared reflectance spectrophotometric analysis of agricultural products, Anal. Chem. 49 (1977) 835A – 840A
[19] Ebel S.; Roth H. J. (Hrsg.): Lexikon der Pharmazie, Georg-Thieme-Verlag, Stuttgart, 1987
[20] Hesse G.: Anwendungen der quantitativen NIRS in der Arzneimittelherstellung Unterlagen zum Seminar „Einsatzmöglichkeiten der NIRS in der Herstellung und Qualitätskontrolle von Arzneimitteln“ veranstaltet vom Zentralinstitut Arzneimittelforschung GmbH am 07./08. Dezember 1999 in Bad Neuenahr
Escher M. Literaturverzeichnis 103
[21] Wessel E.: Erfahrungen in der NIRS-gestützten Eingangskontrolle von kosmetischen Grund-, Hilfs- und Wirkstoffen, vorgestellt anhand ausgewählter Praxisbeispiele, Vortrag auf dem 3. NIRS-Food-Symposium, 04. Juli 2000, Bonn
[22] Rücker G. ; Neugebauer M.; Willems G.G.: Instrumentelle pharmazeutische Analytik, Wissenschaftliche Verlagsgesellschaft, Stuttgart, 1992
[23] Günzler H.: IR-Spektroskopie, VCH, Weinheim, 1990
[24] Hesse M. ; Meier H. ; Zeeh B.: Spektroskopische Methoden in der organischen Chemie, Georg Thieme Verlag, Stuttgart, 1995
[25] Fischer A.: NIR-Reflexionsspektroskopie, Deutsche Apothekerzeitung 129 (1989) 1039-1042
[26] Hartke K.; Mutschler E. (Hrsg.): DAB 9, Kommentar, Wissenschaftl. Verlagsgesellschaft, Stuttgart, 1987
[27] Ploss H.-J.: Quantitative Analytik von Suppositorien mittels Nahinfrarot-Reflexionsspektroskopie, Dissertation, Würzburg, 1996
[28] Molt K.: Grundlagen und Anwendungen der modernen NIR-Spektrometrie, Teil I, GIT Laborzeitschrift 2 (1992) 107-113
[29] Martens H.; Naes T.:Multivariate Calibration, J. Wiley & Sons, New York 1989
[30] Beebe K.; Kowalski B.: An Introduction to Multivariate Calibration and Analysis, Anal. Chem. 59 (1987) 1007A-1017A
[31] Conzen J. P.: Multivariate Kalibration, Bruker Optik Leitfaden, Karlsruhe, 2000
[32] Geladi P.; Kowalski B.: Partial least squares regression: a tutorial, Anal. Chim. Acta 185 (1986) 1-17
[33] Fink M.; Einsatz der Nah-Infrarot (NIR) – Spektroskopie zur quantitativen Bestimmung ausgewählter pflanzlicher Inhaltsstoffe, Dissertation, 2003
[34] Jagermann K.-U., Fischbacher Ch., Danzer K.; NIR-Miniaturspektrometer – von der Substanzerkennung bis zur nichtinvasiven Blutglucosebestimmung, Jena
[35] Kessler W.; Multivarinate Datenanalyse, Reutlingen 2007
[36] Hasener J.; Statistische Methoden der industriellen Prozessmodellierung zur Echtzeitqualitätskontrolle am Beispiel einer kontinuierlichen Produktion von Faserpaltten, Dissertation, Hamburg 2004
[37] Lichtblau D., Dobrusskin S., Blüher A.; Das SurveNIR – System zur Bewertung des Zustands und des Alterungsverhaltens von Papier, Bern 2009
[38] Moschner C.R.; Methodische Untersuchungen zum Einsatz der Nahinfrarot-Spektroskopie (NIRS) zur Qualitätsbeurteilung von High-Oleic-Sonnenblumen, Dissertation, Göttingen 2007
[39] DIN EN 933-1 Prüfverfahren für geometrische Eigenschaften von Gesteinskörnungen – Teil 1: Bestimmung der Korngrößenverteilung – Siebverfahren; Teil 2: Bestimmung der Korngrößenverteilung, Analysesiebe, Nennmaße der Sieböffnungen
[40] DIN EN 1097-5 Prüfverfahren für mechanische und physikalische Eigenschaften von Gesteinskörnungen – Teil 5: Bestimmung des Wassergehalts durch Ofentrocknung
[41] DIN EN 1097-6 Prüfverfahren für mechanische und physikalische Eigenschaften von Gesteinskörnungen – Teil 6: Bestimmung der Rohdichte und der Wasseraufnahme
[42] DIN EN 1097-7 Prüfverfahren für mechanische und physikalische Eigenschaften von Gesteinskörnungen – Teil 7: Bestimmung der Rohdichte von Füller – Pyknometer-Verfahren
Escher M. Literaturverzeichnis 104
[43] DIN 18124 Baugrund, Untersuchung von Bodenproben – Bestimmung der Korndichte – Kapillarpyknometer, Weithalspyknometer, Gaspyknometer
[44] DIN 66137-1/2 Bestimmung der Dichte fester Stoffe – Teil 1: Grundlagen; Teil 2: Gaspyknometrie
[45] DIN 55673 Nahinfrarotspektrometrische Analyse, Allgemeine Arbeitsgrundlagen
[46] DIN 1936 Prüfverfahren für Naturstein – Bestimmung der Reindichte, der Rohdichte, der offenen Porosität und der Gesamtporosität
[47] FGSV Forschungsgesellschaft für Straßen- und Verkehrswesen e.V., Arbeitsgruppe Asphaltbauweisen: TP Asphalt-StB 07 Teil 2 Technische Prüfvorschriften für Asphalt – Teil 2: Korngrößenverteilung, FGSV Verlag GmbH, Köln, Dezember 2008
[48] Escher M.; Sensorgestützte Sortierungsverfahren, BU Weimar, 2010
Internetquellen [URL 1] http://www.optosort.com/index.php?id=56&L=1 [URL 2] http://de.wikipedia.org [URL 3] http://www1.fh-amberg-
weiden.de/fachbereiche/mbut/labore/recycling/recyclingtechnik/indexrt.htm [URL 4] http://www.lla.de [URL 5] http://www.titech.com/ [URL 6] http://www.mogensen.de/ [URL 7] http://www.recyclingmagazin.de/ [URL 8] http://www.springerlink.com/content/a0282834032k0713/fulltext.pdf?page=1 [URL 9] http://www.htp.eu/scripte/25_HTP-Christiani_Mai-2004.pdf [URL 10] http://www.umweltdaten.de/publikationen/fpdf-l/3456.pdf [URL 11] ftp://ftp2.imaging.de/websites/documents/applications/de_DE-Application-
CTR.pdf [URL 12] http://www.htp.eu/scripte/34_HTP-Langen_Dezember-2004.pdf [URL 13] http://www.analyticon-instruments.de/myfactory32/CMS/nir-
definition.aspx?ClientID=wf150530bd-a540-4a6b-8120-a9f950b5be2a&SiteID=0&GroupID=67&Status=3B8EA49CA4&Language=D&Mode=1
[URL 14] http://www.iar.rwth-
aachen.de/www/upload/Publikationen/download/2006/Vortrag_Freiberg_Killmann_2006-11-09.pdf
[URL 15] http://www.imro-maschinenbau.de/upload_material/download/imro_dss.pdf
Escher M. Literaturverzeichnis 105
[URL 16] http://www.citg.tudelft.nl/live/pagina.jsp?id=fa7d73ba-0359-405c-b67d-
0ec77d3abf87&lang=en [URL 17] http://www.baulinks.de/links/1archiv.php4?urlb=http://www.baulinks
.de/bau/wand.htm&urla=http://www.baulinks.de/webplugin/2004/0753.php4 [URL 18] http://www.baulinks.de/webplugin/2007/0753.php4?url1=http://www
.baulinks.de/webplugin/z_starta.txt&url2=http://www.baulinks.de/webplugin/z_ende.txt
[URL 19] http://www.baulinks.de/webplugin/2004/0753.php4?url1=http://www
.baulinks.de/webplugin/z_starta.txt&url2=http://www.baulinks.de/webplugin/z_ende.txt
[URL 20] http://www.uni-
potsdam.de/u/al/mitarbeiter/zeissler/lehre/ams/material/3_Baustoffe.pdf [URL 21] http://www.nir-concept.de [URL 22] http://www.quira.de/nir_sp/allg/allg.htm#Titel
Escher M. Anhang I
Anhang Inhalt: A1 Siebanalyse/Korngrößenverteilung...………………………………………………….II
A2 Rohdichte und Wasseraufnahme mittels Flüssigkeitspyknometer.…………………...III
A3 Rohdichte mittels Feststoffpyknometer……………………………………………….V
A4 Reindichte Heliumpyknometer…...……….....………………………………………VII
A5 NIR-Intensitäten………………………………………....………………………….VIII
A6 Datenbanktest in Datenbank A mit neuen Baustoffspektren…………………………IX
A7 Datenbanktest in Datenbank B mit neuen Baustoffspektren…………………………XI
A8 Datenbanktest in Datenbank C mit neuen Baustoffspektren………………………..XIII
A9 Komplette NIR- Zuweisung in Datenbank A in einer Kreuztabelle………………...XV
A10 Komplette NIR-Auswertung in Datenbank A in grafischer Darstellung…………...XVI
A11 Komplette NIR- Zuweisung in Datenbank B in einer Kreuztabelle………………XVIII
A12 Komplette NIR-Auswertung in Datenbank B in grafischer Darstellung………..….XIX
A13 Komplette NIR- Zuweisung in Datenbank C in einer Kreuztabelle………………..XXI
A14 Komplette NIR-Auswertung in Datenbank C in grafischer Darstellung………..…XXII
Schema Inhalt beigefügter CD-ROM…………………………………………….……....XXIV
Escher M. Anhang II
A1) Siebanalyse/Korngrößenverteilung
Beton 1 Siebanalyse Einwaage: 19543g
Maschenweite Gewicht [g] Prozent [%] Summenlinie [%] > 16 mm 2368 12,12 100 8/16 mm 6471 33,11 87,88 4/8 mm 3926 20,09 54,77 2/4 mm 1947 9,96 34,68 < 2 mm 4829 24,71 24,71 Gesamt: 19541
Gesamtmasse nach Siebanalyse: 19541g
Leichtbeton 1 Siebanalyse Einwaage: 22107g
Maschenweite Gewicht [g] Prozent [%] Summenlinie [%] > 16 mm 3251 14,71 100 8/16 mm 4997 22,60 85,29 4/8 mm 3305 14,95 62,69 2/4 mm 2499 11,30 47,74 < 2 mm 8054 36,43 36,43 Gesamt: 22106 100
Gesamtmasse nach Siebanalyse 22106g
Porenbeton 1 Siebanalyse Einwaage: 11966g
Maschenweite Gewicht [g] Prozent [%] Summenlinie [%] > 16 mm 2717 22,72 100 8/16 mm 2198 18,38 77,28 4/8 mm 1240 10,37 58,90 2/4 mm 935 7,82 48,53 < 2 mm 4868 40,71 40,71 Gesamt: 11958 100
Gesamtmasse nach Siebanalyse: 11958g
Ziegelstein 1 Siebanalyse Einwaage: 34185g
Maschenweite Gewicht [g] Prozent [%] Summenlinie [%] > 16 mm 3568 10,44 100 8/16 mm 13710 40,12 89,56 4/8 mm 7670 22,45 49,44 2/4 mm 3524 10,31 26,99 < 2 mm 5700 16,68 16,68 Gesamt: 34172 100
Gesamtmasse nach Siebanalyse: 34172g
Kalksandstein1 Siebanalyse Einwaage: 49493g
Maschenweite Gewicht [g] Prozent [%] Summenlinie > 16 mm 1665 3,364859949 100 8/16 mm 9461 19,12008407 96,64 4/8 mm 8993 18,1742856 77,52 2/4 mm 6358 12,84911685 59,34 < 2 mm 23005 46,49165353 46,49 Gesamt: 49482 100
Gesamtmasse nach Siebanalyse: 49482g
Alle weiteren Siebanalysen sind auf der beigelegten CD-ROM hinterlegt.
Escher M. Anhang III
A2) Rohdichte und Wasseraufnahme mittels Flüssigkeitspyknometer Bezeichnung Fraktion Pyknometer Leichtbeton 9 8-16 mm 1--14
1089,1 M Pyknometer [g] 3491,4 M Wasser [g] 2920 M Pyknometer+trockene Probe [g]
4472,6 M Pyknometer+trockene Probe+H2O [g] 4487,2 M Pyknometer+trockene Probe+H2O [g] (1h) 4492,6 M Pyknometer+trockene Probe+H2O [g] (2h) 2009,8 M wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]
/ Vp [cm³] 0,997 �w [g/cm³] � rd [g/cm³] 9,825 WA 2h[%]
24 T [°C] 1,809 1830 M Probe nach Ofentrocknung [g]
Rohdichte [g/cm³] scheinbare 2,201
ofentrockener Basis 1,809
wassergesättigt 1,948
Bezeichnung Fraktion Pyknometer Leichtbeton 9 4-8 mm III
1041,3 M Pyknometer [g] 3472,6,4 M Wasser [g] 2623,9 M Pyknometer+trockene Probe [g]
4250 M Pyknometer+trockene Probe+H2O [g] 4271,4 M Pyknometer+trockene Probe+H2O [g] (1h)
4277 M Pyknometer+trockene Probe+H2O [g] (2h) 1774,2 M wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]
/ Vp [cm³] 0,997 �w [g/cm³] � rd [g/cm³] 13,165 WA 2h[%]
24 T [°C] 1,612 1567,8 M Probe nach Ofentrocknung [g]
Rohdichte [g/cm³] scheinbare 2,048
ofentrockener Basis 1,612
wassergesättigt 1,775
Escher M. Anhang IV
�rd ofentrockene Rohdichte [g/cm³]
M2 Masse Pyknometer gefüllt mit dest. Wasser [g]
M6 Masse Pyknometer mit gesättigten Probe und dest. Wasser [g]
M7 Masse wassergesättigte und oberflächentrockene Gesteinskörnung in Luft [g]
M8 Masse Probe nach Ofentrocknung [g]
�W Dichte dest. Wasser bei Prüftemperatur [g/cm³]
WA2h = Wasseraufnahme der Gesteinskörnung in 2 Stunden [%]
M7 = Masse der wassergesättigten und oberflächentrockenen Gesteinskörnung in Luft [g]
M8 = Masse der Probe nach Ofentrocknung [g]
Analog zu dem tabellarischen Beispiel von Leichtbeton 9 wurden die Rohdichten und die
Wasseraufnahmen der restlichen Baustoffe ermittelt, hinterlegt auf CD-ROM.
Wrd MMM
Mρρ •
−−=
)( 267
8
1008
872 •
−=
M
MMWA h
Escher M. Anhang V
A3) Rohdichte mittels Feststoffpyknometer
Beton
Fraktion 4-8
1. Mess-ung
2. Mess-ung
3. Mess-ung
MW Fraktion 8-16
1. Mess-ung
2. Mess-ung
3. Mess-ung
MW Gesamt MW
Beton 1 2,50 2,47 2,48 2,48 Beton 1 2,41 2,41 2,42 2,41 2,45 Beton 2 2,48 2,42 2,49 2,46 Beton 2 2,41 2,52 2,45 2,46 2,46 Beton 3 2,47 2,44 2,43 2,44 Beton 3 2,45 2,44 2,47 2,45 2,45 Beton 4 2,27 2,26 2,24 2,26 Beton 4 2,12 2,16 2,17 2,15 2,20 Beton 5 2,67 2,68 2,67 2,67 Beton 5 2,51 2,54 2,53 2,53 2,60 Beton 6 2,46 2,46 2,49 2,47 Beton 6 2,42 2,42 2,43 2,42 2,44 Beton 7 2,41 2,41 2,41 2,41 Beton 7 2,39 2,34 2,39 2,37 2,39 Beton 8 2,41 2,40 2,42 2,41 Beton 8 2,36 2,37 2,35 2,36 2,39 Beton 9 2,30 2,31 2,29 2,30 Beton 9 2,33 2,26 2,26 2,28 2,29 Beton 10 2,46 2,51 2,47 2,48 Beton 10 2,42 2,43 2,38 2,41 2,45 Gesamt Mittelwert Beton --alle Messungen in g/cm³-- 2,41
Leichtbeton
Fraktion 4-8 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Fraktion 8-16 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Gesamt MW
Leichtbeton 1 0,82 0,87 0,87 0,85 Leichtbeton 1 0,86 0,84 0,82 0,84 0,85 Leichtbeton 2 0,68 0,67 0,67 0,67 Leichtbeton 2 0,63 0,63 0,62 0,63 0,65 Leichtbeton 3 0,91 0,96 0,89 0,92 Leichtbeton 3 0,80 0,81 0,84 0,81 0,87 Leichtbeton 4 0,77 0,83 0,82 0,81 Leichtbeton 4 0,79 0,81 0,78 0,79 0,80 Leichtbeton 5 1,38 1,39 1,38 1,39 Leichtbeton 5 1,39 1,39 1,40 1,39 1,39 Leichtbeton 6 1,36 1,28 1,26 1,30 Leichtbeton 6 1,21 1,18 1,21 1,20 1,25 Leichtbeton 7 1,23 1,26 1,23 1,24 Leichtbeton 7 1,10 1,10 1,11 1,10 1,17 Leichtbeton 8 1,92 1,82 1,86 1,87 Leichtbeton 8 1,72 1,82 1,71 1,75 1,81 Leichtbeton 9 1,34 1,51 1,44 1,43 Leichtbeton 9 1,68 1,55 1,77 1,66 1,55 Gesamt Mittelwert Leichtbeton --alle Messungen in g/cm³-- 1,15
Ziegelstein
Fraktion 4-8 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Fraktion 8-16 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Gesamt MW
Ziegelstein 1 1,75 1,75 1,75 1,75 Ziegelstein 1 1,74 1,75 1,74 1,74 1,75 Ziegelstein 2 1,82 1,83 1,82 1,82 Ziegelstein 2 1,81 1,80 1,82 1,81 1,81 Ziegelstein 3 1,68 1,68 1,68 1,68 Ziegelstein 3 1,69 1,68 1,68 1,68 1,68 Ziegelstein 4 2,23 2,22 2,23 2,22 Ziegelstein 4 2,25 2,24 2,25 2,25 2,23 Ziegelstein 5 1,73 1,72 1,73 1,73 Ziegelstein 5 1,73 1,73 1,72 1,73 1,73 Ziegelstein 6 1,60 1,62 1,63 1,62 Ziegelstein 6 1,67 1,66 1,66 1,67 1,64 Ziegelstein 7 1,72 1,71 1,72 1,72 Ziegelstein 7 1,73 1,70 1,72 1,72 1,72 Ziegelstein 8 1,78 1,77 1,77 1,77 Ziegelstein 8 1,77 1,77 1,79 1,78 1,78 Ziegelstein 9 2,28 2,24 2,26 2,26 Ziegelstein 9 2,52 2,38 2,37 2,42 2,34 Ziegelstein10 2,15 2,15 2,15 2,15 Ziegelstein10 2,16 2,17 2,16 2,16 2,16 Gesamt Mittelwert Ziegelstein --alle Messungen in g/cm³-- 1,88
Escher M. Anhang VI
Kalksandstein
Fraktion 4-8 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Fraktion 8-16 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Gesamt MW
Kalksandstein 1 1,86 1,87 1,87 1,86 Kalksandstein 1 1,89 1,87 1,89 1,88 1,87 Kalksandstein 2 1,89 1,91 1,89 1,90 Kalksandstein 2 1,91 1,91 1,92 1,91 1,90 Kalksandstein 3 1,87 1,91 1,89 1,89 Kalksandstein 3 1,87 1,90 1,88 1,89 1,89 Kalksandstein 4 1,89 1,90 1,88 1,89 Kalksandstein 4 1,86 1,91 1,88 1,88 1,89 Kalksandstein 5 1,97 1,96 1,98 1,97 Kalksandstein 5 1,97 1,98 1,96 1,97 1,97 Kalksandstein 6 1,90 1,93 1,92 1,92 Kalksandstein 6 1,89 1,89 1,90 1,89 1,90 Kalksandstein 7 2,01 1,96 1,99 1,99 Kalksandstein 7 1,95 1,93 1,94 1,94 1,96 Kalksandstein 8 1,89 1,89 1,89 1,89 Kalksandstein 8 1,92 1,95 1,93 1,93 1,91
Gesamt Mittelwert Kalksandstein --alle Messungen in g/cm³-- 1,91
Porenbeton
Fraktion 4-8 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Fraktion 8-16 1.
Mess-ung
2. Mess-ung
3. Mess-ung
MW Gesamt MW
Porenbeton 1 0,73 0,75 0,77 0,75 Porenbeton 1 0,65 0,66 0,66 0,66 0,70 Porenbeton 2 0,76 0,78 0,77 0,77 Porenbeton 2 0,59 0,61 0,62 0,61 0,69 Porenbeton 3 0,79 0,80 0,82 0,80 Porenbeton 3 0,61 0,64 0,64 0,63 0,72 Porenbeton 4 0,86 0,88 0,86 0,86 Porenbeton 4 0,70 0,70 0,71 0,70 0,78 Porenbeton 5 0,88 0,90 0,87 0,89 Porenbeton 5 0,68 0,69 0,68 0,68 0,78 Porenbeton 6 0,77 0,78 0,78 0,78 Porenbeton 6 0,68 0,70 0,66 0,68 0,73 Porenbeton 7 0,61 0,59 0,60 0,60 Porenbeton 7 0,51 0,49 0,48 0,50 0,55 Porenbeton 8 0,73 0,69 0,72 0,71 Porenbeton 8 0,67 0,65 0,60 0,64 0,68 Porenbeton 9 0,79 0,79 0,77 0,78 Porenbeton 9 0,53 0,66 0,63 0,61 0,70 Gesamt Mittelwert Porenbeton --alle Messungen in g/cm³-- 0,70
Sekundäre Baustoffe und Kies
1.Messung 2. Messung 3. Messung Mittelwert Porenbetonbruch 1 0,63 0,66 0,66 0,65 Porenbetonbruch 2 0,66 0,55 0,61 0,60 Porenbetonbruch 3 0,56 0,70 0,54 0,60 Mauerwerkbruch 1 1,95 1,96 1,92 1,94 Mauerwerkbruch 2 2,02 1,94 2,11 2,03 Mauerwerkbruch 5 1,88 1,89 1,87 1,88 Altbeton 1 2,44 2,44 2,48 2,45 Altbeton 2 2,38 2,30 2,35 2,34 Altbeton 4 2,30 2,36 2,30 2,32 Altbeton 5 2,37 2,26 2,30 2,31 Altbeton 6 2,45 2,16 2,28 2,29 Kies 1 2,66 2,65 2,64 2,65 Kies 2 2,57 2,63 2,66 2,62
Alle Einzelmessungen sind auf der beigelegten CD-ROM hinterlegt.
Escher M. Anhang VII
A4) Reindichte mittels Helium(Gas)pyknometer
Alle Einzelmessungen sind auf der beigelegten CD-ROM hinterlegt.
Beton: Ziegelstein:
Leichtbeton: Porenbeton:
Kalksandstein: sekundäre Baustoffe und Kies:
�������������� � ��������� �����
�������� �����
�������� �����
�������� �����
�������� �����
�������� ����
�������� ����
�������� ����
�������� �����
������ � �����
�������!� �����
"���#$���������� �%���
�������������� � ��������� �����
&� �#'������ �����
&� �#'������ �����
&� �#'������ ����
&� �#'������ �����
&� �#'������ �����
&� �#'������ ����
&� �#'������ ����
&� �#'������ �����
&� �#'���� � �����
&� �#'�����!� ����
"���#$����&� �#'���� �%���
�������������� � ��������� �����
(����������� �����
(����������� �����
(����������� �����
(����������� �� ��
(����������� �����
(����������� ����
(����������� �����
(����������� �����
(��������� � ����
"���#$����(��������� �%���
�������������� � ��������� �����
������������� ��� �
������������� �����
������������� �����
������������� �����
������������� ����
������������� �����
������������� �����
������������� �����
����������� � �����
"���#$��������������� �%���
�������������� � ��������� �����
)�'��� �����
)�'��� �����
*#��������� �����
*#��������� ��� �
*#��������� �����
*#��������� �����
*#��������� ���
"+���$��������� ���
"+���$��������� �����
"+���$��������� ���
����������������� �����
����������������� ����
����������������� �����
�������������� ���������� �����
)+#,'+��'������ ����
)+#,'+��'������ ��� �
)+#,'+��'������ �����
)+#,'+��'������ �����
)+#,'+��'������ ����
)+#,'+��'������ ��� �
)+#,'+��'������ �����
)+#,'+��'������ �����
"���#$����)+#,'+��'���� �%���
Escher M. Anhang VIII
A5) NIR-Intensitäten
Baustoff Min Intensität Max Intensität Differenz Beton 19,459 27,174 7,715
Leichtbeton 22,451 26,492 4,041 Ziegelstein 55,563 67,635 12,072 Porenbeton 26,501 52,622 26,121
Kalksandstein 30,903 48,703 17,8 Kies 26,533 31,411 4,878
Altbeton 27,521 35,861 8,34 Mauerwerkbruch 59,127 70,692 11,565 Porenbetonbruch 33,913 57,104 23,191
Intensitätsdifferenz zwischen Minimum und Maximum
0
5
10
15
20
25
30
Baustoff
Inte
nsi
täts
dif
fere
nz
im
Ku
rven
verl
auf
der
Sp
ektr
en
Beton
Leichtbeton
Ziegelstein
Porenbeton
Kalksandstein
Kies
Altbeton
Mauerwerkbruch
Porenbetonbruch
Die Intensitätsdifferenz ist in etwa mit der Güte der NIR- Erkennung zu vergleichen.
Escher M. Anhang IX
A6) Datenbanktest in Datenbank A mit neuen Baustoffspektren
Testspektren Eigenvektoren Lernset Testset Differenzierung Ergebnis [%] Beton neu 5 A A n 71 Beton neu 10 A A n 98 Beton neu 5 A A d 86 Beton neu 10 A A d 94 Beton neu 5 A A dd 98 Beton neu 10 A A dd 98 Beton neu 3 MW a A n 51 Beton neu 2 MW a A d 56 Beton neu 3 MW a A dd 88 Beton neu 2 MW a MW a n 0 Beton neu 2 MW a MW a d 56 Beton neu 2 MW a MW a dd 96 Beton neu 3 A MW a dd 99 Beton neu 5 A MW a dd 98 Beton neu 10 A MW a dd 98 Kalksandstein neu 5 A A n 45 Kalksandstein neu 10 A A n 98 Kalksandstein neu 5 A A d 99 Kalksandstein neu 10 A A d 99 Kalksandstein neu 5 A A dd 100 Kalksandstein neu 10 A A dd 100 Kalksandstein neu 3 MW a A n 3 Kalksandstein neu 2 MW a A d 92 Kalksandstein neu 3 MW a A dd 88 Kalksandstein neu 2 MW a MW a n 96 Kalksandstein neu 2 MW a MW a d 92 Kalksandstein neu 2 MW a MW a dd 12 Kalksandstein neu 3 A MW a dd 100 Kalksandstein neu 5 A MW a dd 100 Kalksandstein neu 10 A MW a dd 100 Leichtbeton neu 5 A A n 28 Leichtbeton neu 10 A A n 47 Leichtbeton neu 5 A A d 81 Leichtbeton neu 10 A A d 82 Leichtbeton neu 5 A A dd 70 Leichtbeton neu 10 A A dd 70 Leichtbeton neu 3 MW a A n 3 Leichtbeton neu 2 MW a A d 84 Leichtbeton neu 3 MW a A dd 73 Leichtbeton neu 2 MW a MW a n 14 Leichtbeton neu 2 MW a MW a d 84 Leichtbeton neu 2 MW a MW a dd 80 Leichtbeton neu 3 A MW a dd 76 Leichtbeton neu 5 A MW a dd 70 Leichtbeton neu 10 A MW a dd 70 Porenbeton neu 5 A A n 100 Porenbeton neu 10 A A n 100 Porenbeton neu 5 A A d 100 Porenbeton neu 10 A A d 100 Porenbeton neu 5 A A dd 100
Escher M. Anhang X
Porenbeton neu 10 A A dd 100 Porenbeton neu 3 MW a A n 1 Porenbeton neu 2 MW a A d 96 Porenbeton neu 3 MW a A dd 96 Porenbeton neu 2 MW a MW a n 91 Porenbeton neu 2 MW a MW a d 96 Porenbeton neu 2 MW a MW a dd 65 Porenbeton neu 3 A MW a dd 100 Porenbeton neu 5 A MW a dd 100 Porenbeton neu 10 A MW a dd 100 Ziegelstein neu 5 A A n 99 Ziegelstein neu 10 A A n 100 Ziegelstein neu 5 A A d 100 Ziegelstein neu 10 A A d 91 Ziegelstein neu 5 A A dd 100 Ziegelstein neu 10 A A dd 100 Ziegelstein neu 3 MW a A n 5 Ziegelstein neu 2 MW a A d 99 Ziegelstein neu 3 MW a A dd 60 Ziegelstein neu 2 MW a MW a n 32 Ziegelstein neu 2 MW a MW a d 99 Ziegelstein neu 2 MW a MW a dd 83 Ziegelstein neu 3 A MW a dd 94 Ziegelstein neu 5 A MW a dd 100 Ziegelstein neu 10 A MW a dd 100
Ausgewählte PLS-Auswertungen von Testspektren in Datenbank A im Detail TestSpektren LS TS EV Differenzierung Ergebnis [%]
Beton A A 5/10 n/d/dd 90,83 B MW a A 2/3 d/dd 72,00 B A MW a 3/5/10 dd 98,33 B MW a MW a 1-3 d/dd 76,00
Mittelwert 84,29 KS A A 5/10 n/d/dd 90,17 KS MW a A 2/3 d/dd 90,00 KS A MW a 3/5/10 dd 100,00 KS MW a MW a 1-3 d/dd 94,00
Mittelwert 93,54 LB A A 5/10 n/d/dd 63,00 LB MW a A 2/3 d/dd 78,50 LB A MW a 3/5/10 dd 72,00 LB MW a MW a 1-3 d/dd 82,00
Mittelwert 73,88 PB A A 5/10 n/d/dd 100,00 PB MW a A 2/3 d/dd 96,00 PB A MW a 3/5/10 dd 100,00 PB MW a MW a 1-3 d/dd 93,50
Mittelwert 97,38 ZS A A 5/10 n/d/dd 98,33 ZS MW a A 2/3 d/dd 79,50 ZS A MW a 3/5/10 dd 98,00 ZS MW a MW a 1-3 d/dd 91,00
Mittelwert 91,71
Escher M. Anhang XI
A7) Datenbanktest in Datenbank B mit neuen Baustoffspektren Testspektren Eigenvektoren Lernset Testset Differenzierung Ergebnis [%] Beton neu 5 B B n 6 Beton neu 10 B B n 1 Beton neu 5 B B d 0 Beton neu 10 B B d 61 Beton neu 5 B B dd 80 Beton neu 10 B B dd 89 Beton neu 3 MW b B n 0 Beton neu 2 MW b B d 0 Beton neu 3 MW b B dd 39 Beton neu 2 MW b MW b n 0 Beton neu 2 MW b MW b d 0 Beton neu 2 MW b MW b dd 24 Beton neu 3 B MW b dd 79 Beton neu 5 B MW b dd 80 Beton neu 10 B MW b dd 89 Kalksandstein neu 5 B B n 53 Kalksandstein neu 10 B B n 82 Kalksandstein neu 5 B B d 100 Kalksandstein neu 10 B B d 99 Kalksandstein neu 5 B B dd 100 Kalksandstein neu 10 B B dd 100 Kalksandstein neu 3 MW b B n 44 Kalksandstein neu 2 MW b B d 84 Kalksandstein neu 3 MW b B dd 99 Kalksandstein neu 2 MW b MW b n 50 Kalksandstein neu 2 MW b MW b d 84 Kalksandstein neu 2 MW b MW b dd 20 Kalksandstein neu 3 B MW b dd 100 Kalksandstein neu 5 B MW b dd 100 Kalksandstein neu 10 B MW b dd 100 Leichtbeton neu 5 B B n 19 Leichtbeton neu 10 B B n 52 Leichtbeton neu 5 B B d 82 Leichtbeton neu 10 B B d 79 Leichtbeton neu 5 B B dd 68 Leichtbeton neu 10 B B dd 72 Leichtbeton neu 3 MW b B n 12 Leichtbeton neu 2 MW b B d 83 Leichtbeton neu 3 MW b B dd 57 Leichtbeton neu 2 MW b MW b n 4 Leichtbeton neu 2 MW b MW b d 83 Leichtbeton neu 2 MW b MW b dd 78 Leichtbeton neu 3 B MW b dd 70 Leichtbeton neu 5 B MW b dd 68 Leichtbeton neu 10 B MW b dd 72 Porenbeton neu 5 B B n 0 Porenbeton neu 10 B B n 100 Porenbeton neu 5 B B d 87 Porenbeton neu 10 B B d 100 Porenbeton neu 5 B B dd 70 Porenbeton neu 10 B B dd 100
Escher M. Anhang XII
Porenbeton neu 3 MW b B n 13 Porenbeton neu 2 MW b B d 2 Porenbeton neu 3 MW b B dd 97 Porenbeton neu 2 MW b MW b n 77 Porenbeton neu 2 MW b MW b d 2 Porenbeton neu 2 MW b MW b dd 60 Porenbeton neu 3 B MW b dd 76 Porenbeton neu 5 B MW b dd 70 Porenbeton neu 10 B MW b dd 100 Ziegelstein neu 5 B B n 91 Ziegelstein neu 10 B B n 100 Ziegelstein neu 5 B B d 82 Ziegelstein neu 10 B B d 64 Ziegelstein neu 5 B B dd 79 Ziegelstein neu 10 B B dd 88 Ziegelstein neu 3 MW b B n 3 Ziegelstein neu 2 MW b B d 4 Ziegelstein neu 3 MW b B dd 41 Ziegelstein neu 2 MW b MW b n 10 Ziegelstein neu 2 MW b MW b d 4 Ziegelstein neu 2 MW b MW b dd 35 Ziegelstein neu 3 B MW b dd 68 Ziegelstein neu 5 B MW b dd 79 Ziegelstein neu 10 B MW b dd 86
Ausgewählte PLS-Auswertungen von Testspektren in Datenbank B im Detail TestSpektren LS TS EV Differenzierung Ergebnis [%]
Beton B B 5/10 n/d/dd 39,50 B MW b B 2/3 d/dd 19,50 B B MW b 3/5/10 dd 82,67 B MW b MW b 1-3 d/dd 24,00
Mittelwert 41,42 Kalksandstein B B 5/10 n/d/dd 89,00
KS MW b B 2/3 d/dd 91,50 KS B MW b 3/5/10 dd 100,00 KS MW b MW b 1-3 d/dd 67,00
Mittelwert 86,88 Leichtbeton B B 5/10 n/d/dd 62,00
LB MW b B 2/3 d/dd 70,00 LB B MW b 3/5/10 dd 70,00 LB MW b MW b 1-3 d/dd 80,50
Mittelwert 70,63 Porenbeton B B 5/10 n/d/dd 76,17
PB MW b B 2/3 d/dd 97,00 PB B MW b 3/5/10 dd 82,00 PB MW b MW b 1-3 d/dd 68,50
Mittelwert 80,92 Ziegelstein B B 5/10 n/d/dd 84,00
ZS MW b B 2/3 d/dd 41,00 ZS B MW b 3/5/10 dd 77,67 ZS MW b MW b 1-3 d/dd 35,00
Mittelwert 59,42
Escher M. Anhang XIII
A8) Datenbanktest in Datenbank C mit neuen Baustoffspektren Testspektren Eigenvektoren Lernset Testset Differenzierung Ergebnis [%] Beton neu 5 C C n 2 Beton neu 10 C C n 2 Beton neu 5 C C d 0 Beton neu 10 C C d 40 Beton neu 5 C C dd 15 Beton neu 10 C C dd 90 Beton neu 3 MW a C n 0 Beton neu 2 MW a C d 10 Beton neu 3 MW a C dd 25 Beton neu 2 MW a MW a n 0 Beton neu 2 MW a MW a d 10 Beton neu 2 MW a MW a dd 45 Beton neu 3 C MW a dd 2 Beton neu 5 C MW a dd 15 Beton neu 10 C MW a dd 90 Kalksandstein neu 5 C C n 61 Kalksandstein neu 10 C C n 37 Kalksandstein neu 5 C C d 100 Kalksandstein neu 10 C C d 100 Kalksandstein neu 5 C C dd 100 Kalksandstein neu 10 C C dd 100 Kalksandstein neu 3 MW a C n 17 Kalksandstein neu 2 MW a C d 7 Kalksandstein neu 3 MW a C dd 4 Kalksandstein neu 2 MW a MW a n 46 Kalksandstein neu 2 MW a MW a d 7 Kalksandstein neu 2 MW a MW a dd 4 Kalksandstein neu 3 C MW a dd 2 Kalksandstein neu 5 C MW a dd 100 Kalksandstein neu 10 C MW a dd 100 Leichtbeton neu 5 C C n 20 Leichtbeton neu 10 C C n 30 Leichtbeton neu 5 C C d 14 Leichtbeton neu 10 C C d 27 Leichtbeton neu 5 C C dd 16 Leichtbeton neu 10 C C dd 14 Leichtbeton neu 3 MW a C n 7 Leichtbeton neu 2 MW a C d 9 Leichtbeton neu 3 MW a C dd 5 Leichtbeton neu 2 MW a MW a n 2 Leichtbeton neu 2 MW a MW a d 9 Leichtbeton neu 2 MW a MW a dd 9 Leichtbeton neu 3 C MW a dd 12 Leichtbeton neu 5 C MW a dd 16 Leichtbeton neu 10 C MW a dd 14 Porenbeton neu 5 C C n 0 Porenbeton neu 10 C C n 100 Porenbeton neu 5 C C d 99 Porenbeton neu 10 C C d 93 Porenbeton neu 5 C C dd 59 Porenbeton neu 10 C C dd 100
Escher M. Anhang XIV
Porenbeton neu 3 MW a C n 13 Porenbeton neu 2 MW a C d 0 Porenbeton neu 3 MW a C dd 35 Porenbeton neu 2 MW a MW a n 93 Porenbeton neu 2 MW a MW a d 0 Porenbeton neu 2 MW a MW a dd 58 Porenbeton neu 3 C MW a dd 88 Porenbeton neu 5 C MW a dd 59 Porenbeton neu 10 C MW a dd 100 Ziegelstein neu 5 C C n 43 Ziegelstein neu 10 C C n 99 Ziegelstein neu 5 C C d 75 Ziegelstein neu 10 C C d 65 Ziegelstein neu 5 C C dd 74 Ziegelstein neu 10 C C dd 81 Ziegelstein neu 3 MW a C n 0 Ziegelstein neu 2 MW a C d 0 Ziegelstein neu 3 MW a C dd 25 Ziegelstein neu 2 MW a MW a n 8 Ziegelstein neu 2 MW a MW a d 0 Ziegelstein neu 2 MW a MW a dd 7 Ziegelstein neu 3 C MW a dd 50 Ziegelstein neu 5 C MW a dd 74 Ziegelstein neu 10 C MW a dd 81
Ausgewählte PLS-Auswertungen von Testspektren in Datenbank C im Detail TestSpektren LS TS EV Differenzierung Ergebnis [%]
Beton C C 5/10 n/d/dd 24,83 B MW c C 2/3 d/dd 25,00 B C MW c 3/5/10 dd 35,67 B MW c MW c 1-3 d/dd 45,00
Mittelwert 32,63 KS C C 5/10 n/d/dd 83,00 KS MW c C 2/3 d/dd 17,00 KS C MW c 3/5/10 dd 67,33 KS MW c MW c d/dd 46,00
Mittelwert 53,33 LB C C 5/10 n/d/dd 20,17 LB MW c C 2/3 d/dd 9,00 LB C MW c 3/5/10 dd 14,00 LB MW c MW c 1-3 d/dd 9,00
Mittelwert 13,04 PB C C 5/10 n/d/dd 75,17 PB MW c C 2/3 d/dd 35,00 PB C MW c 3/5/10 dd 82,33 PB MW c MW c d/dd 93,00
Mittelwert 71,38 ZS C C 5/10 n/d/dd 72,83 ZS MW c C 2/3 d/dd 25,00 ZS C MW c 3/5/10 dd 68,33 ZS MW c MW c 1-3 d/dd 8,00
Mittelwert 43,54
Esc
her
M.
Anh
ang
XV
A9)
Kom
plet
te N
IR-
Zuw
eisu
ng in
Dat
enba
nk A
in e
iner
Kre
uzta
belle
-in
Pro
zent
- -b
ei P
LS-
Mod
ell-
Zuw
eisu
ng v
on 1
0 E
igen
vekt
oren
- -b
ei 6
Eig
enve
ktor
en G
esam
terk
ennu
ng 8
8,1
%-
Typ
e N
um
ber
Id
enti
cal
Bet
on
Kal
ksan
dste
in
Leic
htbe
ton
Por
enbe
ton
Zie
gels
tein
un
know
n O
ther
Bet
on
21
00
86,9
--
1,
4 9,
9 0
1,5
0,3
0
Kal
ksan
dst
ein
16
10
95,3
1,
6 --
0,
1 1,
9 0
1,1
0
Lei
chtb
eto
n
1820
78
,5
17,1
1,
5 --
0
2,3
0,5
0
Po
ren
bet
on
20
70
100
0 0
0 --
0
0 0
Zie
gel
stei
n
2082
98
,9
0,2
0,3
0,6
0 --
0
0
To
tal
9682
92
,1
3,5
0,7
2,3
0,3
0,8
0,4
0
Escher M. Anhang XVI
A10) Komplette NIR-Auswertung in Datenbank A in grafischer Darstellung Scores Plot:
Escher M. Anhang XVII
Betrachtung der Analysescores bei Normierung der Achsen auf 1 in 1. Ableitung:
Betrachtung der Analysescores bei Normierung der Achsen auf 1 in 2. Ableitung:
Esc
her
M.
Anh
ang
XV
III
A11
) K
ompl
ette
NIR
- Z
uwei
sung
in D
aten
bank
B in
ein
er K
reuz
tabe
lle -
in P
roze
nt-
-bei
PL
S-M
odel
l-Z
uwei
sung
von
10
Eig
enve
ktor
en-
-bei
6 E
igen
vekt
oren
Ges
amte
rken
nung
70,
7 %
-
Type
Number
Identical
Beton
Kalksandstein
Leichtbeton
Porenbeton
Ziegelstein
Altbeton
Kies
Mauerwerkbruch
PB-Bruch
unknown
Other
Bet
on
21
00
74,8
--
0,
5 7,
2 0
1,4
10,9
5,
1 0
0 0,
1 0
Kal
ksan
dst
ein
16
10
82,7
1,
5 --
0,
2 3,
7 0
0 4,
2 0
5,3
2,3
0
Lei
chtb
eto
n
1820
72
,7
11,9
1,
6 --
0
2,1
8,1
3 0
0 0,
5 0
Po
renb
eto
n
2070
95
,9
0 0,
5 0
--
0 0
0 0
3,6
0 0
Zie
gel
stei
n
2082
97
,4
0,1
0,4
0,9
0 --
0
0 1
0 0,
2 0
Alt
bet
on
61
0 47
,2
36,9
0
7,4
0 3,
9 --
3,
6 0
0 1
0
Kie
s 42
0 55
,2
16,9
1,
7 13
,3
0 4
4,8
--
0 0
4 0
Mau
erw
erkb
ruch
60
0 78
,2
1 0
0 0
19,7
0,
3 0,
2 --
0
0,7
0
PB
-Bru
ch
300
62
0 0,
3 0
34
0 0
2 1,
7 --
0
0
Tot
al
1161
2 81
,1
4,7
0,6
2,4
1,4
2 3,
4 2,
2 0,
2 1,
4 0,
7 0
Escher M. Anhang XIX
A12) Komplette NIR-Auswertung in Datenbank B in grafischer Darstellung Scores Plot:
Escher M. Anhang XX
Betrachtung der Analysescores bei Normierung der Achsen auf 1 in 1. Ableitung:
Betrachtung der Analysescores bei Normierung der Achsen auf 1 in 2. Ableitung:
Esc
her
M.
Anh
ang
XX
I
A13
) K
ompl
ette
NIR
- Z
uwei
sung
in D
aten
bank
C in
ein
er K
reuz
tabe
lle -
in P
roze
nt-
-bei
PL
S-M
odel
l-Z
uwei
sung
von
10
Eig
enve
ktor
en-
-bei
6 E
igen
vekt
oren
Ges
amte
rken
nung
59,
9 %
-
Type
Number
Identical
Beton
Kalksand-stein
Leicht-beton
Poren-beton
Ziegel-stein
Asbest
Faser-zement
Gips
Granit
Porphyr
Altbeton
Kies
Mauer-werk-bruch
PB-Bruch
unknown
Other
Bet
on
21
00
54,3
--
0,
9 13
,2
0 2,
1 1,
4 1,
5 0
1,6
8,7
7,5
8,6
0 0,
1 0
0
Kal
ksan
dst
ein
16
10
81,7
2
--
0 0,
9 0
0 0
0 0,
1 0,
6 0
2,2
0 10
,4
1,9
0
Lei
chtb
eto
n
1820
27
,8
8,7
1,4
--
0 2,
1 0,
5 6,
9 0
7,3
26,2
16
,9
2,3
0 0
0 0
Po
ren
bet
on
20
70
87,9
0
0,5
0 --
0
0 0
0 0
0 0
0 0
11,6
0
0
Zie
gel
stei
n
2082
96
,1
0,1
0,4
0 0
--
0 0,
9 0
0 0
0 0
1,4
0 1
0
Asb
est
100
75
5 0
0 0
20
--
0 0
0 0
0 0
0 0
0 0
Fas
erze
men
t 10
0 8
0 0
42
0 19
0
--
0 0
31
0 0
0 0
0 0
Gip
s 38
0 93
,2
0,8
0 0
0,8
0 0
0 --
0
0 0
0 0
0,3
5 0
Gra
nit
11
0 6,
4 30
,9
0 20
0
0 0
26,4
0
--
1,8
0 14
,5
0 0
0 0
Po
rph
yr
100
90
0 0
3 0
0 0
0 0
0 --
0
7 0
0 0
0
Alt
bet
on
61
0 41
,1
30,2
0
0,8
0 4,
6 12
,6
2,5
0 1,
5 3
--
3,3
0 0
0,5
0
Kie
s 42
0 44
8,
3 5,
2 0,
7 0
4,8
2,4
0,7
0 0,
5 29
,3
0,5
--
0 0,
5 3,
1 0
MW
-Bru
ch
600
75,5
0,
5 0,
3 0
0 21
,5
0 0,
5 0,
3 0,
8 0
0 0
--
0,5
0 0
PB
-Bru
ch
300
56
1,3
0 0
37
0 0
0 0
1,7
0 0
4 0
--
0 0
To
tal
1240
2 67
,5
3,7
0,7
2,8
1 2,
4 1
1,8
0 1,
5 6,
8 3,
8 2,
5 0,
2 3,
4 0,
7 0
Escher M. Anhang XXII
A14) Komplette NIR-Auswertung in Datenbank C in grafischer Darstellung Scores Plot: Betrachtung der Analysescores in 3D
Escher M. Anhang XXIII
Betrachtung der Analysescores bei Normierung der Achsen auf 1 in 1. Ableitung:
Betrachtung der Analysescores bei Normierung der Achsen auf 1 in 2. Ableitung:
Escher M. Anhang XXIV
Inhalt der beigefügten CD-ROM Ordner- und Dateistruktur: Diplomarbeit.doc Diplomarbeit.pdf Versuchsergebnisse
�
Versuchsreihe A1 Siebanalyse und Korngrößenverteilung
�
Siebanalyse.xls �
Versuchsreihe A2 Rohdichtebestimmung_Wasseraufnahme Flüssigkeitspyknometer
�
Glaspyknometer.xls
� Versuchsreihe A3 Rohdichtebestimmung Geopyknometer
� Daten Geopyknometer
�
Rohdichte-Geopyknometer.xls �
Versuchsreihe A4 Reindichtebestimmung Heliumpyknometer + Porosität
� Scans
� Reindichte.xls / Porosität.xls
� Versuchsreihe A5 Intensitäten
� Intensitäten.xls
� Versuchsreihe NIR- Spektroskopie
� Abbildungen
� Datenbanktest
� Mittelwerte
� Spektren Baustoffe
� Wasseranteil- Test
� Datenbank A.lrp
� Datenbank B.lrp
� Datenbank C.lrp
� Kreuztabellen_Auswertungen.xls
� NIR- Gesamt.xls
Escher M. Selbstständigkeitserklärung XXV
Selbstständigkeitserklärung Hiermit erkläre ich, dass ich die vorliegende Arbeit selbständig und nur unter Verwendung
der angegebenen Quellen und Hilfsmittel angefertigt habe.
Weimar, 07.12. 2010
Martin Escher
Escher M. Thesen der Diplomarbeit XXVI
Thesen zur Diplomarbeit
1. Anhand der Wasseraufnahme ist keine Verbindung zur NIR- Erkennbarkeit
festzustellen, da Porenbeton mit einer sehr guten NIR- Erkennung eine sehr hohe
Wasseraufnahme vorweist und Leichtbeton mit einer vergleichsweise hohen
Wasseraufnahme eine recht niedrige NIR- Erkennbarkeit aufweist. Trotz dessen ist
ein gewisser Trend erkennbar: Je höher die Wasseraufnahme desto besser die NIR-
Erkennbarkeit
2. Die Porosität als charakteristische Eigenschaft eines Baustoffes ist kaum in
Zusammenhang mit der NIR- Erkennung zu stellen, weil Porenbeton eine sehr
hohe Porosität hat und Leichtbeton ebenfalls eine vergleichsweise hohe Porosität
aufweist im Gegensatz zu anderen untersuchten Baustoffen, aber ihre NIR-
Erkennungsergebnisse gegensätzlich ausfallen. Ein ähnlicher Trend wie bei der
Wasseraufnahme ist festzustellen.
3. Aufgrund der ermittelten Korngrößenverteilungen lassen sich nur grobe
Zusammenhänge zur NIR- Erkennung ableiten, da Beton und Leichtbeton eine fast
identische Korngrößenverteilung haben und eher mittelmäßige NIR-
Identifizierungen aufweisen, Porenbeton und Kalksandstein ebenfalls andere aber
ähnliche Korngrößenverteilungen besitzen aber wesentlich bessere Werte bei der
NIR- Erkennung erzielen. Demgegenüber steht die gute NIR- Erkennung des
Ziegelsteins, der aber eine zu Porenbeton und Kalksandstein verschiedene
Korngrößenverteilung besitzt.
4. Anhand der physikalischen Charakteristika von Rein- und Rohdichte ist keine
Abhängigkeit zur NIR- Erkennung festzustellen.
5. Je größer die Spektrenvielfalt in einer aufgestellten Datenbank in Form von
unterschiedlichen Baustoffen ist, desto niedriger ist die Zuordnung mittels NIRS.
6. Die NIR- Erkennung bei Analyse von mehreren Spektren pro Baustoff anhand
ihrer berechneten Mittelwertspektren ist vergleichsweise schlecht.
Escher M. Thesen der Diplomarbeit XXVII
7. Bei Untersuchungen von Spektren ist es hilfreich diese mit Datenbanken
auszuwerten, jedoch verfälscht es etwas das Ergebnis wenn die betrachteten
Spektren schon in der Datenbank vorhanden sind.
8. Testspektren verschiedener Baustoffe, die nicht in der Datenbank implementiert
sind, werden zu durchschnittlich 75 % in der jeweiligen Datenbank richtig
zugeordnet
9. Steigt der Wassergehalt einer Probe deren NIR- Spektrum aufgenommen werden
soll, sinkt die Identifizierung dieser mittels NIRS. Je höher der Wassergehalt einer
mineralischen Probe desto niedriger die NIR- Erkennung.
10. Reiner Gips und Betonsorten mit unterschiedlichen Gipsgehalten werden im NIR
gut unterschieden und dementsprechend auch erkannt.
11. Asbest und Faserzement werden bei Betrachtung der jeweiligen Spektren gut
unterschieden und vollständig erkannt.
12. Aufgrund von Einteilungen, in welchem Nanometerbereich die NIR- Analyse
vollzogen werden soll, verändert sich die Erkennbarkeit.
13. Spektren mineralischer Baustoffe werden anhand einer Datenbank mit ähnlichen
Baustoffspektren mit guten Ergebnissen erkannt, außer Beton und Leichtbeton.
14. Bei Auswertung der Baustoffspektren entsprechend der Differenzierung, stellen
sich gute Ergebnisse bei Betrachtung der 1. und 2. Ableitung dar.
15. Die Erkennung mineralischer Proben mittels NIR- Spektroskopie funktioniert mit
einer Wahrscheinlichkeit von 60 bis 90 % die durchschnittlich anhand der
Untersuchungen erzielt wurde, entsprechend der Spektrenvielfalt in aufgestellten
Datenbanken.