Blog
KIOptiPack erfolgreich abgeschlossen – Künstliche Intelligenz optimiert den Einsatz von Rezyklaten
Von Marisa Buning, geb. Müller – Oktober 2025
Nach drei intensiven Jahren Forschung, Zusammenarbeit und Entwicklung endet das BMBF-geförderte Projekt „KIOptiPack – Ganzheitliche KI-basierte Optimierung von Kunststoffverpackungen mit Rezyklatanteil“. Das Ziel war ambitioniert: Künstliche Intelligenz (KI) sollte dazu beitragen, den Einsatz recycelter Kunststoffe in Verpackungen zu optimieren und so den Weg in eine nachhaltigere Kreislaufwirtschaft ebnen.
Was war KIOptiPack?
Im Rahmen des KI-Anwendungshub Kunststoffverpackungen arbeiteten über 50 Partner aus Wissenschaft, Wirtschaft und Gesellschaft daran, die gesamte Wertschöpfungskette – vom Recycling über die Materialentwicklung bis zur Verpackungsproduktion – datenbasiert zu verbessern. Koordiniert wurde das Projekt vom Institut für Kunststoffverarbeitung an der RWTH Aachen.
Während sich andere Partner auf Design und Produktion konzentrierten, war Ehrenmüller in den Teilprojekten Compoundierung und Folienextrusion aktiv. Unser Fokus lag dabei auf der KI-gestützten Vorhersage von Materialeigenschaften – sowohl bei der Entwicklung neuer Kunststoffmischungen im Compounding als auch bei der anschließenden Verarbeitung zu Folien. In beiden Bereichen haben wir Methoden entwickelt, mit denen sich Material- und Prozesseigenschaften datenbasiert analysieren und vorhersagen lassen – ein entscheidender Schritt hin zu stabilen, ressourceneffizienten Produktionsprozessen trotz schwankender Rezyklatqualität.
Teilprojekt Compoundierung:
Vorhersage von Materialeigenschaften
Recyclingkunststoffe stellen die Industrie vor eine besondere Herausforderung: Ihre Zusammensetzung schwankt je nach Herkunft und Verarbeitung stark. Dadurch verändern sich auch die mechanischen Eigenschaften – was den gezielten Einsatz in hochwertigen Anwendungen erschwert.
In KIOptiPack haben wir deshalb KI-Modelle entwickelt, die genau diese Materialeigenschaften vorhersagen können. Die Modelle analysieren unter anderem die Elastizität, Schmelze-Massefließrate (MFR) und Schmelze-Volumenfließrate (MVR) von Kunststoffblends und Additivmischungen.
Die erzielten Ergebnisse zeigen, dass sich diese Eigenschaften mit Abweichungen von nur 3 bis 18 % prognostizieren lassen – selbst bei komplexen Materialmischungen.
Damit wird es möglich, Materialrezepturen gezielt anzupassen, Ausschuss und Stillstandszeiten zu reduzieren und Ressourcen effizienter zu nutzen. Ein wichtiger Schritt, um Rezyklate künftig auch für hochwertige Anwendungen attraktiv zu machen.
Teilprojekt Folienextrusion:
Prozessverständnis durch datenbasierte Modelle
Im zweiten Schwerpunktprojekt widmete sich Ehrenmüller unter Anderem gemeinsam mit dem Institut für Kunststoffverarbeitung (IKV) und quo data GmbH der modellbasierten Vorhersage der mechanischen Eigenschaften von Polypropylen-Folien, die aus Rezyklaten hergestellt wurden.
Ziel war es, die Zusammenhänge zwischen Prozessparametern und Materialqualität besser zu verstehen und mithilfe von Machine-Learning-Modellen vorherzusagen, wie sich die Zugfestigkeit und Steifigkeit der Folien verändern.
Ein zentrales Ergebnis: Der Extruderdruck erwies sich als besonders aussagekräftiger Indikator für die Qualität des Eingangsmaterials, da er stark mit der Viskosität und Materialdegradation korreliert. Durch die Kombination von Verarbeitungsparametern (z. B. Druck, MFR, Viskositätsgradient) mit den Materialdaten konnten Generalized Additive Models (GAMs) und Random-Forest-Modelle die Zugfestigkeit mit einer Genauigkeit von bis zu 86 % (R² = 0,86) vorhersagen.
Diese datengetriebene Herangehensweise bildet einen wichtigen Grundstein für die zukünftige Prozessoptimierung. Sie zeigt, dass sich Qualitätsveränderungen während der Folienextrusion grundsätzlich frühzeitig erfassen und modellbasiert vorhersagen lassen. Auch wenn die entwickelten Ansätze derzeit noch nicht produktiv eingesetzt werden, schaffen sie die Basis dafür, den Extrusionsprozess künftig in Echtzeit an wechselnde Rezyklatqualitäten anpassen zu können.
Warum das wichtig ist?
Dank der entwickelten KI-Modelle können Produzenten die Eigenschaften ihrer Materialien und Folien schon während der Verarbeitung vorhersagen und gezielt steuern. Dadurch sinken Materialverbrauch, Ausschuss und Energieeinsatz – und gleichzeitig steigt die Prozesssicherheit.
Künstliche Intelligenz leistet damit einen zentralen Beitrag zur Verbindung von Digitalisierung und Nachhaltigkeit: Sie macht Recyclingprozesse transparenter, effizienter und wirtschaftlich attraktiver.
Ausblick
Mit dem Abschluss von KIOptiPack endet zwar die Projektphase, doch die entwickelten KI-Modelle und datenbasierten Ansätze eröffnen neue Perspektiven für die Kunststoffproduktion. Sie liefern verlässliche Werkzeuge, um Rezyklate gezielt und effizient einzusetzen – ein wichtiger Schritt hin zu einer wirklich nachhaltigen Kreislaufwirtschaft. Wir sind gespannt, wie die Projektpartner diese Erkenntnisse weiter nutzen und in neue Anwendungen übertragen werden, um Materialeffizienz, Prozesssicherheit und Ressourcenschonung noch stärker voranzutreiben. Die Ergebnisse von KIOptiPack zeigen eindrucksvoll: Die Kombination aus Künstlicher Intelligenz und Recyclingmaterialien kann die Zukunft der Verpackungsindustrie entscheidend prägen.
Weitere Interessante Artikel zum Forschungsprojekt KIOptiPack:
Sie interessieren sich für die individuelle Entwicklung Ihres KI-Projektes?
Was können wir für Sie tun?
Um diesen Service zu nutzen, klicken Sie auf den Button oben. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Kontaktieren Sie uns.
Wir freuen uns von Ihnen zu hören.
„In einem ersten Startgespräch nehme ich Ihre Anfrage auf und koordiniere die weiteren Schritte. Ich freue mich darauf, Sie kennenzulernen!“
Leah Soldner
Customer Relationship Managerin
Um diesen Service zu nutzen, klicken Sie auf den Button oben. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Falls kein passender Termin über das Buchungssystem für Sie dabei ist, können Sie mich gerne kurz telefonisch kontaktieren. Wir finden einen zeitnahen Termin.