Rendere il riciclaggio più conveniente con l'intelligenza artificiale: approfondimenti dalla ricerca NIST

Il riciclaggio può rappresentare una spesa significativa per i governi locali, ma l'intelligenza artificiale potrebbe contribuire a ridurre tali costi e potenzialmente aumentare i tassi di riciclaggio. I ricercatori del NIST stanno lavorando per rendere il riciclaggio più efficiente e meno costoso.

Ti sei mai chiesto cosa succede alla plastica dopo averla gettata nel "bidone della raccolta differenziata"?

Questa domanda è tornata spesso sui giornali ultimamente.

La risposta è piuttosto complessa. Dipende da dove vivi e dal tipo di plastica che hai buttato via.

La raccolta di materiali riciclabili è un costo enorme per i governi locali. Devono mantenere strutture per la lavorazione della plastica, così come camion e cassonetti per raccoglierla. Devono anche assumere personale per svolgere il lavoro. Sarebbe molto più economico gettare tutto in discarica.

Tuttavia, quando i governi locali riciclano, possono trasformare i rifiuti in denaro se hanno la giusta infrastruttura. Possono compensare alcuni costi rivendendo la plastica raccolta ai produttori. La maggior parte dei produttori desidera che la plastica riciclata sia quasi come nuova, il che richiede un'attenta selezione per fornire prodotti coerenti.

Per la maggior parte delle persone, tutte le plastiche sembrano uguali. Ma gli occhi attenti sanno che ci sono sette tipi comuni di plastica. Puoi identificarli dai piccoli simboli di riciclaggio sul fondo di quasi tutti i contenitori di plastica. Questi numeri aiutano a identificare la composizione chimica di quelle plastiche. Potresti averli notati quando hai fatto la selezione del tuo riciclaggio.

Ecco una ripartizione di alcuni di questi materiali:

Materiale	Usi comuni	Codice del riciclaggio
Polietilene tereftalato	Bottiglie di soda, bottiglie d'acqua	1 – PIETRO
Polietilene ad alta densità	Brocche del latte, bottiglie di detersivo	2 – PEAD
Cloruro di polivinile	Tubi, tende da doccia	3 – PVC
Polietilene a bassa densità	Sacchetti della spesa, sacchetti per panini	4 – Polietilene a bassa densità (LDPE)
Polipropilene	Contenitori da asporto, vasetti di yogurt	5 – PP
Polistirolo	Tazze da caffè usa e getta	6 – PS
Altro	Occhiali di sicurezza, DVD, molte bottiglie d'acqua riutilizzabili	7 – Altro

La selezione di queste plastiche è fondamentale. Diversi tipi di plastica con caratteristiche simili spesso non possono essere mescolati perché richiedono processi di fusione diversi.

Prendiamo il PVC, per esempio. È usato in tutto, dai tubi alle tende da doccia. Il PVC fuso produce un acido forte utile in molte applicazioni industriali. Ma, come molti altri acidi, non è qualcosa che vuoi produrre inaspettatamente.

Le poliolefine, un gruppo di plastiche che include HDPE (utilizzato nelle brocche del latte), LDPE (utilizzato nei sacchetti di plastica) e PP (utilizzato nei contenitori da asporto), forniscono un esempio più blando. Queste plastiche costituiscono circa 40% della produzione mondiale di plastica. Sono anche tra le più difficili da selezionare.

Il tipo di plastica utilizzata nelle brocche del latte richiede alte temperature per sciogliersi e rielaborarsi a causa della sua struttura cristallina. Tuttavia, se si mescolano contaminanti di buste di plastica, queste buste si degradano a queste alte temperature. Quindi, se una busta di plastica si mescola con le brocche del latte, potrebbe risultare in un lotto di brocche del latte scolorite e inutilizzabili. Questo rischio di elaborazione è uno dei motivi per cui non si vedono molte brocche del latte realizzate in plastica riciclata.

Inoltre, se alcuni materiali resistenti alle alte temperature provenienti da contenitori da asporto finiscono su una linea di lavorazione dei sacchetti di plastica, si potrebbero verificare intasamenti nei macchinari.

I lavoratori del Montgomery County Recycling Center smistano i materiali da riciclare.

In teoria, puoi facilmente separare i rifiuti di plastica usando i piccoli simboli di riciclaggio. Quindi, puoi vendere queste plastiche separate ai riciclatori secondari, che le trasformano in prodotti.

Il prezzo dipende dalla presunta purezza della plastica. Un grosso pacco di bottiglie di detersivo arancione potrebbe essere venduto a un prezzo elevato perché sono facili da individuare. Tuttavia, una pila di contenitori da asporto potrebbe facilmente essere mescolata con vari colori o additivi.

Presso l'impianto di riciclaggio locale nella contea di Montgomery, nel Maryland, le persone selezionano manualmente bottiglie di detersivo, contenitori per alimenti e altro ancora. Tuttavia, mani e occhi possono muoversi solo a una certa velocità ed è facile commettere errori a quella velocità. Quindi, gli impianti di riciclaggio si concentrano sulla selezione di plastiche di alto valore o facili da identificare per mantenere la coerenza quando vengono vendute ai riciclatori secondari. Ciò significa che le bottiglie di detersivo e i contenitori per bevande vengono riciclati a ritmi elevati. Le tue "posate" di plastica e i vecchi giocattoli per bambini potrebbero non esserlo.

Per agevolare la selezione, il nostro lavoro al NIST si è concentrato sull'uso della luce a infrarossi vicini (NIR), una tecnologia che può identificare rapidamente diverse plastiche. Alcune delle principali strutture di riciclaggio utilizzano già luci o telecamere per "vedere" e selezionare le bottiglie di soda dai tubi in PVC.

Ma questi sistemi non possono selezionare tutto. La mia ricerca si concentra sulla creazione di un metodo per aiutare a selezionare le plastiche più difficili, in modo che i riciclatori possano ricavarne un profitto.

Come rendiamo il riciclaggio più efficiente

Con questo in mente, il nostro team ha esaminato questo metodo NIR e ha deciso di migliorarlo con algoritmi di apprendimento automatico e altre tecniche scientifiche.

Nella spettroscopia infrarossa, si illuminano diverse lunghezze d'onda di luce su alcune molecole. Queste molecole assorbono parte dell'energia della luce a specifiche lunghezze d'onda e riflettono o trasmettono il resto.

Un modo per pensarci è con fiori e colori. Ad esempio, quando molte lunghezze d'onda della luce del sole illuminano una rosa rossa, la rosa è molto brava ad assorbire ogni lunghezza d'onda/colore tranne il rosso. La luce rossa si riflette sui petali, motivo per cui la rosa ci appare rossa.

Se conosciamo il colore e l'intensità della luce che irradiamo su un fiore o una bottiglia di plastica e il colore/intensità che riceviamo in risposta, possiamo usare le differenze per identificare altri fiori o bottiglie, come un'impronta digitale.

Utilizzando l'apprendimento automatico, possiamo trovare le impronte digitali NIR di molti materiali plastici. Quindi "addestriamo" i computer a identificare le plastiche in base ai nuovi segnali NIR rispetto ai segnali NIR di altre plastiche. Questo addestramento aiuta la tecnologia a riconoscere i materiali nelle bottiglie di soda, a capire in che modo differiscono dai contenitori da asporto e a separarli di conseguenza.

Nel nostro primo articolo, abbiamo utilizzato l'apprendimento automatico per collegare i nostri segnali di plastica a determinate proprietà (come la densità e la cristallinità del polietilene). In genere, si misura la densità pesando la plastica in diversi liquidi e confrontando le differenze. È un processo molto lento e noioso.

Tuttavia, abbiamo dimostrato che è possibile trovare quasi le stesse informazioni utilizzando la luce riflessa, molto più velocemente. Su una linea di riciclaggio, il tempo è cruciale.

Puoi applicare questo metodo a campioni grandi e piccoli. È fantastico perché mostra che se impostiamo le cose con attenzione, possiamo ottenere più informazioni da queste misurazioni basate sulla luce.

Si tratta ancora di un lavoro molto preliminare e non si applica ancora a tutti i tipi di plastica. Quindi, non possiamo semplicemente illuminare una qualsiasi plastica e conoscerne le proprietà esatte, ma è un inizio entusiasmante. Se riuscissimo a farlo crescere, potrebbe far risparmiare ai riciclatori e ai produttori molto tempo e fatica nelle fasi di controllo qualità.

Da quando ho pubblicato questo lavoro, ho iniziato a studiare come gestire tutti i dati di queste misurazioni. Si finisce per ottenere dati molto diversi in base alla forma della plastica e al fatto che il campione sia un pellet, una polvere o una bottiglia.

Questo perché la luce continua a riflettere, ma in direzioni diverse a seconda della forma della plastica. Immagina i riflessi su uno stagno limpido rispetto a uno stagno con molte increspature. Quindi, puoi aggiungere pigmenti e conservanti che potrebbero davvero modificare il segnale. Ciò non rende i dati sbagliati, ma può influenzare l'ordinamento. Puoi pensare a questo come a una categorizzazione di foto di persone in bianco e nero rispetto alle stesse persone in bianco e nero, a colori, nei fumetti e nei dipinti.

Per affrontare questo problema, il team ha ampliato il nostro set di dati e sto cercando soluzioni matematiche per mettere polveri, pellet e plastiche colorate sullo stesso campo da gioco. Se riusciamo a farlo, identificare quale plastica è quale usando l'apprendimento automatico diventa più facile.

Per rendere questa ricerca più ampiamente utile, sto lavorando per dimostrare che possiamo selezionare quelle difficili poliolefine. Utilizzando il mio metodo attuale, abbiamo raggiunto una precisione di 95% - 98% nella selezione di queste plastiche. Lo stiamo facendo con processi che quasi tutti gli impianti di riciclaggio dotati di NIR possono iniziare rapidamente a utilizzare.

Molti impianti di riciclaggio potrebbero già utilizzare algoritmi simili, ma questo lavoro fornisce un ulteriore livello di perfezionamento, concentrandosi specificamente sulle poliolefine difficili da selezionare.

Se riusciamo a selezionarli in modo efficace, possiamo riutilizzarli con meno problemi di elaborazione, rendendo il riciclaggio più redditizio. Quindi, si spera, i profitti possono guidare migliori abitudini di riciclaggio e possiamo iniziare a trasformare la nostra economia lineare in una circolare.

Il riciclaggio come puzzle da risolvere

Sono una persona che risolve i problemi, saltando da un enigma all'altro.

Oltre alla ricerca sui polimeri, ho lavorato su sistemi di somministrazione di farmaci per il cancro ovarico e ora utilizzo l'intelligenza artificiale (IA) e l'apprendimento automatico.

Amo fare del bene mentre risolvo problemi complessi. La sostenibilità e i materiali bio-compatibili sono stati un tema meraviglioso durante tutta la mia carriera di ricercatore.

Potresti non vedere inizialmente la connessione tra la ricerca biomedica e la plastica. Ma i sistemi di somministrazione dei farmaci possono aiutare a creare materiali davvero fantastici con applicazioni che vanno oltre la medicina. Il lavoro sulla plastica può anche migliorare la nostra comprensione del DNA, delle proteine e del collagene nei nostri corpi.

Ora, con l'esplosione dell'intelligenza artificiale, abbiamo nuovi strumenti per fare ricerche sui materiali in modo più rapido ed efficiente. È un momento entusiasmante nel campo dei materiali sostenibili!

Il futuro di Ordinamento Ricerca

Attualmente sto terminando un contratto biennale al NIST e sono alla ricerca del prossimo enigma da risolvere.

Tuttavia, ho intenzione di rimanere in contatto con il NIST come affiliato per aiutare altri ricercatori a utilizzare le mie tecniche.

Spero di aiutare la comunità più ampia del riciclaggio a utilizzare l'analisi dei dati per migliorare il nostro riciclaggio e contribuire a ripulire il nostro pianeta.