Extrusion 6-2026

telligenz (KI) und im Machine Learning ermöglichen dage- gen Vorhersagemodelle, die Inline-Sensordaten mit den re- sultierenden Folieneigenschaften verknüpfen [ACRR17, DYR21]. Die Kombination aus thermografischer Erfassung und optischer Dehnungsanalyse bietet damit das Poten- zial, Produkteigenschaften in Echtzeit vorherzusagen und die Prozesssteuerung bei Rezyklatfolien resilienter zu ge- stalten. Stand der Technik Der folgende Abschnitt behandelt relevante Grundlagen zu Dehnung und molekularer Orientierung bei der Blasfolien- extrusion, aktuelle Modellierungsansätze zur Beschreibung von Material- und Prozesseigenschaften sowie spezifische Herausforderungen bei der Verarbeitung von PCR. Verstreckung und molekulare Orientierung im Blasfolienextrusionsprozess Das Verstrecken von Kunststoffen beeinflusst die me- chanischen und optischen Eigenschaften der Folien deut- lich. Es kann zu höherem Elastizitätsmodul, verbesserter Zug-, Schlag- und Reißfestigkeit sowie geringerer Opazität führen. Ursache ist die Ausrichtung der Molekülketten während des Streckvorgangs; bei teilkristallinen Polyme- ren wie PP steigt dadurch auch die Kristallinität [Can19, KC14]. In der Blasfolienextrusion wird die biaxiale Verstreckung durch Aufblasverhältnis und Abzugsverhältnis bestimmt. Das Aufblasverhältnis beeinflusst die Orientierung quer zur Extrusionsrichtung, das Abzugsverhältnis die Orientie- rung in Extrusionsrichtung [BDOR22, Can19]. Die entste- hende Orientierung kann durch Relaxation oder erneutes Erwärmen teilweise zurückstellen. Der Grad der Reorien- tierung hängt von der Dauer und Intensität der thermi- schen Belastung und der Abkühlung ab [Lim12]. Insbesondere die Position der Frostlinie, an welcher die Orientierung fixiert sind, beeinflusst damit die endgültigen Folieneigenschaften [KFLC04, Tas94]. Für die Vorhersage von Schrumpfung ist daher die Modellierung des Ver- streckverhaltens von zentraler Bedeutung. Extrusion 6/2026 Anwendung von Modellierungsmethoden Im Allgemeinen dient Modellierung dazu, Zusammen- hänge zwischen Prozesszuständen und Produkteigen- schaften besser zu verstehen und darauf aufbauend Vorhersagen zu treffen [San24, SB14]. Ein Beispiel ist das von Ohlendorf entwickelte statistische Modell der Blasfo- lienextrusion auf Basis dimensionsloser Kennzahlen [Ohl04]. Es beschreibt den Prozess detailliert, ist jedoch stark auf die verwendete Anlage spezifiziert und nur be- grenzt übertragbar. Eine alternative Möglichkeit bietet Ma- chine Learning. ML-Methoden lernen aus Daten, erkennen Muster und werden auf Trainingsdaten angepasst sowie an Testdaten validiert. In der Kunststofftechnik werden sie zunehmend zur Beschreibung von Prozessen und Materi- aleigenschaften eingesetzt. Beispiele zeigen gute Vorher- sagegüten für recycelte Fasern, PP-Compounds, PE-HD- Folien und PCR-Folien [LGBGA+22, SLEH24, AAA19, SAM+25]. Gerade für PCR-Materialien sind ML-Ansätze in- teressant, da deren stark schwankendes rheologisches Verhalten und die variierende Materialqualität den Einsatz konventioneller Modelle erschwert. Herausforderungen bei der Verarbeitung von PCR-Materialien PCR stammt überwiegend aus Verpackungen aus Haus- halts- oder Gewerbeabfällen. [BBMM95, RKA20]. Rezyklate sind jedoch thermischen, mechanischen und chemischen Belastungen in ihrer Lebensdauer und dem Recyclingpro- zess selbst ausgesetzt, welche ihre Eigenschaften ver- schlechtern können. Zusätzliche Herausforderungen entstehen durch Verunreinigungen, unbekannte Material- zusammensetzungen und chargenabhängige Schwankun- gen [Abt20, Kir82, LSHS12, MM16, NN19]. Dadurch verändern sich rheologische, optische und mechanische Eigenschaften, was eine gezielte Anpassung der Prozess- führung erfordert. Da sich die resultierenden Folieneigen- schaften nur mit ressourcenintensiven Offline-Methoden vorhersagen lassen, ist die Entwicklung inlinefähiger Vor- hersagemodelle besonders relevant [Nen06]. Daraus er- gibt sich die zentrale Forschungshypothese, wonach ein 29 Abbildung 1.2: Kameraaufnahme der Punktverschiebung für Versuchspunkt 4 0 s 4 s 8 s 12 s 16 s