Entscheidungsunterstützung zur Etablierung intelligenter Batteriekreisläufe im Zeitalter künstlicher Intelligenz
Die wachsende Zahl an Elektrofahrzeugen wird in den kommenden Jahren zu deutlich steigenden Rücklaufmengen an Traktionsbatterien führen. Ein effizientes Batterierecycling ist essenziell, um eine nachhaltige Kreislaufwirtschaft im Batteriekontext zu ermöglichen und kritische Rohstoffe zurückzugewinnen. Insbesondere das sogenannte Pretreatment, zu dem auch die Demontage der Traktionsbatterien gehört, beeinflusst maßgeblich die Effizienz, Sicherheit und Nachhaltigkeit der weiteren Verwertungswege sowie die Reinheit der Materialströme im Recycling. Diese Prozesse sind jedoch hochkomplex, stark variabel und häufig geprägt von fehlenden Daten, hohen Sicherheitsanforderungen und einem hohen manuellen Aufwand.
Künstliche Intelligenz (KI) bietet ein großes Potenzial, diese Prozesse effizienter, sicherer und stärker automatisiert zu gestalten. Doch obwohl viele Unternehmen KI als Chance erkennen, um Kosten zu senken und die Skalierbarkeit zu erhöhen, fehlt bislang eine fundierte Entscheidungsgrundlage dafür, in welchen Anwendungsfällen, unter welchen Bedingungen und in welcher Form KI im Batterierecycling, insbesondere in der Demontage, tatsächlich sinnvoll, nachhaltig und verantwortungsbewusst eingesetzt werden kann. Bestehende Bewertungsansätze für die Einführung von KI sind meist generisch und berücksichtigen die spezifischen Anforderungen der Demontage nur unzureichend, darunter die notwendige Prozessflexibilität, die unsichere Datenlage, aktuelle regulatorische Vorgaben sowie unterschiedliche Stakeholderperspektiven. Daraus ergibt sich eine Forschungslücke an der Schnittstelle von Künstlicher Intelligenz und Circular Economy (CE), insbesondere im Hinblick auf die systematische Bewertung von KI-Eignung und -Wirkung in der Demontage von Traktionsbatterien.
Das Promotionsprojekt wurde von Dimitri Petrik konzipiert und wird von Sarah Merz durchgeführt. Ziel des Vorhabens ist die Entwicklung einer wissenschaftlich fundierten und praxisorientierten Bewertungsmethode, mit der Unternehmen den potentiellen Einsatz von KI im Batterierecycling, insbesondere in der Demontage von Traktionsbatterien, systematisch beurteilen können. Die Methode soll ökonomische, ökologische, soziale, technologische und regulatorische Aspekte integrieren und gleichzeitig so flexibel gestaltet sein, dass sie auf unterschiedliche Anwendungssituationen und Nutzergruppen übertragbar ist.
Methodisch orientiert sich das Forschungsvorhaben an der Design Science Research Methodology (DSR) und wird durch den Ansatz des Situational Method Engineering (SME) ergänzt. Zunächst werden aktuelle Herausforderungen und Anforderungen in Wissenschaft und Praxis systematisch erhoben. Darauf aufbauend wird ein strukturierter Anforderungskatalog sowie relevante situative Rahmenbedingungen abgeleitet. Diese Erkenntnisse bilden die Grundlage für die Konzeption einer flexiblen, modular aufgebauten Bewertungsmethode, die prototypisch demonstriert und in Expertenworkshops evaluiert wird.
Das Forschungsvorhaben leistet damit einen Beitrag zur gezielten Entscheidungsunterstützung bei der potentiellen Einführung von KI in der Demontage von Traktionsbatterien, insbesondere vor dem Hintergrund, dass viele Unternehmen mit Ressourcenknappheit, Unsicherheiten und fehlendem Fachwissen konfrontiert sind. Die entwickelte Methode soll als praxisnahes Werkzeug dienen, um Risiken frühzeitig zu identifizieren, Potenziale gezielt zu erschließen und fundierte, nachhaltige Investitionsentscheidungen zu unterstützen.
