Gør genbrug mere omkostningseffektivt med AI: Indsigt fra NIST-forskning

Genbrug kan være en betydelig udgift for lokale myndigheder, men kunstig intelligens kan hjælpe med at reducere disse omkostninger og potentielt øge genanvendelsesprocenterne. Forskere ved NIST arbejder på at gøre genbrug mere effektivt og billigere.

Har du nogensinde spekuleret på, hvad der sker med din plastik, efter du har smidt den i "papirkurven"?

Dette spørgsmål er dukket meget op i nyhederne på det seneste.

Svaret er ret komplekst. Det afhænger af, hvor du bor, og hvilken type plastik, du har smidt ud.

Indsamling af genbrugsmaterialer er en stor omkostning for lokale myndigheder. De har brug for at vedligeholde faciliteter til at behandle plast, samt lastbiler og skraldespande til at indsamle dem. De skal også ansætte folk til at udføre arbejdet. Det ville være meget billigere bare at dumpe alt på lossepladser.

Men når lokale myndigheder genbruger, kan de forvandle affald til kontanter, hvis de har den rigtige infrastruktur. De kan opveje nogle omkostninger ved at sælge indsamlet plast tilbage til producenterne. De fleste producenter ønsker, at genbrugsplast skal være næsten så godt som nyt, hvilket kræver omhyggelig sortering for at give ensartede produkter.

For de fleste ser al plastik ens ud. Men skarpe øjne ved, at der er syv almindelige typer plastik. Du kan identificere dem ved de små genbrugssymboler i bunden af næsten alle plastikbeholdere. Disse tal hjælper med at identificere den kemiske sammensætning af disse plastik. Du har måske bemærket dem, når du sorterer dit eget genbrug.

Her er en oversigt over nogle af disse materialer:

Materiale	Almindelige anvendelser	Genbrugskode
Polyethylenterephthalat	Sodavandsflasker, vandflasker	1 – PETE
Polyethylen med høj densitet	Mælkekander, opvaskemiddelflasker	2 – HDPE
Polyvinylchlorid	Rør, badeforhæng	3 - PVC
Polyethylen med lav densitet	Købmandsposer, sandwichposer	4 – LDPE
Polypropylen	Takeaway beholdere, yoghurt kopper	5 – PP
Polystyren	Engangs kaffekopper	6 – PS
Andre	Sikkerhedsbriller, dvd'er, mange genanvendelige vandflasker	7 – Andet

Sortering af disse plastik er afgørende. Forskellige typer plast med lignende egenskaber kan ofte ikke blandes, fordi de kræver forskellige smelteprocesser.

Tag PVC, for eksempel. Det bruges i alt fra rør til badeforhæng. Smeltet PVC producerer en stærk syre, der er nyttig i mange industrielle anvendelser. Men som mange andre syrer er det ikke noget, du vil lave uventet.

Polyolefiner, en gruppe af plast, herunder HDPE (bruges i mælkekander), LDPE (bruges i plastikposer) og PP (bruges i takeout-beholdere), giver et mildere eksempel. Disse plastik udgør ca 40% af verdens plastikproduktion. De er også nogle af de sværeste at sortere.

Den type plast, der bruges i mælkekander, kræver høje temperaturer for at smelte og oparbejde på grund af dens krystallinske struktur. Men hvis plastikposer bliver blandet ind, nedbrydes disse poser ved disse høje temperaturer. Så hvis en plastikpose bliver blandet i mælkekander, kan det resultere i et parti ufarvede, ubrugelige mælkekander. Denne forarbejdningsrisiko er en af grundene til, at du ikke ser mange mælkekander lavet af genbrugsplast.

Derudover, hvis nogle højtemperaturstabile materialer fra takeout-beholdere ender på en plastikposebehandlingslinje, kan du se maskintræsko.

Arbejdere på Montgomery County Genbrugscenter sorterer materialer til genbrug.

I teorien kan du nemt sortere plastikaffald ved at bruge de små genbrugssymboler. Derefter kan du sælge disse sorterede plastik til sekundære genbrugere, som omdanner dem til produkter.

Prisen afhænger af plastens formodede renhed. Et stort bundt orange vaskemiddelflasker kan sælges til en høj pris, fordi de er nemme at vælge ud. Dog kan en bunke takeaway-beholdere let blive blandet med forskellige farver eller tilsætningsstoffer.

På det lokale genbrugsanlæg i Montgomery County, Maryland, sorterer folk manuelt rengøringsmiddelflasker, madbeholdere og meget mere. Hænder og øjne kan dog kun bevæge sig så hurtigt, og det er nemt at lave fejl med den hastighed. Så genbrugsfaciliteter fokuserer på at sortere højværdi eller let-at-identificere plast for at opretholde ensartethed, når de sælges til sekundære genbrugere. Det betyder, at vaskemiddelflasker og drikkevarebeholdere bliver genbrugt til høje priser. Dit plastik-"bestik" og gamle børnelegetøj er måske ikke.

For at hjælpe sorteringen har vores arbejde hos NIST fokuseret på at bruge nær infrarødt (NIR) lys, en teknologi, der hurtigt kan identificere forskellige plasttyper. Nogle topgenbrugsanlæg bruger allerede lys eller kameraer til at "se" og sortere sodavandsflasker fra PVC-rør.

Men disse systemer kan ikke sortere alt. Min forskning fokuserer på at skabe en metode til at hjælpe med at sortere det mest udfordrende plastik, så genbrugere kan tjene penge.

Hvordan vi gør genbrug mere effektivt

Med dette i tankerne så vores team på denne NIR-metode og besluttede at forbedre den med maskinlæringsalgoritmer og andre videnskabelige teknikker.

I infrarød spektroskopi skinner du forskellige bølgelængder af lys på nogle molekyler. Disse molekyler absorberer en del af lysets energi ved bestemte bølgelængder og reflekterer eller transmitterer resten.

En måde at tænke dette på er med blomster og farver. For eksempel, når mange bølgelængder af lys fra solen skinner på en rød rose, er rosen meget god til at absorbere enhver bølgelængde/farve undtagen rød. Det røde lys reflekteres fra kronbladene, hvorfor rosen fremstår rød for os.

Hvis vi kender farven og intensiteten af det lys, vi skinner på en blomst eller plastikflaske, og den farve/intensitet, vi får tilbage, kan vi bruge forskellene til at identificere flere af disse blomster eller flasker, som et fingeraftryk.

Ved hjælp af maskinlæring kan vi finde NIR-fingeraftryk af mange plastmaterialer. Derefter "træner" vi computere til at identificere plast baseret på nye NIR-signaler sammenlignet med andre plasters NIR-signaler. Denne træning hjælper teknologien med at genkende materialer i sodavandsflasker, forstå, hvordan de adskiller sig fra takeout-beholdere og adskille dem i overensstemmelse hermed.

I vores første papir brugte vi maskinlæring til at forbinde vores plastiksignaler til visse egenskaber (som hvor tæt og krystallinsk polyethylen er). Typisk måler man densitet ved at veje plast i forskellige væsker og sammenligne forskelle. Det er en meget langsom og kedelig proces.

Vi viste dog, at du kan finde næsten den samme information ved at bruge reflekteret lys - meget hurtigere. På en genbrugslinje er tiden afgørende.

Du kan anvende denne metode til store og små prøver. Det er fedt, fordi det viser, at hvis vi sætter tingene omhyggeligt op, kan vi få mere information fra disse lysbaserede målinger.

Dette er stadig meget indledende arbejde og gælder ikke for alle typer plast endnu. Så vi kan ikke bare kaste lys over enhver plastik og kende dens nøjagtige egenskaber, men det er en spændende start. Hvis vi kan skalere det op, kan det spare genbrugere og producenter for en masse tid og kræfter i kvalitetskontroltrin.

Siden jeg udgav dette arbejde, har jeg dykket ned i, hvordan man håndterer alle data fra disse målinger. Du ender med meget forskellige data baseret på formen af plastikken, og om prøven er en pellet, et pulver eller en flaske.

Det skyldes, at lys stadig reflekterer, men det reflekteres i forskellige retninger afhængig af plastikkens form. Forestil dig reflektionerne på en klar dam kontra en dam med mange krusninger. Derefter kan du tilføje pigmenter og konserveringsmidler, der virkelig kan ændre signalet. Dette gør ikke dataene forkerte, men det kan påvirke sorteringen. Du kan tænke på det som at kategorisere billeder af mennesker i sort/hvid versus de samme mennesker i sort/hvid, farver, tegneserier og malerier.

For at tackle dette har holdet udvidet vores datasæt, og jeg kigger på matematiske rettelser til at placere pulvere, pellets og farvet plast på samme spilleplads. Hvis vi kan gøre dette, bliver det lettere at identificere, hvilken plast der er ved hjælp af maskinlæring.

For at gøre denne forskning mere bredt anvendelig, arbejder jeg på at vise, at vi kan sortere de vanskelige polyolefiner. Ved at bruge min nuværende metode har vi nået 95% til 98% nøjagtighed ved sortering af disse plastik. Vi gør dette med processer, som næsten ethvert genbrugsanlæg udstyret med NIR hurtigt kan begynde at bruge.

Mange genbrugsanlæg bruger måske allerede lignende algoritmer, men dette arbejde giver et ekstra niveau af raffinement, der fokuserer specifikt på vanskelige at sortere polyolefiner.

Hvis vi effektivt kan sortere disse, kan vi genbruge dem med færre forarbejdningsproblemer, hvilket gør genbrug mere rentabelt. Så kan overskud forhåbentlig drive bedre genbrugsvaner, og vi kan begynde at gøre vores lineære økonomi til en cirkulær.

Genbrug som et puslespil, der skal løses

Jeg er en problemløser og springer fra det ene puslespil til det andet.

Udover polymerforskning, har jeg arbejdet på lægemiddelleveringssystemer til kræft i æggestokkene, og nu bruger jeg kunstig intelligens (AI) og maskinlæring.

Jeg elsker at gøre godt og samtidig løse komplekse problemer. Bæredygtighed og biovenlige materialer har været et smukt tema gennem hele min forskerkarriere.

Du kan i første omgang ikke se sammenhængen mellem biomedicinsk forskning og plastik. Men lægemiddelleveringssystemer kan hjælpe med at skabe virkelig fede materialer med applikationer ud over medicin. Plastarbejde kan også forbedre vores forståelse af DNA, proteiner og kollagen i vores kroppe.

Nu, med eksplosionen af AI, har vi nye værktøjer til at lave materialeforskning hurtigere og mere effektivt. Det er en spændende tid inden for bæredygtige materialer!

Fremtiden af Sortering Forskning

Jeg er i øjeblikket ved at afslutte en to-årig kontrakt hos NIST og leder efter det næste puslespil at løse.

Jeg planlægger dog at forblive forbundet med NIST som en affiliate for at hjælpe andre forskere med at bruge mine teknikker.

Jeg håber at hjælpe det bredere genbrugsfællesskab med at bruge dataanalyse til at forbedre vores genbrug og hjælpe med at rydde op på vores planet.