Extrusion 6-2026

Fazit und Ausblick Die Verarbeitung von PCR-Material in der Blasfolienex- trusion stellt aufgrund schwankender Materialqualität und inhomogener Materialströme hohe Anforderungen an Pro- zesssteuerung und Qualitätssicherung. Zur Bewältigung dieser Herausforderungen wurde ein auf AutoML basie- render Soft-Sensor entwickelt, der Temperatur- und Deh- nungsdaten zur Schrumpfvorhersage nutzt. Im Labormaß- stab wurde ein Modell mit einem R 2 von 0,74 und einem mittleren absoluten Fehler von 1,89 Prozent erzielt. Die Er- gebnisse zeigen, dass ML-Ansätze die Schrumpfung bes- ser vorhersagen können als lineare Modelle, zugleich aber durch Overfitting und begrenzte Datenmengen einge- schränkt sind. Die übertragung auf Recyclingmaterialien bleibt an- spruchsvoll, da Prozesskomplexität und Parameterüber- tragung die Modellanwendung erschweren. Für eine belastbare überführung in den Praxismaßstab sind wei- tere Daten, zusätzliche Materialtypen und eine erweiterte Modellvalidierung notwendig. Ergänzende Analysen wie Gelpermeationschromatographie und dynamische Diffe- rentialkalorimetrie können helfen, materialbedingte Ursa- chen besser zu verstehen und zukünftige Modelle zu verbessern. Danksagung Die in diesem Beitrag beschriebenen Untersuchungen wurden vom Bundesministerium für Forschung, Technolo- gie und Raumfahrt (BMFTR) unter der Fördernummer 033KI101 finanziell unterstützt, wofür wir uns herzlich be- danken. Darüber hinaus möchten wir unseren Projekt- partnern, insbesondere der RKW SE, für die Bereitstellung der Pilotanlage für die Scale up Versuche danken. Literaturverzeichnis [AAA19] A LTARAZI , S.; A LLAF , R.; A LHINDAWI , F.: Machine learning models for predicting and classifying the tensile strength of polymeric films fabricated via different production processes. Materials 12, 2019, p.1475-1489 [Abt20] A BTS , G.: Kunststoff-Wissen für Einsteiger. Grund- lagen, Eigenschaften und Recycling polymerer Werk- stoffe, Carl Hanser Verlag, München, 2020 [ACRR17] A IELLO , S.; C LIFF , C.; R OARK , H.; R EHAK , L.: Machine Learning with Python and H2O. H2O.ai Fifth Edition, 2017 [BBMM95] B RANDRUP , J.; B ITTNER , M.; M ICHAELI , W.; M ENGES , G.: Die Wiederverwertung von Kunststoffen. Carl Hanser Verlag, München, 1995 [BDOR22] B AUR , E.; D RUMMER , T.; O SSWALD , T. A.; R UDOLPH , N.: Saechtling Kunststoff Taschebuch. 32. Ausgabe. München: Carl Hanser Verlag, 2022 [Can19] C ANTOR , K.: Blown Film Extrusion 3rd Edition. München: Hanser Publishers, 2019 [DeW22] D EWEERDT , S.: Plastics Messy End-Game, Nature Volume 611, 2022, p. 3-5 [EP07] E HRENSTEIN , G.; P ONGRATZ , S.: Beständigkeit von Kunst- stoffen, Carl Hanser Verlag, München, 2007 [KC14] K ANAI , T.; C AMPBELL , G. A.: Film processing advances. München, Wien: Carl Hanser Verlag, 2014 [KFLC04] K IM , S.; F ANG , Y.; L AFLEUR , P. G.; C ARREAU , P. J.: Dyna- mics and criteria for bubble instabilities in a single layer film blowing extrusion. Polymer Engineering & Science 44 (2004) 2, p. 283-302 [Kir82] K IRCHER , K.: Chemische Reaktionen bei der Kunst- stoffverarbeitung, Carl Hanser Verlag, Wien, 1982 [LGBGA+22] L OPEZ -G ARCIA , P.; B ARRENETxEA , x.; G ARCIA -A RRIETAM S.; S EDANO , L.; P ALENZUELA , L.; U SATORRE , L.: Compounding process optimization for recycled materials using machine learning algorithms. Procedia CIRP 105, 2022, Leuven, p. 237-242 [Lim12] L IMPER , A. (Hrsg.): Verfahrenstechnik der Thermo- plastextrusion. München: Carl Hanser Verlag, 2012 [LSHS12] L ITTEK , S.; S CHNEIDER , M.; H UBER , K.; S CHöPPNER , V.: Messung zum Materialabbau von Polypropylen, Zeit- schrift Kunststofftechnik WAK 8, 2012 4, [MM16] M CKINLAY , R.; M ORRISH , L.: Reflex Project; A summary report on the results and findings from the REFLEx project, Axion Consulting Group, Sydney, 2016 [MSMG+20] M ILUTINOVIC , M.; S CHOENFELD , B.; M ARTINEZ -G ARCIA , D.; R AY , S.; S HAH , S.; Y AN , D.: On Evaluation of AutoML Systems. 7th ICML Workshop on Automated Machine Learning, 2020, Virtual [Nen06] N ENTWIG , J.: Kunststoff-Folien: Herstellung - Eigen- schaften - Anwendung. München, Wien: Carl Hanser Verlag, 2006 [NK13] N ATEKIN , A.; K NOLL , A.: Gradient boosting machines, a tutorial. Frontiers in neurorobotics 7 (2013), p. 21 [NM11] N EUHAUS , J.; M CCULLOCH , C.: Generalized linear mo- dels. WIREs Computational Statistics 3 (2011) no. 5, p. 407–413 [NN17] N.N.: DIN 55543-4: Verpackungsprüfung - Prüfver- fahren für Verpackungsfolien - Teil 4: Bestimmung der Schrumpfung von Kunststoff-Folien im Flüssigkeitsbad. Berlin: Beuth Verlag, 2017 [NN19] N.N.: Hemmnisse für den Rezyklateinsatz in Kunst- stoffverpackungen – Kurzfassung. Gesellschaft für Ver- packungsmarktforschung mbH, Mainz, 2019 [Ohl04] O HLENDORF , F.: Vorhersage der mechanischen Folieneigenschaften bei der Schlauchfolienextrusion. RWTH Aachen, Dissertation, 2004, ISBN: 3-86130-490-2 [Pon00] P ONGRATZ , S.: Alterung von Kunststoffen während der Verarbeitung und im Gebrauch. Universität Erlan- gen-Nürnberg, Phd-Thesis, 2000 [RKA20] R UDOLPH , N.; K IESEL , R.; A UMNATE , C.: Einführung Kunststoffrecycling. Carl Hanser Verlag, München, 2020 [SAM+25] S TIEGLITZ , M.; A DOMEIT , S.; M üLLER , M.; H ETTWER , K.; S CHLIERF , A.; U HLIG , S.; D AVID , S.; H OPMANN , C H .; L EUCHTEN - BERGER -E NGEL , L.: Model-based prediction of the tensile properties of polypropylene films made from recycled materials. Polymers 17, 2025, 1044 [San24] S ANTRY , D. J.: Demystifying deep learning: An intro- duction to the mathematics of neural networks. Hoboken, New Jersey: John Wiley & Sons Inc, 2024 [SB14] S HALEV -S HWARTZ , S.; B EN -D AVID , S.: Understanding machine learning: From theory to algorithms. New York NY USA: Cambridge University Press, 2014 Extrusion 6/2026 32 Blasfolie – Aus der Forschung