Aluminium (Al) spielt eine bedeutende Rolle in der Kreislaufwirtschaft und trägt aufgrund seiner unbegrenzten Recycelbarkeit ohne Verlust seiner Eigenschaften sowie einer Energieeinsparung von bis zu 95\% im Vergleich zur Primärproduktion zu einer nachhaltigen Zukunft bei. Beim Recycling durch konventionelle, auf Wiederaufschmelzen beruhende Recyclingverfahren sind Aluminiumspäne, die während der Materialverarbeitung anfallen, nur schwer wiederverwertbar. Das liegt daran, dass sie oft mit schwer schmelzbaren Oxidschichten bedeckt sind und schädliche Verunreinigungen enthalten können. Solche Oxide können Spannungsintensitäten hervorrufen und Defekte initiieren. Die Verarbeitung ohne Aufschmelzen durch die Reibextrusion (FE) ist eine vielversprechende Recyclingtechnologie, bei der die Reibungsenergie Wärme erzeugt, die Al-Späne konsolidiert und samt Oxiden zerkleinert. FE kann auch die Bildung schädlicher Einschlüsse und intermetallischer Verbindungen unterdrücken, die häufig beim Aufschmelzen entstehen, und Al-Späne mit Verstärkungspartikeln zu Metallmatrix-Verbundwerkstoffen aufwerten, wie in diesem Projekt angestrebt. Die Bestimmung von Struktur-Eigenschaftsbeziehungen mithilfe von mikromechanischen Modellen der Kristallplastizität ermöglicht es, die Auswirkungen von Oxiden auf die mechanischen Eigenschaften von recyceltem und upcyceltem Al zu quantifizieren. Diese Modelle benötigen 3D Mikrostrukturen, deren experimentelle Ermittlung teuer und zeitaufwändig ist. Generative künstliche Intelligenz und stochastische Geometrie bieten flexible Werkzeuge, um diese Einschränkungen zu überwinden, indem leichter verfügbare 2D-Bilddaten einer relativ kleinen Anzahl von Proben genutzt werden, um parametrische Modelle zu kalibrieren, welche die Erzeugung virtueller, aber realistischer 3D Mikrostrukturen ermöglichen. In diesem Projekt werden experimentell gemessene Daten von recyceltem Al, parametrische stochastische 3D-Modellierung und numerische Simulation von mechanischen Eigenschaften miteinander kombiniert, um Prozess-Struktur-Eigenschaftsbeziehungen für FE-Prozesse verschiedener Ausgangsmaterialien in der Al-Produktion zu quantifizieren. Ziel ist es, eine experimentelle Grundlage für FE von Al-Spänen mit variierendem Oxidgehalt zu schaffen, um die Recyclingfähigkeit und Nachhaltigkeit zu verbessern. Gleichzeitig soll Aluminiumoxid als Verstärkung genutzt werden, um aufgewertete Materialien wie Metallmatrix-Verbundwerkstoffe herzustellen. Dabei wird eine Methodik zur quantitativen Charakterisierung von 3D-Mikrostrukturen mithilfe datengetriebener stochastischer Mikrostrukturmodelle in Kombination mit generativen Netzwerken entwickelt, um 3D-Mikrostrukturen auf Basis von 2D-Bilddaten vorherzusagen. Nach der Etablierung quantitativer Prozess-Struktur-Eigenschaftsbeziehungen wird eine inverse Designstrategie entwickelt, um Prozessparameter zu identifizieren, die zu gewünschten Mikrostrukturen mit maßgeschneiderten mechanischen Eigenschaften führen.