Recycling mit KI kostengünstiger gestalten: Erkenntnisse aus der NIST-Forschung

Recycling kann für lokale Behörden eine erhebliche Ausgabe darstellen, aber KI könnte helfen, diese Kosten zu senken und möglicherweise die Recyclingquoten zu erhöhen. Forscher am NIST arbeiten daran, das Recycling effizienter und kostengünstiger zu machen.

Haben Sie sich jemals gefragt, was mit Ihrem Kunststoff passiert, nachdem Sie ihn in die „Recyclingtonne“ geworfen haben?

Diese Frage tauchte in letzter Zeit häufig in den Nachrichten auf.

Die Antwort ist ziemlich komplex. Es hängt davon ab, wo Sie leben und welche Art von Kunststoff Sie weggeworfen haben.

Das Sammeln von wiederverwertbarem Material ist für die Kommunen mit enormen Kosten verbunden. Sie müssen Anlagen zur Verarbeitung von Kunststoffen sowie Lastwagen und Behälter für die Abholung unterhalten. Außerdem müssen sie Leute für diese Arbeit einstellen. Es wäre viel billiger, einfach alles auf Mülldeponien zu entsorgen.

Wenn lokale Behörden jedoch über die richtige Infrastruktur verfügen und recyceln, können sie aus ihrem Müll Geld machen. Sie können einige Kosten decken, indem sie gesammelte Kunststoffe an Hersteller zurückverkaufen. Die meisten Hersteller wollen recycelte Kunststoffe, die fast so gut sind wie neu, was eine sorgfältige Sortierung erfordert, um gleichbleibende Produkte zu liefern.

Für die meisten Menschen sehen alle Kunststoffe gleich aus. Aber wer genau hinsieht, weiß, dass es sieben gängige Kunststoffarten gibt. Sie können sie an den kleinen Recyclingsymbolen auf der Unterseite fast aller Kunststoffbehälter erkennen. Diese Nummern helfen dabei, die chemische Zusammensetzung dieser Kunststoffe zu identifizieren. Vielleicht sind sie Ihnen beim Sortieren Ihres eigenen Recyclingmülls aufgefallen.

Hier ist eine Aufschlüsselung einiger dieser Materialien:

Material	Allgemeine Verwendung	Recyclingcode
Polyethylenterephthalat	Sodaflaschen, Wasserflaschen	1 – PETE
Polyethylen mit hoher Dichte	Milchkannen, Waschmittelflaschen	2 – HDPE
Polyvinylchlorid	Rohre, Duschvorhänge	3 – PVC
Polyethylen niedriger Dichte	Einkaufstüten, Sandwichbeutel	4 – LDPE
Polypropylen	Take-away-Behälter, Joghurtbecher	5 – PP
Polystyrol	Einweg-Kaffeebecher	6 – PS
Andere	Schutzbrillen, DVDs, viele wiederverwendbare Wasserflaschen	7 – Sonstiges

Die Sortierung dieser Kunststoffe ist von entscheidender Bedeutung. Verschiedene Kunststoffarten mit ähnlichen Eigenschaften können oft nicht gemischt werden, da sie unterschiedliche Schmelzprozesse erfordern.

Nehmen wir zum Beispiel PVC. Es wird in allem verwendet, von Rohren bis zu Duschvorhängen. Geschmolzenes PVC erzeugt eine starke Säure, die in vielen industriellen Anwendungen nützlich ist. Aber wie bei vielen anderen Säuren ist es nichts, was man unerwartet herstellen möchte.

Ein milderes Beispiel sind Polyolefine, eine Gruppe von Kunststoffen, zu denen HDPE (in Milchkannen), LDPE (in Plastiktüten) und PP (in Take-away-Behältern) gehören. Diese Kunststoffe machen etwa 40% der weltweiten Kunststoffproduktion. Sie gehören auch zu den am schwierigsten zu sortierenden Kunststoffen.

Der in Milchkannen verwendete Kunststoff erfordert aufgrund seiner kristallinen Struktur hohe Temperaturen zum Schmelzen und Wiederverarbeiten. Wenn jedoch Verunreinigungen in Plastiktüten hineingelangen, zersetzen sich diese Tüten bei diesen hohen Temperaturen. Wenn also eine Plastiktüte mit Milchkannen vermischt wird, kann dies zu einer Charge verfärbter, unbrauchbarer Milchkannen führen. Dieses Verarbeitungsrisiko ist einer der Gründe, warum es nicht viele Milchkannen aus recyceltem Kunststoff gibt.

Wenn darüber hinaus hochtemperaturbeständige Materialien aus Take-away-Behältern in der Produktionsstraße für Plastiktüten landen, kann es zu Maschinenverstopfungen kommen.

Mitarbeiter des Montgomery County Recycling Center sortieren Materialien zum Recycling.

Theoretisch können Sie Plastikmüll ganz einfach mithilfe der kleinen Recyclingsymbole sortieren. Anschließend können Sie die sortierten Kunststoffe an Sekundärrecycler verkaufen, die sie in Produkte umwandeln.

Der Preis hängt von der angenommenen Reinheit des Kunststoffs ab. Ein großes Bündel orangefarbener Waschmittelflaschen lässt sich möglicherweise zu einem hohen Preis verkaufen, da man sie leicht erkennen kann. Ein Stapel Take-away-Behälter kann jedoch leicht mit verschiedenen Farben oder Zusatzstoffen vermischt sein.

In der örtlichen Recyclinganlage in Montgomery County, Maryland, sortieren die Leute Waschmittelflaschen, Lebensmittelbehälter und mehr manuell. Hände und Augen können sich jedoch nur mit einer gewissen Geschwindigkeit bewegen, und bei dieser Geschwindigkeit können leicht Fehler passieren. Daher konzentrieren sich Recyclinganlagen auf das Sortieren hochwertiger oder leicht zu identifizierender Kunststoffe, um beim Verkauf an sekundäre Recyclingunternehmen die Konsistenz zu wahren. Das bedeutet, dass Waschmittelflaschen und Getränkebehälter in hohem Maße recycelt werden. Ihr Plastik-„Besteck“ und altes Kinderspielzeug werden möglicherweise nicht recycelt.

Um die Sortierung zu erleichtern, konzentrierte sich unsere Arbeit am NIST auf die Verwendung von Nahinfrarotlicht (NIR), einer Technologie, mit der verschiedene Kunststoffe schnell identifiziert werden können. Einige der führenden Recyclinganlagen verwenden bereits Lichter oder Kameras, um Limonadenflaschen von PVC-Rohren zu „sehen“ und zu trennen.

Aber diese Systeme können nicht alles sortieren. Meine Forschung konzentriert sich auf die Entwicklung einer Methode, die dabei hilft, die schwierigsten Kunststoffe zu sortieren, damit Recyclingunternehmen Gewinne erzielen können.

Wie wir das Recycling effizienter machen

Vor diesem Hintergrund hat sich unser Team diese NIR-Methode angesehen und beschlossen, sie mit Algorithmen des maschinellen Lernens und anderen wissenschaftlichen Techniken zu verbessern.

Bei der Infrarotspektroskopie werden bestimmte Moleküle mit Licht unterschiedlicher Wellenlänge bestrahlt. Diese Moleküle absorbieren einen Teil der Lichtenergie bei bestimmten Wellenlängen und reflektieren oder übertragen den Rest.

Man kann sich das zum Beispiel anhand von Blumen und Farben vorstellen. Wenn beispielsweise viele Wellenlängen des Sonnenlichts auf eine rote Rose treffen, absorbiert die Rose alle Wellenlängen/Farben außer Rot. Das rote Licht wird von den Blütenblättern reflektiert, weshalb uns die Rose rot erscheint.

Wenn wir die Farbe und Intensität des Lichts kennen, das wir auf eine Blume oder Plastikflasche richten, und die Farbe/Intensität kennen, die wir zurückbekommen, können wir die Unterschiede nutzen, um mehrere dieser Blumen oder Flaschen zu identifizieren – wie bei einem Fingerabdruck.

Mithilfe von maschinellem Lernen können wir die NIR-Fingerabdrücke vieler Kunststoffmaterialien finden. Anschließend „trainieren“ wir Computer, Kunststoffe anhand neuer NIR-Signale zu identifizieren und sie mit den NIR-Signalen anderer Kunststoffe zu vergleichen. Dieses Training hilft der Technologie, Materialien in Limonadenflaschen zu erkennen, zu verstehen, wie sie sich von Take-away-Behältern unterscheiden, und sie entsprechend zu trennen.

In unserem ersten Artikel haben wir maschinelles Lernen verwendet, um unsere Kunststoffsignale mit bestimmten Eigenschaften zu verknüpfen (wie dicht und kristallin Polyethylen ist). Normalerweise misst man die Dichte, indem man Kunststoff in verschiedenen Flüssigkeiten wiegt und die Unterschiede vergleicht. Das ist ein sehr langsamer und langwieriger Prozess.

Wir haben jedoch gezeigt, dass man mithilfe von reflektiertem Licht fast dieselben Informationen erhalten kann – und zwar viel schneller. In einer Recyclinganlage ist Zeit ein entscheidender Faktor.

Sie können diese Methode auf große und kleine Proben anwenden. Das ist cool, weil es zeigt, dass wir bei sorgfältiger Einrichtung mehr Informationen aus diesen lichtbasierten Messungen erhalten können.

Dies ist noch eine sehr vorläufige Arbeit und gilt noch nicht für alle Kunststoffarten. Wir können also nicht einfach jeden Kunststoff untersuchen und seine genauen Eigenschaften kennen, aber es ist ein spannender Anfang. Wenn wir es hochskalieren können, könnte es Recyclern und Herstellern viel Zeit und Aufwand bei der Qualitätskontrolle ersparen.

Seit der Veröffentlichung dieser Arbeit habe ich mich damit beschäftigt, wie man mit all den Daten aus diesen Messungen umgeht. Je nach Form des Kunststoffs und je nachdem, ob es sich bei der Probe um ein Pellet, ein Pulver oder eine Flasche handelt, erhält man am Ende sehr unterschiedliche Daten.

Dies liegt daran, dass Licht zwar immer noch reflektiert wird, aber je nach Form des Kunststoffs in verschiedene Richtungen. Stellen Sie sich die Reflexionen auf einem klaren Teich im Vergleich zu einem Teich mit vielen Wellen vor. Dann können Sie Pigmente und Konservierungsmittel hinzufügen, die das Signal wirklich verändern könnten. Dadurch werden die Daten nicht falsch, aber die Sortierung kann beeinträchtigt werden. Sie können es sich so vorstellen, als würden Sie Fotos von Menschen in Schwarzweiß mit denen derselben Menschen in Schwarzweiß, Farbe, Comics und Gemälden vergleichen.

Um dieses Problem anzugehen, hat das Team unseren Datensatz erweitert, und ich suche nach mathematischen Lösungen, um Pulver, Pellets und farbige Kunststoffe auf die gleiche Stufe zu stellen. Wenn uns das gelingt, wird es einfacher, mithilfe von maschinellem Lernen zu erkennen, welcher Kunststoff welcher ist.

Um diese Forschung allgemeiner nutzbar zu machen, arbeite ich daran, zu zeigen, dass wir diese schwierigen Polyolefine sortieren können. Mit meiner aktuellen Methode haben wir eine Genauigkeit von 95% bis 98% beim Sortieren dieser Kunststoffe erreicht. Wir tun dies mit Verfahren, die fast jede mit NIR ausgestattete Recyclinganlage schnell einsetzen kann.

Viele Recyclinganlagen verwenden möglicherweise bereits ähnliche Algorithmen, diese Arbeit bietet jedoch eine zusätzliche Verfeinerungsebene und konzentriert sich speziell auf schwer zu sortierende Polyolefine.

Wenn wir diese Abfälle effektiv sortieren können, können wir sie mit weniger Verarbeitungsproblemen wiederverwenden, was das Recycling rentabler macht. Dann können die Gewinne hoffentlich zu besseren Recyclinggewohnheiten führen und wir können beginnen, unsere lineare Wirtschaft in eine Kreislaufwirtschaft umzuwandeln.

Recycling als Rätsel, das es zu lösen gilt

Ich bin ein Problemlöser, der von einem Rätsel zum nächsten springt.

Neben der Polymerforschung habe ich an Arzneimittelabgabesystemen für Eierstockkrebs gearbeitet und verwende jetzt künstliche Intelligenz (KI) und maschinelles Lernen.

Ich liebe es, Gutes zu tun und gleichzeitig komplexe Probleme zu lösen. Nachhaltigkeit und umweltfreundliche Materialien waren während meiner gesamten Forschungskarriere ein schönes Thema.

Vielleicht sehen Sie auf den ersten Blick nicht den Zusammenhang zwischen biomedizinischer Forschung und Kunststoffen. Aber Arzneimittelverabreichungssysteme können dabei helfen, wirklich coole Materialien zu entwickeln, die auch außerhalb der Medizin Anwendung finden. Die Arbeit mit Kunststoffen kann auch unser Verständnis von DNA, Proteinen und Kollagen in unserem Körper verbessern.

Mit der Explosion der KI verfügen wir nun über neue Werkzeuge, um Materialforschung schneller und effizienter durchzuführen. Es sind spannende Zeiten im Bereich nachhaltiger Materialien!

Die Zukunft von Sortierung Forschung

Ich beende derzeit einen Zweijahresvertrag beim NIST und suche nach dem nächsten Rätsel, das es zu lösen gilt.

Ich habe jedoch vor, als Partner mit NIST in Verbindung zu bleiben, um anderen Forschern die Nutzung meiner Techniken zu erleichtern.

Ich hoffe, dass ich der Recycling-Community im Allgemeinen dabei helfen kann, mithilfe der Datenanalyse unser Recycling zu verbessern und zur Reinigung unseres Planeten beizutragen.