Kurzbeschreibung

Die Vermeidung eines katastrophalen Klimawandels erfordert eine drastische Verringerung der Treibhausgasemissionen und die Entfernung des bereits freigesetzten CO2 aus der Atmosphäre in Verbindung mit einer dauerhaften CO2-Speicherung. Durch die Mineralisierung von Kohlenstoff kann CO2 in Form von Karbonaten gespeichert werden, die umweltfreundlich und stabil sind und somit die CO2-Karbonatisierung zu einer dauerhaften und leckagefreien CO2-Speichermethode machen. Es gibt viele Ca- und Mg-reiche Industrieabfälle, die sich als Ausgangsmaterial für die CO2-Karboinatisierung eignen: Abfallzement (1 Gt/a), Flugasche aus der Kohleindustrie (600 Mt/a) und Schlacke aus der Stahlerzeugung (400 Mt/a). Aufgrund der unterschiedlichen Rohstoffqualitäten (Zusammensetzung und Partikelgröße) der mineralischen Abfallströme gibt es eine Wissenslücke in Bezug auf den effizienten Prozessbetrieb bei gleichzeitig maximaler CO2-Speicherung unter Gewinnung von wertvollen, hochreinen Zielprodukten (CaCO3, MgCO3).

Dieses Projekt adressiert dieses Problem durch die Entwicklung einer autonomen, selbstlernenden Prozesskette für die CO2-Karbonatisierung von Bergbauabfällen unter Berücksichtigung der vier Schritte: Mineralienextraktion, Filtration, selektive Fällung und zentrifugale Klassierung. Das Projekt ist eine enge Zusammenarbeit zwischen dem Institut für Mechanische Verfahrenstechnik und Mechanik (IMVM) des Karlsruher Instituts für Technologie (Dr. Marco Gleiß), dem Institut für Verfahrenstechnik (IVT) der OVGU Magdeburg (Prof. Dr. Kai Sundmacher) und dem Lehrstuhl für Mechatronik im Maschinenbau und Fahrzeugtechnik der TU Kaiserslautern (Prof. Dr. Naim Bajcinca). Die erforschte, autonome Prozesskette wird in der Lage sein, die genannten dynamischen Schwankungen und Störungen, die auf den Prozess einwirken, zu erkennen, entsprechend in einen Zustand höchstmöglicher Produktivität zu steuern und dabei die gewünschten Reinheiten der Karbonate sicherzustellen. Im Falle unvorhergesehener Szenarien, die zu nicht optimalem Verhalten führen, soll der selbstlernende Teil des Reglers den Prozess dennoch in der Lage sein, sich auf Basis der beobachtbaren Zustandsgrößen autonom zu verhalten. In der ersten Förderperiode untersuchen die Projektpartner die Filtration (Schritt 2) und die selektive Fällung (Schritt 3) in Bezug auf die Prozessdynamik und entwickeln daraus dynamische Modelle, die in den „Self-Learning Robust Autonomous Controller“ (SLARC) für die Vakuumbandfiltration und die selektive Fällung integriert werden.

Die zweite Förderperiode umfasst die Erweiterung der Prozesskette um die Extraktion der Mineralien (Schritt 1) und die zentrifugale Klassierung (Schritt 4). Wir befassen uns hier mit den selbstlernenden autonomen Systemen für diese beiden Prozessschritte sowie für die gesamte Prozesskette. Darüber hinaus schließen wir Stoffkreisläufe durch die Integration von Rezirkulationsströmen, die die Prozessdynamik des Gesamtprozesses signifikant verändern können.