MR-assistiertes Urban Mining 

1. Zielsetzung und Innovationsgehalt

Urban Mining ist ein zentraler Hebel für Kreislaufwirtschaft, Ressourceneffizienz und nachhaltiges Bauen. In der Praxis bestehen jedoch hohe Unsicherheiten bei der Bewertung verbauter Materialien, da interne Strukturen von Bauwerken, Materialqualitäten und Prozesskosten nicht zuverlässig erfasst werden können. MIRAKEL entwickelt ein digitales Assistenzsystem, das Fachleuten ermöglicht, diese Unsicherheiten nachhaltig zu reduzieren, indem es Mixed Reality-Erfassung, KI-gestützte Bewertung, standardisierte Prozesse und dynamische Handlungsempfehlungen kombiniert. Somit entsteht ein praxisnahes Werkzeug zur fundierten Abschätzung von Wirtschaftlichkeit, Materialwerten, Kosten und Umweltauswirkungen – eine starke Innovation für kreislauforientierte Bauprozesse.

2. Problemstellung

Die Herausforderung besteht darin, dass interne Strukturinformationen von Bauobjekten nach außen hin häufig nicht erkennbar sind, wodurch eine fundierte Bewertung erschwert wird. Zusätzlich sind die Prozesse zur Extraktion und Wiederverwertung komplex sowie uneinheitlich gestaltet. Die Materialqualitäten variieren stark und erfordern geprüfte Einschätzungen. Ein zentrales Hindernis, das Entscheidungen verzögert, ist die Unsicherheit über den Wert anthropogener Lager im Vergleich zu den Extraktions- und Prüfkosten.

3. Ansatz und Methodik

Der Ansatz kombiniert mehrere Methoden. Die MR-gestützte Datenerfassung & Klassifizierung ermöglicht interaktive Bestandsaufnahmen von Bauelementen und Materialien in Mixed Reality und automatisierter, bildbasierter Bauteilklassifizieung mit direkter Vernetzung in BIM-Umgebungen. Eine KI-basierte Bewertung nutzt Deep Learning-Modelle, um automatisierte Einschätzungen zu Materialwerten, Prozesskosten und Zeit zu liefern, basierend auf dem Urban Mining Index und historischen Auftragsdaten. Durch Explainable AI & Interaktives Lernen wird Fachwissen vor Ort in die Modelle integriert, wodurch Empfehlungen nachvollziehbar und adaptiv werden. Ein Knowledge Graph dient der strukturierten Verknüpfung von Bestands-, Prozess-, Kosten- und Nachhaltigkeits-Daten zur Abbildung komplexer Zusammenhänge. Ergänzt wird dies durch Handlungsempfehlungen, die eine dynamische Priorisierung von Prüfschritten und Entscheidungsunterstützung für Prozessschritte (wie Materialgüteprüfung oder Verwertungsstrategie) bieten.

4. Erwartete Ergebnisse und Wirkungen

Als direktes Projektergebnis wird der Prototyp eines MR- und KI-gestützten Assistenzsystems für die Anwendung im Urban Mining Bereich erwartet. Darüber hinaus entstehen standardisierte Verfahren zur schnellen und kostengünstigen Ersterfassung von Bauobjekten sowie ein Knowledge Graph zur Abbildung von Prozessen und zur Unterstützung von Entscheidungsfindungen.

Weiterhin trägt das Projekt auf gesellschaftlicher und ökologischer Ebene zur Förderung der Kreislaufwirtschaft im Bauwesen durch eine verbesserte Ressourcennutzung bei. Es soll die Entscheidungsprozesse von Bauherr:innen, Planer:innen und Rückbauunternehmen verbessern und so die Erreichung von ESG-Zielen in Immobilienportfolios durch die Bereitstellung einer belastbaren Datenbasis unterstützen.