Kierrätyksen tekeminen kustannustehokkaammaksi tekoälyn avulla: NIST Researchin näkemyksiä

Kierrätys voi olla merkittävä kustannus paikallishallinnolle, mutta tekoäly voi auttaa vähentämään näitä kustannuksia ja mahdollisesti lisäämään kierrätysastetta. NIST:n tutkijat pyrkivät tekemään kierrätyksestä tehokkaampaa ja halvempaa.

Oletko koskaan miettinyt, mitä muovillesi tapahtuu sen jälkeen, kun olet heittänyt sen "roskakoriin"?

Tämä kysymys on ollut uutisissa viime aikoina paljon.

Vastaus on melko monimutkainen. Se riippuu siitä, missä asut ja minkä tyyppisen muovin olet heittänyt pois.

Kierrätystarvikkeiden kerääminen on valtava kustannus kunnille. Heidän on ylläpidettävä tiloja muovin käsittelyä varten sekä kuorma-autoja ja roska-astioita niiden keräämiseksi. Heidän on myös palkattava ihmisiä tekemään työtä. Olisi paljon halvempaa vain kaataa kaikki kaatopaikalle.

Kuitenkin kun paikallishallinto kierrättää, ne voivat muuttaa roskat käteiseksi, jos heillä on oikea infrastruktuuri. Ne voivat kompensoida joitakin kustannuksia myymällä kerätyt muovit takaisin valmistajille. Useimmat valmistajat haluavat kierrätysmuovien olevan lähes uudenveroisia, mikä vaatii huolellista lajittelua yhdenmukaisten tuotteiden saamiseksi.

Useimmille ihmisille kaikki muovit näyttävät samalta. Mutta tarkat silmät tietävät, että on olemassa seitsemän yleistä muovityyppiä. Voit tunnistaa ne pienistä kierrätyssymboleista lähes kaikkien muovisäiliöiden pohjassa. Nämä numerot auttavat tunnistamaan näiden muovien kemiallisen koostumuksen. Olet ehkä huomannut ne, kun lajittelet omaa kierrätystäsi.

Tässä on erittely joistakin näistä materiaaleista:

Materiaali	Yleiset käyttötavat	Kierrätyskoodi
Polyeteenitereftalaatti	Lihapullot, vesipullot	1 – PETE
Korkeatiheyksinen polyeteeni	Maitokannut, pesuainepullot	2 – HDPE
Polyvinyylikloridi	Putket, suihkuverhot	3 – PVC
Matalatiheyspolyeteeni	Päivittäistavarakassit, voileipäkassit	4 – LDPE
Polypropeeni	Takeout-astiat, jogurttikupit	5 – PP
Polystyreeni	Kertakäyttöiset kahvikupit	6 – PS
muu	Suojalasit, DVD:t, monet uudelleenkäytettävät vesipullot	7 – Muu

Näiden muovien lajittelu on ratkaisevan tärkeää. Erilaisia muoveja, joilla on samanlaiset ominaisuudet, ei useinkaan voida sekoittaa, koska ne vaativat erilaisia sulatusprosesseja.

Otetaan esimerkiksi PVC. Sitä käytetään kaikessa putkista suihkuverhoihin. Sulatettu PVC tuottaa vahvaa happoa, joka on hyödyllinen monissa teollisissa sovelluksissa. Mutta kuten monet muutkin hapot, sitä ei halua tehdä odottamatta.

Polyolefiinit, muoviryhmä, mukaan lukien HDPE (käytetään maitokannuissa), LDPE (käytetään muovipusseissa) ja PP (käytetään takeout-astioissa), ovat lievempi esimerkki. Nämä muovit muodostavat noin 40% maailman muovituotannosta. Ne ovat myös vaikeimpia lajitella.

Maitokannuissa käytettävä muovi vaatii korkeita lämpötiloja sulaakseen ja prosessoidakseen sen kiteisen rakenteensa vuoksi. Jos muovipussien epäpuhtauksia kuitenkin sekoittuu, pussit hajoavat näissä korkeissa lämpötiloissa. Joten jos muovipussi sekoittuu maitokannujen joukkoon, seurauksena voi olla erä epävärisiä, käyttökelvottomia maitokannuja. Tämä käsittelyriski on yksi syistä, miksi et näe monia kierrätysmuovista valmistettuja maitokannuja.

Lisäksi, jos jotkin korkean lämpötilan kestävät materiaalit noutopakkauksista päätyvät muovipussien käsittelylinjalle, voit nähdä koneen tukkeutumisen.

Montgomeryn piirikunnan kierrätyskeskuksen työntekijät lajittelevat materiaalit kierrätystä varten.

Teoriassa muovijätteet on helppo lajitella pienten kierrätyssymbolien avulla. Sitten voit myydä nämä lajitellut muovit toissijaisille kierrättäjille, jotka tekevät niistä tuotteita.

Hinta riippuu muovin oletetusta puhtaudesta. Iso nippu oransseja pesuainepulloja saattaa myydä korkealla hinnalla, koska ne on helppo poimia. Kasa takeout-astioita voi kuitenkin helposti sekoittua eri väreihin tai lisäaineisiin.

Paikallisessa kierrätyslaitoksessa Montgomeryn piirikunnassa, Marylandissa, ihmiset lajittelevat käsin pesuainepulloja, ruoka-astioita ja paljon muuta. Kädet ja silmät voivat kuitenkin liikkua vain niin nopeasti, ja sillä nopeudella on helppo tehdä virheitä. Kierrätyslaitokset keskittyvät siis arvokkaiden tai helposti tunnistettavien muovien lajitteluun, jotta ne säilyttävät johdonmukaisuuden, kun ne myydään toissijaisille kierrättäjille. Tämä tarkoittaa, että pesuainepullot ja juoma-astiat kierrätetään suurella nopeudella. Muoviset "ruokailuvälineet" ja vanhat lasten lelut eivät ehkä ole.

Lajittelun helpottamiseksi työmme NIST:llä on keskittynyt käyttämään Near Infrared (NIR) -valoa, teknologiaa, jolla voidaan tunnistaa nopeasti erilaisia muovit. Jotkut huippukierrätyslaitokset käyttävät jo valoja tai kameroita "näkemään" ja lajittelemaan soodapulloja PVC-putkista.

Mutta nämä järjestelmät eivät voi järjestää kaikkea. Tutkimukseni keskittyy kehittämään menetelmää haastavimpien muovien lajitteluun, jotta kierrättäjät voivat tuottaa voittoa.

Kuinka teemme kierrätyksestä tehokkaampaa

Tätä silmällä pitäen tiimimme tarkasteli tätä NIR-menetelmää ja päätti parantaa sitä koneoppimisalgoritmeilla ja muilla tieteellisillä tekniikoilla.

Infrapunaspektroskopiassa säteilet eri valon aallonpituuksia joihinkin molekyyleihin. Nämä molekyylit absorboivat osan valon energiasta tietyillä aallonpituuksilla ja heijastavat tai välittävät loput.

Yksi tapa ajatella tätä on kukkia ja värejä. Esimerkiksi kun monet auringon valon aallonpituudet paistavat punaiselle ruusulle, ruusu on erittäin hyvä absorboimaan kaikki aallonpituudet/värit paitsi punaista. Punainen valo heijastuu terälehdistä, minkä vuoksi ruusu näyttää meille punaiselta.

Jos tiedämme kukka- tai muovipulloon loistamamme valon värin ja voimakkuuden sekä takaisin saamamme värin/voimakkuuden, voimme käyttää eroja tunnistaaksemme lisää kukkia tai pulloja, kuten sormenjäljen.

Koneoppimisen avulla voimme löytää monien muovimateriaalien NIR-sormenjäljet. Sitten "koulutamme" tietokoneita tunnistamaan muovit uusien NIR-signaalien perusteella verrattuna muiden muovien NIR-signaaleihin. Tämä koulutus auttaa teknologiaa tunnistamaan soodapullojen materiaalit, ymmärtämään, miten ne eroavat noutopakkauksista, ja erottamaan ne vastaavasti.

Ensimmäisessä artikkelissamme käytimme koneoppimista kytkeäksemme muovisignaalimme tiettyihin ominaisuuksiin (kuten kuinka tiheä ja kiteinen polyeteeni on). Tyypillisesti mitataan tiheys punnitsemalla muovia eri nesteisiin ja vertaamalla eroja. Se on erittäin hidas ja työläs prosessi.

Osoitimme kuitenkin, että voit löytää melkein samat tiedot heijastuneen valon avulla – paljon nopeammin. Kierrätyslinjalla aika on ratkaisevan tärkeää.

Voit käyttää tätä menetelmää suuriin ja pieniin näytteisiin. Tämä on siistiä, koska se osoittaa, että jos asetamme asiat huolellisesti, voimme saada enemmän tietoa näistä valopohjaisista mittauksista.

Tämä on vielä hyvin alustavaa työtä, eikä se päde vielä kaikkiin muovityyppeihin. Emme siis voi vain valaista muovia ja tietää sen tarkat ominaisuudet, mutta se on jännittävä alku. Jos voimme skaalata sitä, se voisi säästää kierrättäjiltä ja valmistajilta paljon aikaa ja vaivaa laadunvalvontavaiheissa.

Tämän työn julkaisusta lähtien olen perehtynyt siihen, kuinka käsitellä kaikkea näistä mittauksista saatua dataa. Saat hyvin erilaisia tietoja muovin muodon ja sen mukaan, onko näyte pelletti, jauhe vai pullo.

Tämä johtuu siitä, että valo heijastuu edelleen, mutta se heijastuu eri suuntiin muovin muodosta riippuen. Kuvittele heijastukset kirkkaassa lammikossa verrattuna lampeen, jossa on paljon aaltoilua. Sitten voit lisätä pigmenttejä ja säilöntäaineita, jotka voivat todella muuttaa signaalia. Tämä ei tee tiedoista vääriä, mutta se voi vaikuttaa lajitteluun. Voit ajatella sen luokitteluna mustavalkoisista ihmisistä ja samoista mustavalkoisista, värillisistä, sarjakuvista ja maalauksista.

Tämän ratkaisemiseksi tiimi on laajentanut tietojoukkoamme, ja tarkastelen matemaattisia korjauksia jauheiden, pellettien ja värillisten muovien sijoittamiseksi samalle pelikentälle. Jos voimme tehdä tämän, koneoppimisen avulla on helpompi tunnistaa mikä muovi on mikä.

Tehdäkseni tästä tutkimuksesta laajemmin hyödyllistä, pyrin osoittamaan, että voimme lajitella nämä hankalat polyolefiinit. Nykyisellä menetelmälläni olemme saavuttaneet 95% - 98% tarkkuuden näiden muovien lajittelussa. Teemme tämän prosesseilla, joita lähes kaikki NIR:llä varustetut kierrätyslaitokset voivat nopeasti ottaa käyttöön.

Monet kierrätyslaitokset saattavat jo käyttää samanlaisia algoritmeja, mutta tämä työ tarjoaa ylimääräistä hienostuneisuutta keskittyen erityisesti vaikeasti lajiteltaviin polyolefiineihin.

Jos pystymme lajittelemaan ne tehokkaasti, voimme käyttää niitä uudelleen ilman käsittelyongelmia, jolloin kierrätyksestä tulee kannattavampaa. Sitten toivottavasti voitot voivat ohjata parempia kierrätystottumuksia ja voimme alkaa muuttaa lineaarista talouttamme kiertotaloudeksi.

Kierrätys ratkaistavana palapelinä

Olen ongelmanratkaisija, hyppään palapelistä toiseen.

Polymeeritutkimuksen lisäksi olen työskennellyt munasarjasyövän lääkeannostelujärjestelmien parissa, ja nyt käytän tekoälyä (AI) ja koneoppimista.

Rakastan tehdä hyvää samalla kun ratkaisen monimutkaisia ongelmia. Kestävä kehitys ja bioystävälliset materiaalit ovat olleet kaunis teema koko tutkimusurani ajan.

Et ehkä aluksi näe yhteyttä biolääketieteen ja muovin välillä. Mutta lääkkeiden annostelujärjestelmät voivat auttaa luomaan todella hienoja materiaaleja, joilla on sovelluksia lääketieteen lisäksi. Muovityö voi myös parantaa ymmärrystämme DNA:sta, proteiineista ja kollageenista kehossamme.

Tekoälyn räjähdysmäisen leviämisen myötä meillä on nyt uusia työkaluja materiaalitutkimuksen tekemiseen nopeammin ja tehokkaammin. Eletään jännittävää aikaa kestävien materiaalien alalla!

Tulevaisuus Lajittelu Tutkimus

Olen parhaillaan viimeistelemässä kaksivuotista sopimusta NIST:llä ja etsin seuraavaa ratkaistavaksi tehtävää.

Aion kuitenkin pysyä yhteydessä NISTiin tytäryhtiönä auttaakseni muita tutkijoita käyttämään tekniikoitani.

Toivon voivani auttaa laajempaa kierrätysyhteisöä käyttämään data-analytiikkaa kierrätyksen parantamiseksi ja planeettamme puhdistamiseksi.