Circularity of Thermodynamical Material Networks: Indicators, Examples, and Algorithms

Dieser Beitrag entwickelt graphbasierte Indikatoren für die Kreislauffähigkeit thermodynamischer Materialnetzwerke, demonstriert deren Berechnung an numerischen Beispielen für Flüssig- und Feststoffe und stellt die zugehörige Quellcode-Implementierung öffentlich zur Verfügung.

Das Wesentliche

Titel: Wie man den Kreislauf der Dinge misst – Eine Reise durch die Welt der Thermodynamischen Material-Netzwerke

Stellen Sie sich vor, unsere Wirtschaft ist wie ein riesiges, chaotisches Verkehrsnetz. In der alten, „linearen" Welt (Take-Make-Dispose) fahren Lkws nur in eine Richtung: Sie holen Rohstoffe, bringen sie zu Fabriken, die Produkte herstellen, und am Ende landen die Abfälle in einer riesigen Mülldeponie. Das ist wie ein Fluss, der ins Meer fließt und nie zurückkommt – eine Verschwendung.

Die „Kreislaufwirtschaft" (Circular Economy) möchte das ändern. Sie will, dass alles wie ein Karussell funktioniert: Alles, was verbraucht wird, wird wieder eingesammelt, repariert oder recycelt und fließt zurück in den Kreislauf. Aber wie misst man, wie gut dieses Karussell wirklich läuft? Genau hier kommt diese wissenschaftliche Arbeit ins Spiel.

Hier ist die Erklärung der Forschung von Federico Zocco in einfachen Worten, mit ein paar kreativen Vergleichen:

1. Das Problem: Die alte Landkarte ist ungenau

Bisher haben Wissenschaftler oft statische Karten benutzt (Materialflussanalysen oder MFA). Das ist wie ein Foto eines Flusses: Man sieht, wie viel Wasser wo ist, aber nicht, wie schnell es fließt oder wie es wellt.

• Das Problem: In der Realität bewegen sich Dinge extrem schnell. Ein Lkw kann in weniger als einer Minute eine Ladung ankommen lassen und wieder abfahren. Ein statisches Foto verpasst diese schnellen Bewegungen.
• Die Lösung: Der Autor schlägt vor, das System wie ein lebendiges, dynamisches Netzwerk zu betrachten, ähnlich wie ein Elektriker ein Stromnetz oder ein Ingenieur ein Wassernetz analysiert. Er nennt dies Thermodynamische Material-Netzwerke (TMN). Statt nur zu zählen, „was" da ist, berechnet er, wie sich die Dinge bewegen und verändern, genau wie man die Energie in einem Motor berechnet.

2. Die neue Methode: Der Graph als Landkarte

Der Autor benutzt die Graphentheorie (ein Teilgebiet der Mathematik, das Punkte und Linien verbindet).

• Die Analogie: Stellen Sie sich das Wirtschaftssystem als ein Spiel mit Punkten (Lager, Fabriken, Müllplätze) und Pfeilen (Lkws, Förderbänder) vor.
• Der Kreislauf: Ein echter Kreislauf ist wie ein Rundkurs in diesem Spiel. Wenn ein Pfeil von Punkt A zu B und wieder zurück zu A führt, haben wir einen Kreis. Je mehr solcher Kreise es gibt und je stärker sie gefüllt sind, desto „kreisförmiger" ist die Wirtschaft.

3. Die Werkzeuge: Die „Circularity-Indikatoren"

Der Autor hat eine Reihe von Messinstrumenten (Indikatoren) entwickelt, um zu sagen: „Wie gut läuft dieses Karussell?"

• Die Kreise-Messung: Er schaut, wie viele geschlossene Schleifen es gibt. Gibt es nur eine kleine Schleife oder ein riesiges, vernetztes Netz?
• Die Geschwindigkeit: Er misst nicht nur, ob etwas zurückkommt, sondern wie stark der Fluss ist. Ist es ein kleiner Bach oder ein reißender Strom?
• Die „Verbindungs-Stärke": Wie gut sind die Punkte miteinander vernetzt? Wenn ein Punkt isoliert ist, ist der Kreislauf unterbrochen.

4. Die Beispiele: Wasser vs. Steine

Der Autor testet seine Theorie an zwei Szenarien:

Szenario A: Flüssigkeiten (Wasser)
Stellen Sie sich ein System aus Wasserrohren vor. Das Wasser fließt ständig.

• Das Problem: In einem ersten Versuch vergaß der Autor, dass Wasser nicht verschwinden darf (Massenerhaltung). Das Ergebnis war physikalisch unsinnig (wie ein Wasserhahn, der mehr Wasser liefert, als hineinfließt).
• Die Korrektur: Er passte die Gleichungen an, sodass das Wasser immer erhalten bleibt. Jetzt zeigten die Messinstrumente ein realistisches Bild: Wo sammelt sich das Wasser? Wo fließt es schnell?

Szenario B: Feststoffe (Plastik)
Stellen Sie sich Plastikflaschen vor, die in Paletten verpackt sind. Hier fließt das Material nicht wie Wasser, sondern kommt in Batches (Ladungen).

• Die Herausforderung: Ein Lkw fährt los, bringt Plastik zum Recycling, wartet dort, und kommt zurück. Aber er ist nicht gleichzeitig auf beiden Wegen.
• Das Ergebnis: Bei diesem Beispiel zeigten viele der neuen Messinstrumenten den Wert Null. Warum? Weil die Messung verlangt, dass Material gleichzeitig in einem Kreis fließt (wie bei Wasser). Da der Lkw aber nur nacheinander fährt, gab es keinen „gleichzeitigen Kreis".
• Die Erkenntnis: Das ist keine schlechte Nachricht, sondern eine wichtige Warnung! Es zeigt, dass unser Modell sehr empfindlich ist. Um die Kreislaufwirtschaft wirklich zu verbessern, müssten wir sicherstellen, dass Transporte so getaktet sind, dass sie sich überschneiden (z. B. mehrere Lkws gleichzeitig unterwegs), damit der Kreislauf „lebendig" wird.

5. Warum ist das wichtig? (Der große Vorteil)

Der Autor vergleicht seine Methode mit dem alten Weg (MFA):

• Der alte Weg (MFA): Um zu verstehen, was in 290 Minuten passiert, müsste man jede Minute einen Datenpunkt aufschreiben. Das wären über 2.600 Datenpunkte! Das ist wie ein Video, bei dem man jeden einzelnen Pixel speichert – extrem viel Speicherplatz nötig.
• Der neue Weg (TMN): Der Autor braucht nur 34 Parameter (wie die Fahrzeit des Lkws, die Menge der Ladung). Das ist wie eine Partitur für ein Musikstück. Man braucht nicht jedes einzelne Geräusch aufzuzeichnen, sondern nur die Regeln, nach denen die Musik gespielt wird.
• Vorteil: Man braucht viel weniger Daten, um ein genaueres, dynamisches Bild zu bekommen. Man kann Szenarien durchspielen („Was passiert, wenn wir zwei Lkws statt einem einsetzen?"), ohne jahrelange historische Daten sammeln zu müssen.

Fazit

Diese Arbeit ist wie der Bau eines neuen Kompasses für die Kreislaufwirtschaft.
Bisher haben wir nur geschaut, wie viel Müll wir produzieren (die statische Landkarte). Jetzt haben wir ein Werkzeug, um zu sehen, wie die Dinge fließen und wie schnell sie sich im Kreis bewegen (das dynamische Netzwerk).

Die Botschaft ist klar: Um eine echte Kreislaufwirtschaft zu schaffen, reicht es nicht, nur zu recyceln. Wir müssen die Prozesse so designen, dass die Flüsse der Materialien sich wirklich überschneiden und geschlossene Kreise bilden – und zwar so dynamisch, dass wir sie in Echtzeit verstehen und steuern können.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Circularity of Thermodynamical Material Networks: Indicators, Examples, and Algorithms" von Federico Zocco auf Deutsch.

1. Problemstellung

Der Übergang von einer linearen Wirtschaft („Take-Make-Dispose") zu einer Kreislaufwirtschaft (Circular Economy) ist dringend notwendig, um die Erschöpfung endlicher Ressourcen und die Umweltbelastung durch Abfall zu vermeiden. Ein zentrales Hindernis für die Optimierung von Kreislaufsystemen ist jedoch das Fehlen klar definierter, mathematisch fundierter Indikatoren für die „Circularität" (Kreislaufförmigkeit) von Materialströmen.

Bestehende Ansätze leiden unter zwei Hauptmängeln:

1. Fehlende physikalisch-mathematische Basis: Viele vorgeschlagene Indikatoren basieren auf rein algebraischen Gleichungen oder qualitativen Bewertungen ohne strenge physikalische Fundierung, was Vergleichbarkeit und Wiederholbarkeit erschwert.
2. Unzureichende Betrachtung dynamischer Systeme: Die meisten Modelle nutzen statische Bestands- und Flussdaten (Material Flow Analysis, MFA). In der Realität unterliegen Materialbestände und -flüsse jedoch hochdynamischen Veränderungen (oft innerhalb von Minuten), die statische Modelle nicht erfassen können. Zudem fokussieren viele Indikatoren nur auf einzelne Lebenszyklusphasen oder wirtschaftliche Werte, nicht aber auf den geschlossenen Materialfluss als Ganzes.

2. Methodik: Thermodynamische Materialnetzwerke (TMNs)

Das Paper schlägt einen neuartigen Ansatz vor, der Thermodynamische Materialnetzwerke (TMNs) mit der Graphentheorie kombiniert.

• Konzept der TMNs: Ein Materialnetzwerk wird als eine Menge verbundener thermodynamischer Kompartimente modelliert. Diese Kompartimente speichern, transportieren, nutzen oder transformieren Materialien. Die Dynamik wird durch Differentialgleichungen (für kontinuierliche Ströme, z. B. Flüssigkeiten) oder hybride Gleichungen (für diskrete Chargen, z. B. Feststoffe) beschrieben, die auf Massenbilanzen und thermodynamischen Gesetzen basieren.
• Graph-Theoretische Formalisierung: Das Netzwerk wird als gewichteter gerichteter Graph (Digraph) dargestellt:
  • Knoten (Nodes): Repräsentieren Kompartimente, die Material speichern (Bestände, $m_k$).
  • Kanten (Arcs): Repräsentieren Kompartimente, die Material zwischen Knoten transportieren (Massenströme, $\dot{m}_{i,j}$).
  • Gewichtung: Die Knoten sind mit dem Materialbestand gewichtet, die Kanten mit der Massenflussrate.
• Indikator-Entwicklung: Basierend auf der Graphentheorie werden spezifische Indikatoren entwickelt, um die Circularität zu quantifizieren. Ein geschlossener Materialfluss entspricht einem gerichteten Zyklus im Graphen.

Die entwickelten Indikatoren umfassen:

1. Zyklus-basierte Indikatoren (Maße für den geschlossenen Fluss):
   • Geometrisches, harmonisches und arithmetisches Mittel der Ströme innerhalb eines Zyklus.
   • Skalierte Indikatoren ($\lambda_{GS}, \lambda_{HS}, \lambda_{AS}$): Verhältnis der Zyklus-Ströme zur Summe aller Ströme (Werte zwischen 0 und 1; 1 bedeutet vollständige Geschlossenheit).
   • Totale Indikatoren ($\lambda_{GT}, \lambda_{HT}, \lambda_{AT}$): Summe der Zyklus-Ströme ohne Normalisierung.
2. Topologie-basierte Indikatoren:
   • Durchschnittliche Konnektivität ($\lambda_C$), Zyklizität ($\lambda_Y$, Anzahl der Zyklen), Fluss-Sharing ($\lambda_S$, Ströme in mehreren Zyklen) und Richtungsabhängigkeit ($\lambda_D$).
3. Auxiliare Indikatoren: Gesamtbestand ($\theta_S$), Gesamtfluss ($\theta_F$), Bestandsverteilung ($\theta_D$) und Akkumulationsvektor ($\theta_A$).

3. Wichtige Beiträge

1. Physikalische Fundierung: Erstmals wird Circularität durch graphentheoretische Indikatoren auf Basis thermodynamischer Materialnetzwerke formalisiert, was eine klare, wiederholbare und vergleichbare Messung ermöglicht.
2. Dynamische Modellierung: Der Ansatz erlaubt die Abbildung hochdynamischer Materialbestände und -flüsse (Änderungen in < 1 Minute), was mit herkömmlichen statischen MFA-Methoden nur mit extrem hohem Datenaufwand möglich wäre.
3. Algorithmische Umsetzung: Es werden Algorithmen (in MATLAB implementiert) bereitgestellt, um die Indikatoren für statische, kontinuierlich-dynamische und hybride dynamische Systeme zu berechnen.
4. Unterscheidung nach Materialtyp: Das Paper behandelt explizit die Unterschiede in der Modellierung von Flüssigkeiten (kontinuierliche Differentialgleichungen) und Feststoffen (hybride diskret-kontinuierliche Gleichungen für Chargen).

4. Ergebnisse und Fallstudien

Das Paper validiert die Methode anhand dreier numerischer Beispiele:

• Beispiel 1 (Flüssigkeiten, nicht-physikalisch): Eine Simulation zeigt, dass bei Verletzung des Massenerhaltungssatzes (konstante Bestände trotz variierender Flüsse) die Indikatoren irreführende oder nicht-physikalische Werte liefern. Dies unterstreicht die Notwendigkeit strikter Massenbilanzen.
• Beispiel 2 (Flüssigkeiten, korrigiert): Durch die Erzwingung der Massenerhaltung (dynamische Bestände, die sich aus den Flussdifferenzen ergeben) werden realistische, zeitvariierende Bestände und korrekte Indikatorenwerte berechnet.
• Beispiel 3 (Feststoffe, Plastik-Recycling): Ein detailliertes Modell für PET, HDPE und PP in einer Lieferkette (Hersteller -> Organisation -> Recycling -> Organisation).
  • Modellierung: Verwendung hybrider Gleichungen, um den Transport in Chargen (LKW-Fahrten) und die Recyclingzeiten abzubilden.
  • Ergebnis: In diesem spezifischen Szenario waren die zyklusbasierten Indikatoren ($\lambda_{GS}, \lambda_{Y}$, etc.) gleich Null.
  • Ursache: Da die Transporte als diskrete Chargen zu unterschiedlichen Zeitpunkten stattfanden, gab es keine gleichzeitigen Ströme in einem geschlossenen Kreislauf (kein Überlappen von Hin- und Rückfluss im selben Zeitfenster).
  • Implikation: Dies zeigt eine Limitierung der aktuellen Indikatoren für diskrete Chargensysteme auf und verdeutlicht, dass eine echte Circularität in der Praxis oft durch parallele Transporte (mehrere LKWs gleichzeitig) erreicht werden muss, um die Indikatoren zu aktivieren.

5. Bedeutung und Ausblick

• Effizienz: Der TMN-Ansatz benötigt deutlich weniger Daten als eine traditionelle MFA. Im Feststoff-Beispiel reichten 34 Parameter aus, um die Dynamik abzubilden, während eine MFA mit 1-Minuten-Auflösung über 2.600 historische Datenpunkte pro Materialart benötigt hätte, um dieselben Ereignisse zu erfassen.
• Design-Tool: TMNs verschieben den Fokus von der reinen Analyse historischer Daten hin zum aktiven Design von Kreislaufsystemen, analog zur Auslegung thermodynamischer Kreisläufe oder elektrischer Netze.
• Zukünftige Arbeiten: Die Autoren schlagen vor, die Indikatoren so zu erweitern, dass sie auch Ströme innerhalb eines festen Zeitfensters (z. B. eines Tages) bewerten, anstatt nur simultane Ströme zu fordern, um die Anwendbarkeit auf diskrete, batch-basierte Systeme (wie Feststofftransporte) zu verbessern.

Fazit: Das Paper liefert einen rigorosen, mathematischen Rahmen zur Quantifizierung der Circularität, der physikalische Gesetze (Massenerhaltung) mit Graphentheorie verbindet und damit eine präzisere Grundlage für das Design nachhaltiger Materialnetzwerke schafft.