Hacer que el reciclaje sea más rentable con IA: conocimientos de la investigación del NIST

El reciclaje puede ser un gasto importante para los gobiernos locales, pero la IA podría ayudar a reducir esos costos y potencialmente aumentar las tasas de reciclaje. Los investigadores del NIST están trabajando para hacer que el reciclaje sea más eficiente y menos costoso.

¿Alguna vez te has preguntado qué pasa con tu plástico después de tirarlo a la “papelera de reciclaje”?

Esta pregunta ha aparecido mucho en las noticias últimamente.

La respuesta es bastante compleja. Depende de dónde vivas y qué tipo de plástico hayas tirado.

La recolección de materiales reciclables es un costo enorme para los gobiernos locales. Necesitan mantener instalaciones para procesar plásticos, así como camiones y contenedores para recogerlos. También necesitan contratar gente para hacer el trabajo. Sería mucho más barato tirar todo a los vertederos.

Sin embargo, cuando los gobiernos locales reciclan, pueden convertir la basura en dinero en efectivo si cuentan con la infraestructura adecuada. Pueden compensar algunos costos vendiendo los plásticos recolectados a los fabricantes. La mayoría de los fabricantes quieren que los plásticos reciclados sean casi tan buenos como nuevos, lo que requiere una clasificación cuidadosa para proporcionar productos consistentes.

Para la mayoría de la gente, todos los plásticos tienen el mismo aspecto. Pero los ojos atentos saben que existen siete tipos comunes de plástico. Puedes identificarlos por los pequeños símbolos de reciclaje que se encuentran en el fondo de casi todos los contenedores de plástico. Estos números ayudan a identificar la composición química de esos plásticos. Es posible que los hayas notado al clasificar tu propio reciclaje.

A continuación se muestra un desglose de algunos de estos materiales:

Material	Usos comunes	Código de reciclaje
Tereftalato de polietileno	Botellas de refresco, botellas de agua.	1 – PETE
Polietileno de alta densidad	Jarras de leche, botellas de detergente.	2 – PEAD
Cloruro de polivinilo	Tuberías, cortinas de baño.	3-PVC
Polietileno de baja densidad	Bolsas de supermercado, bolsas para sándwiches	4 – PEBD
polipropileno	Envases para llevar, vasos de yogur.	5 – PP
Poliestireno	tazas de café desechables	6 – PD
Otro	Gafas de seguridad, DVD y muchas botellas de agua reutilizables.	7 – Otro

Clasificar estos plásticos es crucial. A menudo no se pueden mezclar diferentes tipos de plástico con características similares porque requieren diferentes procesos de fusión.

Tomemos como ejemplo el PVC. Se utiliza en todo, desde tuberías hasta cortinas de baño. El PVC fundido produce un ácido fuerte útil en muchas aplicaciones industriales. Pero, como muchos otros ácidos, no es algo que quieras preparar inesperadamente.

Las poliolefinas, un grupo de plásticos que incluye el HDPE (usado en jarras de leche), el LDPE (usado en bolsas de plástico) y el PP (usado en envases de comida para llevar), constituyen un ejemplo más suave. Estos plásticos constituyen aproximadamente 40% de la producción mundial de plástico. También son algunos de los más difíciles de clasificar.

El tipo de plástico utilizado en las jarras de leche requiere altas temperaturas para derretirse y reprocesarse debido a su estructura cristalina. Sin embargo, si los contaminantes de las bolsas de plástico se mezclan, esas bolsas se degradan a estas altas temperaturas. Por lo tanto, si una bolsa de plástico se mezcla con jarras de leche, podría resultar en un lote de jarras de leche inutilizables y descoloridas. Este riesgo de procesamiento es una de las razones por las que no se ven muchas jarras de leche hechas de plástico reciclado.

Además, si algunos materiales estables a altas temperaturas provenientes de contenedores de comida para llevar terminan en una línea de procesamiento de bolsas de plástico, es posible que se produzcan obstrucciones en la máquina.

Los trabajadores del Centro de Reciclaje del Condado de Montgomery clasifican materiales para reciclar.

En teoría, puedes clasificar fácilmente los residuos plásticos utilizando los pequeños símbolos de reciclaje. Luego, puedes vender estos plásticos clasificados a recicladores secundarios, quienes los convierten en productos.

El precio depende de la supuesta pureza del plástico. Un gran paquete de botellas de detergente de color naranja puede venderse a un precio elevado porque son fáciles de distinguir. Sin embargo, una pila de envases de comida para llevar puede mezclarse fácilmente con varios colores o aditivos.

En la instalación de reciclaje local en el condado de Montgomery, Maryland, la gente clasifica manualmente botellas de detergente, contenedores de alimentos y más. Sin embargo, las manos y los ojos solo pueden moverse con cierta velocidad y es fácil cometer errores a esa velocidad. Por lo tanto, las instalaciones de reciclaje se centran en clasificar plásticos de alto valor o fáciles de identificar para mantener la coherencia al venderlos a recicladores secundarios. Esto significa que las botellas de detergente y los envases de bebidas se reciclan a un ritmo elevado. Es posible que sus “cubiertos” de plástico y los juguetes viejos de sus hijos no lo hagan.

Para facilitar la clasificación, nuestro trabajo en el NIST se ha centrado en el uso de luz infrarroja cercana (NIR), una tecnología que puede identificar rápidamente diferentes plásticos. Algunas de las principales instalaciones de reciclaje ya utilizan luces o cámaras para “ver” y clasificar las botellas de refresco de las tuberías de PVC.

Pero estos sistemas no pueden solucionarlo todo. Mi investigación se centra en crear un método que ayude a clasificar los plásticos más difíciles para que los recicladores puedan obtener ganancias.

Cómo estamos haciendo que el reciclaje sea más eficiente

Con esto en mente, nuestro equipo analizó este método NIR y decidió mejorarlo con algoritmos de aprendizaje automático y otras técnicas científicas.

En la espectroscopia infrarroja, se hacen brillar diferentes longitudes de onda de luz sobre algunas moléculas. Estas moléculas absorben parte de la energía de la luz en longitudes de onda específicas y reflejan o transmiten el resto.

Una forma de pensar en esto es con flores y colores. Por ejemplo, cuando muchas longitudes de onda de luz del sol brillan sobre una rosa roja, la rosa es muy buena para absorber todas las longitudes de onda y colores excepto el rojo. La luz roja se refleja en los pétalos, por eso la rosa nos parece roja.

Si conocemos el color y la intensidad de la luz que proyectamos sobre una flor o una botella de plástico y el color/intensidad que obtenemos, podemos usar las diferencias para identificar más de estas flores o botellas, como una huella digital.

Utilizando el aprendizaje automático, podemos encontrar las huellas dactilares NIR de muchos materiales plásticos. Luego “entrenamos” computadoras para identificar plásticos basándose en nuevas señales NIR en comparación con las señales NIR de otros plásticos. Esta capacitación ayuda a la tecnología a reconocer los materiales en las botellas de refrescos, comprender en qué se diferencian de los envases de comida para llevar y separarlos en consecuencia.

En nuestro primer artículo, utilizamos el aprendizaje automático para conectar nuestras señales plásticas con ciertas propiedades (como qué tan denso y cristalino es el polietileno). Normalmente, la densidad se mide pesando plástico en diferentes líquidos y comparando las diferencias. Es un proceso muy lento y tedioso.

Sin embargo, demostramos que se puede encontrar casi la misma información utilizando luz reflejada, mucho más rápido. En una línea de reciclaje, el tiempo es crucial.

Puede aplicar este método a muestras grandes y pequeñas. Esto es genial porque muestra que si configuramos las cosas con cuidado, podemos obtener más información de estas mediciones basadas en la luz.

Este es todavía un trabajo muy preliminar y aún no se aplica a todos los tipos de plásticos. Por lo tanto, no podemos simplemente arrojar luz sobre cualquier plástico y conocer sus propiedades exactas, pero es un comienzo emocionante. Si podemos ampliarlo, podríamos ahorrarles a los recicladores y fabricantes mucho tiempo y esfuerzo en los pasos de control de calidad.

Desde que publiqué este trabajo, he ido profundizando en cómo manejar todos los datos de estas mediciones. Se obtienen datos muy diferentes según la forma del plástico y si la muestra es un gránulo, un polvo o una botella.

Esto se debe a que la luz todavía se refleja, pero en diferentes direcciones dependiendo de la forma del plástico. Imagínese los reflejos de un estanque claro frente a un estanque con muchas ondas. Luego, puedes agregar pigmentos y conservantes que realmente podrían cambiar la señal. Esto no hace que los datos sean incorrectos, pero puede afectar la clasificación. Puedes considerarlo como una clasificación de fotografías de personas en blanco y negro versus las mismas personas en blanco y negro, color, cómics y pinturas.

Para abordar esto, el equipo ha estado ampliando nuestro conjunto de datos y estoy buscando soluciones matemáticas para poner polvos, gránulos y plásticos de colores en el mismo campo de juego. Si podemos hacer esto, será más fácil identificar qué plástico es cuál utilizando el aprendizaje automático.

Para que esta investigación sea más útil, estoy trabajando para demostrar que podemos clasificar esas complicadas poliolefinas. Usando mi método actual, hemos alcanzado una precisión de 95% a 98% en la clasificación de estos plásticos. Lo hacemos con procesos que casi cualquier instalación de reciclaje equipada con NIR puede empezar a utilizar rápidamente.

Es posible que muchas instalaciones de reciclaje ya estén utilizando algoritmos similares, pero este trabajo proporciona un nivel adicional de refinamiento, centrándose específicamente en poliolefinas difíciles de clasificar.

Si podemos clasificarlos de manera efectiva, podremos reutilizarlos con menos problemas de procesamiento, lo que hará que el reciclaje sea más rentable. Entonces, con suerte, las ganancias podrán impulsar mejores hábitos de reciclaje y podremos comenzar a convertir nuestra economía lineal en una circular.

El reciclaje como un rompecabezas por resolver

Soy un solucionador de problemas, saltando de un rompecabezas al siguiente.

Además de la investigación de polímeros, he trabajado en sistemas de administración de fármacos para el cáncer de ovario y ahora uso inteligencia artificial (IA) y aprendizaje automático.

Me encanta hacer el bien mientras resuelvo problemas complejos. La sostenibilidad y los materiales bioamigables han sido un hermoso tema a lo largo de mi carrera investigadora.

Es posible que inicialmente no veas la conexión entre la investigación biomédica y los plásticos. Pero los sistemas de administración de fármacos pueden ayudar a crear materiales realmente interesantes con aplicaciones más allá de la medicina. El trabajo plástico también puede mejorar nuestra comprensión del ADN, las proteínas y el colágeno de nuestro cuerpo.

Ahora, con la explosión de la IA, disponemos de nuevas herramientas para realizar investigaciones de materiales de forma más rápida y eficiente. ¡Es un momento apasionante en el campo de los materiales sostenibles!

El futuro de Clasificación Investigación

Actualmente estoy terminando un contrato de dos años en el NIST y buscando el siguiente rompecabezas que resolver.

Sin embargo, planeo seguir conectado con el NIST como afiliado para ayudar a otros investigadores a utilizar mis técnicas.

Espero ayudar a la comunidad de reciclaje en general a utilizar el análisis de datos para mejorar nuestro reciclaje y ayudar a limpiar nuestro planeta.