Das Projekt KI-RAM liefert Beiträge zur Reduzierung von verkehrsbedingten Mikroplastikemissionen durch Reifenabrieb. Ein auf den Abrieb fokussierter Digitaler Zwilling von Nutzfahrzeugreifen wird erstellt. Mittels KI-basierter Analyse von Inline-Abriebsensor-Daten werden Haupteinflussfaktoren identifiziert, Restlaufzeitprognosen & ein Reifenranking realisiert sowie Strategien zur Abriebvermeidung erarbeitet. Das Ziel des von iMes bearbeiteten Teilprojekts ist die Entwicklung des oben genannten Digitalen Zwillings als Repräsentation von Nutzfahrzeugreifen und den daran auftretenden Abriebsprozessen. Die Forschungsfragen hierbei sind, welche Faktoren, wie z.B. Reifenmaterial, Wetter oder Straßenbelag, bewirken Reifenabrieb und wie groß ist deren Einfluss. Auch die Möglichkeit des Erkennens und der Vorhersage von Reifenabrieb durch den Digitalen Zwilling ist zu untersuchen. Des Weiteren soll analysiert werden, ob ein Zusammenhang zwischen den im Projekt durchgeführten Feldstudien zum Reifenabrieb (Vermessung der Reifendicke mit einem Inline-Abriebsensor eines Fahrzeuges im Einsatz über einen gewissen Zeitraum) mit den typischen Reifenabrieb-Labortests besteht. Diese Fragestellungen sollen mit Hilfe datengetriebener Modelle aus dem Bereich der Statistik und der künstlichen Intelligenz beantwortet werden.
Das Projekt KI-RAM liefert Beiträge zur Reduzierung von verkehrsbedingten Mikroplastikemissionen durch Reifenabrieb. Ein auf den Abrieb fokussierter Digitaler Zwilling von Nutzfahrzeugreifen wird erstellt. Mittels KI-basierter Analyse von Inline-Abriebsensor-Daten werden Haupteinflussfaktoren identifiziert, Restlaufzeitprognosen & ein Reifenranking realisiert sowie Strategien zur Abriebvermeidung erarbeitet. Das Teilvorhaben der Universität Paderborn befasst sich mit der kontinuierlichen sensorischen Erfassung des Reifenabriebs im laufenden Betrieb von Großmuldenkippern, Containerfahrzeugen und schließlich LKW. In einem vorangegangenen Projekt wurde durch die Projektpartner Rösler Tyre Innovators GmbH&Co.KG, Fraunhofer IMWS und Universität Paderborn der Prototyp eines Reifenabriebsensors für Großmuldenkipper entwickelt, der es erstmals ermöglichte, den Reifenabrieb während des Betriebes in einer Auflösung von bis zu sieben Restprofiltiefen zu bestimmen. Im Rahmen dieses Projektes soll das Sensorkonzept überarbeitet und optimiert werden, um eine kontinuierliche, stufenlose Restprofiltiefenmessung zu erreichen. Die so gewonnenen Daten ermöglichen eine deutlich genauere Überwachung des Reifenzustandes. Neben der Entwicklung eines kontinuierlichen Sensorkonzeptes, soll das Messsystem auch deutlich verkleinert werden, um den Einsatz in regulären LKW-Reifen zu ermöglichen.
Das Projekt KI-RAM liefert Beiträge zur Reduzierung von verkehrsbedingten Mikroplastikemissionen durch Reifenabrieb. Ein auf Abrieb fokussierter Digitaler Zwilling von Nutzfahrzeugreifen wird erstellt. Mittels KI-basierter Analyse von Inline-Abriebsensor-Daten werden Haupteinflussfaktoren identifiziert, Restlaufzeitprognosen & ein Reifenranking realisiert, sowie Strategien zur Abriebvermeidung erarbeitet. Für DENKweit bestehen die folgenden wissenschaftlich-technischen Teilziele: Es soll ein Trainings- und Referenzdatensatz von Thermographieaufnahmen an Reifen aufgebaut werden, der als Grundlage für die Entwicklung von KI-basierten Auswertemethoden dient. Für die KI-basierte Analyse der IR-Reifendaten sollen verschiedene Netzarchitekturen hinsichtlich ihres Klassifizierungserfolges entwickelt und verglichen werden. Dazu gehören Objektdetektionsnetzwerke, Klassifizierungsnetzwerke und Anomaliedetektionsnetzwerke. Der Klassifizierungserfolg der einzelnen Architekturen als auch von Kombinationen der Netzwerke soll untersucht werden. Nachgeschaltet zu den neuronalen Netzwerken sind die gefundenen spezifischen Merkmale hinsichtlich Eigenschaften wie Fläche oder Temperaturbereich zu kategorisieren und gegebenenfalls in Defektkategorien einzuteilen. Die neuronalen Netze sollen so erweitert werden, dass externe Daten wie Abriebindikatoren beim Training berücksichtigt werden können. Das bezieht sich zum einen auf das Training der neuronalen Netze, zum anderen auf die nachgelagerte Verarbeitung der Netzergebnisse, um auch hier Wechselwirkungen mit den zusätzlichen Daten zu ermöglichen und statistische Auswertungen (Korrelationsanalysen, etc.) betreiben zu können. Experimentelle Validierung der Netze mit Messdaten des Abriebsensors erlauben es, die durch die KI ausgewerteten IR-Daten mit und ohne Kombination mit den Daten des Abriebsensors Aussagen über Haupteinflussfaktoren, Restlaufzeiten zutreffen und ein Reifenranking vorzunehmen.
Das Projekt KI-RAM liefert Beiträge zur Reduzierung von verkehrsbedingten Mikroplastikemissionen durch Reifenabrieb. Ein auf den Abrieb fokussierter Digitaler Zwilling von Nutzfahrzeugreifen wird erstellt. Mittels KI-basierter Analyse von Inline-Abriebsensor-Daten werden Haupteinflussfaktoren identifiziert, Restlaufzeitprognosen & ein Reifenranking realisiert sowie Strategien zur Abriebvermeidung erarbeitet. Das Fraunhofer IMWS konzentriert sich dabei insbesondere auf eine detaillierte Evaluierung der Aussagekraft von verschiedenen Laborindikatoren für den Abrieb unter Nutzung von Inline-Daten für LKW-Versuchsreifen aus Feldversuchen als Referenz sowie die Schaffung der experimentellen Basis und die materialwissenschaftliche Begleitung der Entwicklung und Evaluierung einer neuen Methode zur Bewertung der Abriebeigenschaften von LKW-Reifen basierend auf einer KI-basierten Auswertung von IR-Bildern nach definierter Belastung. Weiterhin wird die Entwicklung der Kautschukbaugruppe des Inline-Abriebsensors für LKW unterstützt und eine materialwissenschaftliche Bewertung der Ergebnisse aller im Projekt entwickelten KI-Lösungen, Klassifikationen und Vorhersagetools realisiert. Ziel ist es dabei material-, profil- und umgebungsbedingte Einflüsse auf den Reifenabrieb besser zu verstehen und so zu einer Reduzierung verkehrsbedingter Mikroplastikemissionen beizutragen.
Veranlassung
Im Rahmen des BMDV-Expertennetzwerks (Themenfeld 1: Klimawandel und Extreme) werden Auswirkungen von Extremwetterereignissen, z.B. Starkregen- und Trockenwetterperioden, auf den Eintrag organischer Spurenstoffe in Bundeswasserstraßen untersucht. Erste Studien zu regeninduzierten Spurenstoffeinträgen werden am Fallbeispiel der Mosel durchgeführt. Hier werden seit April 2021 während Regenereignissen Tagesmischproben von zwei Messstationen entlang des innerdeutschen Verlaufs der Mosel entnommen. Ausgewählte Proben werden durch das Verfahren des Non-Target-Screenings mittels Flüssigkeitschromatographie gekoppelt an hochauflösende Massenspektrometrie untersucht. Mithilfe von Clusteranalysen werden ereignisbezogene Eintragsmuster in den Datensätzen entschlüsselt. Über den Abgleich mit internen Datenbanken, die über 1000 bekannte Spurenstoffe und chemische Signale aus Elutionsversuchen mit Reifenabrieben umfassen, können Signale in den Umweltproben bereits bekannten Substanzen bzw. möglichen Quellen wie Reifenabrieb zugeordnet werden.
Ziele
- Erfassung regeninduzierter Spurenstoffeinträge in Bundeswasserstraßen
- Identifikation quellenspezifischer organischer Spurenstoffe als repräsentative Substanzen für zielgerichtetes Monitoring
- Identifikation relevanter Quellen und Eintragspfade für regeninduzierte Spurenstoffeinträge
- Angaben zu regen- und trockenheitsinduzierten Spurenstoffeinträgen und -konzentrationen in Bundeswasserstraßen unter Berücksichtigung von Klimaprognosen
- Erstellung eines Konzepts zur quantitativen Erfassung ausgewählter quellen- und eintragsspezifischer Spurenstoffe in Bundeswasserstraßen
- Integration ausgewählter Spurenstoffe in Gewässergütemodelle bzw. Schadstoffemissionsmodelle
Organische Spurenstoffe gelangen über verschiedene Eintragspfade, z.B. über Kläranlagenabläufe, Regenwasserkanäle und diffusen Oberflächenabfluss, in Fließgewässer. Hier werden sie in komplexen Mischungen detektiert und können ein Risiko für das Ökosystem darstellen. Die genaue Anzahl organischer Spurenstoffe ist unbekannt. Zudem variiert die Zusammensetzung der Stoffmischungen in Abhängigkeit von Konsum, Anwendungen und witterungsbedingten Einträgen. Extremwetterereignisse wie Starkregen- und Trockenwetterperioden können angesichts des Klimawandels zunehmen, sodass deren Auswirkungen auf Stoffeinträge und -konzentrationen in Gewässern zukünftig an Bedeutung gewinnen.
Durch den Klimawandel können Extremwetterereignisse zunehmen. Im Expertennetzwerk werden extremwetterbedingte Spurenstoffeinträge und deren Auswirkungen auf die Wasserbeschaffenheit in Bundeswasserstraßen untersucht.