Isplativost recikliranja uz pomoć umjetne inteligencije: uvid iz istraživanja NIST-a

Recikliranje može predstavljati značajan trošak za lokalne samouprave, ali umjetna inteligencija bi mogla pomoći u smanjenju tih troškova i potencijalno povećati stope recikliranja. Istraživači s NIST-a rade na tome da recikliranje učine učinkovitijim i jeftinijim.

Jeste li se ikada zapitali što se događa s vašom plastikom nakon što je bacite u "koš za smeće"?

Ovo se pitanje u posljednje vrijeme često pojavljuje u vijestima.

Odgovor je prilično složen. Ovisi o tome gdje živite i kakvu ste plastiku bacili.

Prikupljanje materijala za recikliranje veliki je trošak za lokalne vlasti. Moraju održavati objekte za preradu plastike, kao i kamione i kante za njihovo prikupljanje. Također moraju zaposliti ljude koji će obaviti posao. Bilo bi puno jeftinije sve jednostavno baciti na odlagališta.

Međutim, kada lokalne vlasti recikliraju, mogu pretvoriti smeće u gotovinu ako imaju odgovarajuću infrastrukturu. Oni mogu nadoknaditi neke troškove prodajom prikupljene plastike natrag proizvođačima. Većina proizvođača želi da reciklirana plastika bude gotovo jednako dobra kao nova, što zahtijeva pažljivo razvrstavanje kako bi se dobili dosljedni proizvodi.

Većini ljudi sva plastika izgleda isto. Ali oštro oko zna da postoji sedam uobičajenih vrsta plastike. Možete ih prepoznati po malim simbolima za recikliranje na dnu gotovo svih plastičnih posuda. Ovi brojevi pomažu identificirati kemijski sastav te plastike. Možda ste ih primijetili dok ste razvrstavali svoje recikliranje.

Evo raščlambe nekih od ovih materijala:

Materijal	Uobičajena upotreba	Kodeks recikliranja
Polietilen tereftalat	Boce soda, boce vode	1 – PETE
Polietilen visoke gustoće	Vrčevi za mlijeko, boce za deterdžent	2 – HDPE
Polivinil klorid	Cijevi, tuš zavjese	3 – PVC
Polietilen niske gustoće	Vrećice za namirnice, vrećice za sendviče	4 – LDPE
Polipropilen	Posude za van, čašice za jogurt	5 – PP
Polistiren	Jednokratne šalice za kavu	6 – PS
ostalo	Zaštitne naočale, DVD-i, mnogo višekratnih boca za vodu	7 – Ostalo

Razvrstavanje ove plastike je ključno. Različite vrste plastike sličnih karakteristika često se ne mogu miješati jer zahtijevaju različite procese taljenja.

Uzmimo za primjer PVC. Koristi se u svemu, od cijevi do zavjesa za tuširanje. Otopljeni PVC proizvodi jaku kiselinu korisnu u mnogim industrijskim primjenama. Ali, poput mnogih drugih kiselina, to nije nešto što želite napraviti neočekivano.

Poliolefini, skupina plastike uključujući HDPE (koristi se u vrčevima za mlijeko), LDPE (koristi se u plastičnim vrećicama) i PP (koristi se u posudama za van), predstavljaju blaži primjer. Ova plastika čini oko 40% svjetske proizvodnje plastike. Oni su također neki od najtežih za sortiranje.

Vrsta plastike koja se koristi u vrčevima za mlijeko zahtijeva visoke temperature za topljenje i ponovnu obradu zbog svoje kristalne strukture. Međutim, ako se zagađivači plastičnih vrećica umiješaju, te se vrećice razgrađuju na ovim visokim temperaturama. Dakle, ako se plastična vrećica pomiješa s vrčevima za mlijeko, to bi moglo rezultirati serijom neupotrebljivih vrčeva za mlijeko bez boje. Ovaj rizik obrade jedan je od razloga zašto ne vidite mnogo vrčeva za mlijeko napravljenih od reciklirane plastike.

Osim toga, ako neki materijali stabilni na visoke temperature iz spremnika za van završe na liniji za obradu plastičnih vrećica, mogli biste vidjeti začepljenja stroja.

Radnici u centru za recikliranje okruga Montgomery sortiraju materijale za recikliranje.

U teoriji, možete jednostavno razvrstati plastični otpad pomoću malih simbola za recikliranje. Zatim tu sortiranu plastiku možete prodati sekundarnim recikliračima, koji je pretvaraju u proizvode.

Cijena ovisi o pretpostavljenoj čistoći plastike. Veliki svežanj narančastih boca deterdženta mogao bi se prodati po visokoj cijeni jer ih je lako odabrati. Međutim, hrpa spremnika za van može se lako pomiješati s raznim bojama ili aditivima.

U lokalnom pogonu za recikliranje u okrugu Montgomery, Maryland, ljudi ručno sortiraju boce deterdženta, posude za hranu i još mnogo toga. Međutim, ruke i oči mogu se kretati samo tako brzo i lako je pogriješiti tom brzinom. Dakle, postrojenja za recikliranje usredotočena su na razvrstavanje plastike visoke vrijednosti ili plastike koju je lako identificirati kako bi se održala dosljednost pri prodaji sekundarnim reciklažima. To znači da se boce deterdženta i spremnici za piće recikliraju velikom brzinom. Vaš plastični "pribor za jelo" i stare dječje igračke možda neće.

Kako bismo pomogli pri sortiranju, naš rad u NIST-u usredotočio se na korištenje bliskog infracrvenog (NIR) svjetla, tehnologije koja može brzo identificirati različite vrste plastike. Neka vrhunska postrojenja za recikliranje već koriste svjetla ili kamere kako bi "vidjela" i sortirala boce soda iz PVC cijevi.

Ali ti sustavi ne mogu sortirati sve. Moje istraživanje usmjereno je na stvaranje metode koja će pomoći u sortiranju najzahtjevnije plastike kako bi reciklaži mogli ostvariti profit.

Kako recikliranje činimo učinkovitijim

Imajući to na umu, naš tim je pogledao ovu NIR metodu i odlučio je poboljšati algoritmima strojnog učenja i drugim znanstvenim tehnikama.

U infracrvenoj spektroskopiji neke molekule obasjavate različitim valnim duljinama svjetlosti. Te molekule apsorbiraju dio energije svjetlosti na određenim valnim duljinama, a ostatak reflektiraju ili prenose.

Jedan način razmišljanja o tome je s cvijećem i bojama. Na primjer, kada mnoge valne duljine sunčeve svjetlosti obasjaju crvenu ružu, ruža je vrlo dobra u apsorbiranju svake valne duljine/boje osim crvene. Crveno svjetlo se odbija od latica, zbog čega nam se ruža čini crvenom.

Ako znamo boju i intenzitet svjetla kojim obasjavamo cvijet ili plastičnu bocu i boju/intenzitet koji dobivamo natrag, možemo koristiti razlike za identifikaciju više tih cvjetova ili boca, poput otiska prsta.

Koristeći strojno učenje, možemo pronaći NIR otiske prstiju mnogih plastičnih materijala. Zatim "treniramo" računala za identifikaciju plastike na temelju novih NIR signala u usporedbi s NIR signalima druge plastike. Ova obuka pomaže tehnologiji prepoznati materijale u bocama soda, razumjeti kako se razlikuju od spremnika za van te ih u skladu s tim odvojiti.

U našem prvom radu upotrijebili smo strojno učenje za povezivanje naših plastičnih signala s određenim svojstvima (primjerice koliko je polietilen gust i kristalan). Tipično, gustoću mjerite vaganjem plastike u različitim tekućinama i usporedbom razlika. To je vrlo spor i naporan proces.

Međutim, pokazali smo da možete pronaći gotovo iste informacije koristeći reflektirano svjetlo - puno brže. Na liniji za recikliranje vrijeme je ključno.

Ovu metodu možete primijeniti na velike i male uzorke. Ovo je super jer pokazuje da ako pažljivo postavimo stvari, možemo dobiti više informacija iz ovih mjerenja temeljenih na svjetlu.

Ovo je još uvijek preliminarni rad i još se ne odnosi na sve vrste plastike. Dakle, ne možemo samo osvijetliti bilo koju plastiku i znati njezina točna svojstva, ali to je uzbudljiv početak. Ako ga možemo povećati, to bi moglo uštedjeti recikliračima i proizvođačima puno vremena i truda u koracima kontrole kvalitete.

Otkako sam objavio ovaj rad, istraživao sam kako postupati sa svim podacima iz tih mjerenja. Dobivate vrlo različite podatke na temelju oblika plastike i je li uzorak kuglica, prašak ili boca.

To je zato što se svjetlost i dalje reflektira, ali reflektira u različitim smjerovima ovisno o obliku plastike. Zamislite odraze na čistom ribnjaku naspram ribnjaka s mnogo valova. Zatim možete dodati pigmente i konzervanse koji bi stvarno mogli promijeniti signal. To ne čini podatke pogrešnim, ali može utjecati na sortiranje. Možete to zamisliti kao kategorizaciju fotografija ljudi u crno-bijeloj boji naspram istih ljudi u crno-bijeloj tehnici, u boji, stripova i slika.

Kako bismo se uhvatili u koštac s tim, tim proširuje naš skup podataka, a ja tražim matematičke popravke kako bih prahove, kuglice i plastiku u boji stavio na isto polje. Ako to možemo učiniti, identificiranje koja je plastika koja je koja pomoću strojnog učenja postaje lakše.

Kako bih ovo istraživanje učinio šire korisnim, radim na tome da pokažem da možemo sortirati te lukave poliolefine. Koristeći moju trenutnu metodu, postigli smo točnost od 95% do 98% u sortiranju ove plastike. To radimo s procesima koje gotovo svako postrojenje za recikliranje opremljeno NIR-om može brzo početi koristiti.

Mnoga postrojenja za recikliranje možda već koriste slične algoritme, ali ovaj rad pruža dodatnu razinu usavršavanja, fokusirajući se posebno na poliolefine koje je teško sortirati.

Ako ih možemo učinkovito sortirati, možemo ih ponovno upotrijebiti s manje problema s obradom, čineći recikliranje isplativijim. Tada će, nadajmo se, profit moći potaknuti bolje navike recikliranja i moći ćemo početi pretvarati naše linearno gospodarstvo u kružno.

Recikliranje kao zagonetka koju treba riješiti

Rješavam probleme, skačem s jedne zagonetke na drugu.

Osim istraživanja polimera, radio sam na sustavima za isporuku lijekova za rak jajnika, a sada koristim umjetnu inteligenciju (AI) i strojno učenje.

Volim činiti dobro dok rješavam složene probleme. Održivost i biološki prihvatljivi materijali bili su lijepa tema tijekom moje istraživačke karijere.

Možda u početku nećete vidjeti vezu između biomedicinskih istraživanja i plastike. Ali sustavi za isporuku lijekova mogu pomoći u stvaranju stvarno cool materijala s primjenama izvan medicine. Plastični radovi također mogu poboljšati naše razumijevanje DNK, proteina i kolagena u našim tijelima.

Sada, s eksplozijom AI, imamo nove alate za brže i učinkovitije istraživanje materijala. Uzbudljivo je vrijeme na polju održivih materijala!

Budućnost Sortiranje Istraživanje

Trenutno završavam dvogodišnji ugovor na NIST-u i tražim sljedeću zagonetku koju ću riješiti.

Međutim, planiram ostati povezan s NIST-om kao podružnica kako bih pomogao drugim istraživačima da koriste moje tehnike.

Nadam se da ću pomoći široj reciklažnoj zajednici da koristi analitiku podataka za poboljšanje našeg recikliranja i čišćenje našeg planeta.