Stahl ist ein langlebiges Material und in allen Phasen des Produktlebenszyklus zu 100 % recycelbar. Bei sachgemäßer Aufbereitung bewahrt Stahlschrott weitgehend seine Eigenschaften. Angesichts des Wandels der Branche hin zu einer kohlenstoffarmen Stahlproduktion gewinnt die Anwendung technologischer Innovationen, auch im Hinblick auf die Verwertung von Schrott und hier auch Altschrotten, zunehmend an Bedeutung. Eine genaue chemische Analyse der Schrottzusammensetzung ermöglicht es, Fremd- oder Legierungselemente als Ressourcen zu nutzen, anstatt sie als Verunreinigungen zu betrachten. Diese Studie präsentiert ein Konzept der Integration einer optisch-spektroskopischen Sensorkette zur Schrottcharakterisierung in einen bestehenden Schrottaufbereitungsprozess. Röntgenfluoreszenzspektroskopie (XRF) und laserinduzierte Plasmaspektroskopie (eng. laser-induced breakdown spectroscopy – LIBS) dienen der chemischen Analyse und bilden zusammen mit optischen Sensoren, RGB-D-Kameras sowie Lichtdetektion und -entfernungsmessung (eng. light detection and ranging – LiDAR) die Grundlage für die gleichzeitige Bestimmung von Materialvolumen und -masse sowie die Bewertung des Vorhandenseins bestimmter Begleitelemente. Ein Konzept zur Übertragung, Synchronisierung und Zusammenführung großer Datenmengen wird vorgestellt, um ein maschinelles Lernmodell zur Unterstützung der Schrottcharakterisierung zu entwickeln. Erste Ergebnisse zeigen das Potenzial von KI für die Digitalisierung in der nachhaltigen Stahlherstellung. Zur erfolgreichen Implementierung dieser Technologien in Unternehmen und zur Sicherstellung der Akzeptanz bei den Mitarbeiter:innen müssen sich deren Kompetenzen weiterentwickeln. Die Belegschaft muss entsprechend vorbereitet und bereit sein, neue Herausforderungen und Lernmöglichkeiten anzunehmen. Aus soziotechnischer Sicht kann die Einführung solcher Technologien nur durch die gemeinsame Optimierung von Menschen, Technologie und Organisation optimal erfolgen.

Steel is a durable material and is 100% recyclable from all stages of a product’s life. When steel scrap is properly processed, it retains most of its properties. With the transformation of the industry towards low-carbon steel production, the adoption of new technological innovations, also regarding the utilisation of scrap, including post-consumer scrap, is of great importance. An accurate chemical analysis of the scrap composition enables tramp- or alloying elements to be used as resources instead of being considered impurities. This work presents a concept to integrate an optical-spectroscopic sensor chain for scrap characterisation into an existing scrap preparation process. X‑Ray Fluorescence (XRF) and laser-induced breakdown spectroscopy (LIBS) are used for chemical analysis and are coupled with optical sensors, RGB‑D camera and Light Detection and Ranging (LiDAR), to simultaneously determine the material volume and mass and asses the presence of some tramp elements. A concept for transferring, synchronising and merging large amounts of data is outlined to develop a machine learning model to support scrap characterisation. First results demonstrate the potential of AI to advance digitalisation in sustainable steelmaking. In order to successfully implement these technologies in companies and to ensure acceptance among employees, their skills must be further developed. The workforce accordingly needs to be prepared and ready to embrace new challenges and learning opportunities. From a socio-technical perspective, such technology can only be introduced optimally through the joint optimisation of people, technology and organisation.