Durch den Klimawandel wird die Bedeutung der nachhaltigen Nutzung und Schonung von Rohstoffen, Reduzierung von Schadstoffen und Recycling immer größer. Moderne Abfallver­brennungsanlagen unterstützen und erfüllen die in dem Kreislaufwirtschaftsgesetz festge­legten Bedingungen zur Behandlung von Abfällen. Gemäß den Klimaschutzplänen des Bun­desumweltministeriums zur Dekarbonisierung der Sektoren Wärme, Strom und Kraftstoff können Abfallverbrennungsanlagen einen wichtigen Beitrag durch die Herstellung von Bio­energie leisten. Denn durch die thermische Verwertung des Abfalls werden Elektrizität und Wärme erzeugt, die im Abfall enthaltenen Schadstoffe gemindert und das Abfallvolumen re­duziert. Trotz moderner Regel-, Automatisierungs- und Messtechnik ist die effiziente und optimale Betreibung einer Abfallverbrennungsanlage unter Einhaltung der Anforderungen wie Ver­brennungstemperaturen, Verweilzeiten und Emissionsgrenzwerte gemäß der 17. Verordnung zur Durchführung des Bundes-Immissionsschutzgesetzes (BImSchV) aufgrund der Inhomoge­nität der Abfallzusammensetzung immer noch eine verfahrenstechnische Herausforderung. In dieser Forschungsarbeit wird ein KI-Modell einer Abfallverbrennungsanlage auf Basis mo­derner KI-Algorithmen wie Maschinelles Lernen und Neuronale Netze entwickelt, welches die Prozesse einer Abfallverbrennungsanlage lernt und neue Zusammenhänge zwischen den Zielgrößen Verbrennung, Verschmutzung, Durchsatz, Emissionen und Wirkungsgrad liefert. Anschließend werden die wissenschaftlich validierten Erkenntnisse mit Hilfe eines eigen entwickelten Standardverfahrens in den konventionellen regelungs- und steuerungstechni­schen Prozess der Anlage integriert, um eine Vektoroptimierung zu lösen. Das KI-Modell wird mit Hilfe der Programmiersprache Python entwickelt. Durch die Art der Überwachung der Daten kann Ma­schinelles Lernen in vier große Bereiche eingeteilt werden:
► überwachtes Lernen,
► unüberwachtes Lernen,
► halbüberwachtes Lernen und
► Reinforcement Learning.

Die oben genannten Lernarten werden im Zusammenhang mit dem Forschungsziel unter­sucht. Dabei werden die Stärken und Schwächen einzelner Algorithmen nach bestimmten Qualitätskriterien erarbeitet, sodass das validierte KI-Modell eine Kombination aus allen KI-Algorithmen darstellt.