GSaME - Entscheidungsunterstützung zur Etablierung intelligenter Batteriekreisläufe im Zeitalter künstlicher Intelligenz
Im Jahr 2022 waren weltweit bereits über 10 Mio. Elektrofahrzeuge im Einsatz wie die Daten der International Energy Agency zeigen. Da die Batterien bereits ab 20% Kapazitätsverlust ausgemustert werden, ist in den nächsten Jahren mit einem signifikanten Anstieg ausgemusterter Batterien zu rechnen. Zur Reduktion der aus der begrenzten Lebensdauer resultierenden Umweltbelastungen sind intelligente Kreislaufansätze erforderlich, um die Batterien am Lebenszyklusende je nach Zustand und Konstruktionsdesign wiederaufzubereiten oder zu recyclen. Aus planerischer Sicht ist dies jedoch eine äußerst komplexe Aufgabe die von der Integration digitaler Technologien in die Planung profitieren kann. Insbesondere Künstliche Intelligenz (KI) kann dabei helfen, die Rückführungsprozesse und die Wiederaufbereitung von Batterien an der Schnittstelle zum industriellen Shopfloor effizienter zu gestalten.
Die europäische Recyclingindustrie ist auf die wachsende Welle von alten Batterien kaum vorbereitet. Entsprechend ist es für produzierende Unternehmen (z. B. Batteriehersteller, Original Equipment Manufacturer und spezieller Batterie-Dienstleistungsunternehmen) von Bedeutung innovative Lösungsansätze für die Etablierung von Batteriekreisläufen zu konzipieren, um Ressourcen zu schonen, den CO2-Ausstoß zu reduzieren und so ökonomische, ökologische und soziale Nachhaltigkeitsziele nach dem Triple Bottom Line-Prinzip zu erreichen. Praktische Beispiele für den KI-Einsatz im produktionsnahen End-of-Life-Management von Batterien sind jedoch rar, da die KI-Technologien weiterhin schneller voranschreiten, als ihre industrielle Anwendung. Entsprechend bietet die Erforschung der Potenziale und der von Produktionsplanern wahrgenommenen Risiken des Einsatzes von KI-Technologien zur Wiederaufbereitung von Batterien eine relevante Forschungslücke an der Schnittstelle zwischen KI und der Kreislaufwirtschaft.
Das Projekt wurde von Dimitri Petrik konzipiert und wird von Sarah Merz beforscht. Es fokussiert sich auf die Einsatzpotenziale und von den Entscheidern wahrgenommene Risiken der KI-Technologien im Produktionskontext am Beispiel der Wiederaufbereitung von Batterien. Die KI-Technologien können sowohl bei der Zustandsbeurteilung der Batterien helfen, als auch intelligent die Produktion steuern, um die Produktion von neuen Batterien mit der Wiederaufbereitung von alten Batterien effizient zu kombinieren. Aufgrund eines überwiegend konzeptionellen Charakters bereits veröffentlichter Studien in diesem Kontext soll die Leitforschungsfrage die Einflussfaktoren beim Einsatz von KI-Technologien für die industrielles Batterie-Recycling und Wiederaufbereitung von Batterien aus der Perspektive der Produktionsprozessplanung analysieren. Hierfür bietet es sich an die relevanten Einflussfaktoren zum KI-Einsatz im produktionsnahen End-of-Life-Management von Batterien zu identifizieren und mittels solcher Methoden wie konzeptionelle Modellierung oder Causal-Mapping zu systematisieren. Anschließend können die für den KI-Einsatz kritische Faktoren bestimmt und in Experimenten mit Produktions-, KI- und Batterie-Recycling-Experten manipuliert werden. Anschließend können die Experimentergebnisse einerseits das konzeptionelle Causal-Mapping-Modell verbessern. Andererseits können sie den Ansätzen gestaltungsorientierter Forschung für die Entwicklung eines Vorgehensmodells zur Unterstützung der Entscheidungen in der Produktion bei der Einführung von KI in die produktionsnahe Batteriewiederaufbereitung genutzt werden. Ein (Software-)Prototyp bzw. ein Demonstrator können die technische Umsetzbarkeit des Vorgehensmodells zeigen. Zusätzlich kann der Demonstrator für die weitere Modellvalidierung genutzt werden. Im Zuge der Validierung sollen praxisorientierte Handlungsempfehlungen für die Einführung von KI im End-of-Life-Management von Batterien abgeleitet werden.
