Recycling kosteneffectiever maken met AI: inzichten uit NIST Research

Recycling kan een aanzienlijke kostenpost zijn voor lokale overheden, maar AI kan helpen deze kosten te verlagen en mogelijk de recyclingpercentages te verhogen. Onderzoekers van NIST werken eraan om recycling efficiënter en goedkoper te maken.

Heb je je ooit afgevraagd wat er met je plastic gebeurt nadat je het in de ‘prullenbak’ hebt gegooid?

Deze vraag is de laatste tijd veel in het nieuws verschenen.

Het antwoord is behoorlijk complex. Het hangt af van waar je woont en welk soort plastic je hebt weggegooid.

Het inzamelen van recyclebare materialen is een enorme kostenpost voor lokale overheden. Ze moeten faciliteiten onderhouden om kunststoffen te verwerken, evenals vrachtwagens en bakken om deze in te zamelen. Ze moeten ook mensen inhuren om het werk te doen. Het zou veel goedkoper zijn om alles gewoon op stortplaatsen te dumpen.

Wanneer lokale overheden echter recyclen, kunnen ze afval in geld veranderen als ze over de juiste infrastructuur beschikken. Ze kunnen een deel van de kosten compenseren door ingezameld plastic terug te verkopen aan fabrikanten. De meeste fabrikanten willen dat gerecyclede kunststoffen bijna net zo goed als nieuw zijn, wat een zorgvuldige sortering vereist om consistente producten te leveren.

Voor de meeste mensen zien alle kunststoffen er hetzelfde uit. Maar scherpe ogen weten dat er zeven veelvoorkomende soorten plastic zijn. Je kunt ze herkennen aan de kleine recyclingsymbolen op de bodem van bijna alle plastic containers. Deze cijfers helpen bij het identificeren van de chemische samenstelling van deze kunststoffen. Je hebt ze misschien opgemerkt toen je je eigen recycling sorteerde.

Hier volgt een overzicht van enkele van deze materialen:

Materiaal	Gemeenschappelijk gebruik	Recyclingcode
Polyethyleentereftalaat	Frisdrankflessen, waterflessen	1 – PETE
Hogedichtheidspolyethyleen	Melkkannen, wasmiddelflessen	2 – HDPE
Polyvinylchloride	Leidingen, douchegordijnen	3 – PVC
Polyethyleen met lage dichtheid	Boodschappentassen, boterhamzakjes	4 – LDPE
Polypropyleen	Afhaalbakjes, yoghurtbekers	5 – PP
Polystyreen	Wegwerp koffiekopjes	6 – PS
Ander	Veiligheidsbrillen, dvd's, veel herbruikbare waterflessen	7 – Andere

Het sorteren van deze kunststoffen is cruciaal. Verschillende soorten plastic met vergelijkbare eigenschappen kunnen vaak niet worden gemengd omdat ze verschillende smeltprocessen vereisen.

Neem bijvoorbeeld PVC. Het wordt overal in gebruikt, van buizen tot douchegordijnen. Gesmolten PVC produceert een sterk zuur dat bruikbaar is in veel industriële toepassingen. Maar net als veel andere zuren is het niet iets dat je onverwachts wilt maken.

Polyolefinen, een groep kunststoffen waaronder HDPE (gebruikt in melkkannen), LDPE (gebruikt in plastic zakken) en PP (gebruikt in afhaalcontainers), vormen een milder voorbeeld. Deze kunststoffen vormen ongeveer 40% van de plasticproductie in de wereld. Ze behoren ook tot de moeilijkste om te sorteren.

Het type plastic dat in melkkannen wordt gebruikt, vereist vanwege de kristallijne structuur hoge temperaturen om te smelten en opnieuw te verwerken. Als er echter verontreinigingen uit plastic zakken in terechtkomen, worden de zakken bij deze hoge temperaturen afgebroken. Als een plastic zak dus tussen de melkkannen terechtkomt, kan dit resulteren in een partij afwijkende, onbruikbare melkkannen. Dit verwerkingsrisico is één van de redenen waarom je niet veel melkkannen ziet die gemaakt zijn van gerecycled plastic.

Bovendien, als sommige materialen die bestand zijn tegen hoge temperaturen uit afhaalcontainers op een verwerkingslijn voor plastic zakken terechtkomen, kunnen er verstoppingen in de machine optreden.

Werknemers van het Montgomery County Recycling Center sorteren materialen voor recycling.

In theorie kun je plastic afval eenvoudig sorteren met behulp van de kleine recyclingsymbolen. Vervolgens kun je deze gesorteerde kunststoffen verkopen aan secundaire recyclers, die er producten van maken.

De prijs is afhankelijk van de veronderstelde zuiverheid van het plastic. Een grote bundel oranje wasmiddelflessen kan voor een hoge prijs worden verkocht, omdat ze gemakkelijk uit te kiezen zijn. Een stapel afhaalcontainers kan echter gemakkelijk vermengd raken met verschillende kleuren of additieven.

Bij de plaatselijke recyclingfabriek in Montgomery County, Maryland, sorteren mensen handmatig wasmiddelflessen, voedselcontainers en meer. Handen en ogen kunnen echter maar zo snel bewegen, en bij die snelheid kun je gemakkelijk fouten maken. Recyclingfaciliteiten richten zich dus op het sorteren van hoogwaardige of gemakkelijk te identificeren kunststoffen om de consistentie te behouden bij de verkoop aan secundaire recyclers. Dit betekent dat flessen wasmiddel en drankverpakkingen in hoog tempo worden gerecycled. Uw plastic “bestek” en oud kinderspeelgoed misschien niet.

Om het sorteren te vergemakkelijken, heeft ons werk bij NIST zich geconcentreerd op het gebruik van nabij-infraroodlicht (NIR), een technologie die snel verschillende soorten plastic kan identificeren. Sommige toprecyclingfaciliteiten maken al gebruik van lampen of camera's om frisdrankflessen uit PVC-buizen te 'zien' en te sorteren.

Maar deze systemen kunnen niet alles sorteren. Mijn onderzoek richt zich op het creëren van een methode om de meest uitdagende kunststoffen te helpen sorteren, zodat recyclers winst kunnen maken.

Hoe we recycling efficiënter maken

Met dit in gedachten heeft ons team naar deze NIR-methode gekeken en besloten deze te verbeteren met machine learning-algoritmen en andere wetenschappelijke technieken.

Bij infraroodspectroscopie laat je verschillende golflengten licht op sommige moleculen schijnen. Deze moleculen absorberen een deel van de energie van het licht op specifieke golflengten en reflecteren of laten de rest door.

Eén manier om hierover na te denken is met bloemen en kleuren. Wanneer bijvoorbeeld veel golflengten van het licht van de zon op een rode roos schijnen, is de roos zeer goed in het absorberen van elke golflengte/kleur behalve rood. Het rode licht weerkaatst op de bloemblaadjes, waardoor de roos voor ons rood lijkt.

Als we de kleur en intensiteit kennen van het licht dat we op een bloem of plastic fles laten schijnen en de kleur/intensiteit die we terugkrijgen, kunnen we de verschillen gebruiken om meer van deze bloemen of flessen te identificeren, zoals een vingerafdruk.

Met behulp van machine learning kunnen we de NIR-vingerafdrukken van veel plastic materialen vinden. Vervolgens 'trainen' we computers om kunststoffen te identificeren op basis van nieuwe NIR-signalen in vergelijking met de NIR-signalen van andere kunststoffen. Deze training helpt de technologie materialen in frisdrankflessen te herkennen, te begrijpen hoe ze verschillen van afhaalcontainers en deze dienovereenkomstig te scheiden.

In ons eerste artikel hebben we machinaal leren gebruikt om onze plastic signalen aan bepaalde eigenschappen te koppelen (zoals hoe dicht en kristallijn polyethyleen is). Meestal meet u de dichtheid door plastic in verschillende vloeistoffen te wegen en de verschillen te vergelijken. Het is een heel langzaam en moeizaam proces.

We hebben echter laten zien dat je vrijwel dezelfde informatie kunt vinden met behulp van gereflecteerd licht, veel sneller. Op een recyclinglijn is tijd cruciaal.

U kunt deze methode toepassen op grote en kleine monsters. Dit is cool omdat het laat zien dat als we de zaken zorgvuldig opzetten, we meer informatie kunnen halen uit deze op licht gebaseerde metingen.

Dit is nog heel voorbereidend werk en geldt nog niet voor alle soorten kunststoffen. We kunnen dus niet zomaar een bepaald soort plastic belichten en de exacte eigenschappen ervan kennen, maar het is een spannend begin. Als we het kunnen opschalen, kan het recyclers en fabrikanten veel tijd en moeite besparen bij kwaliteitscontrolestappen.

Sinds de publicatie van dit werk heb ik me verdiept in de manier waarop ik met alle gegevens uit deze metingen om moet gaan. Je krijgt heel verschillende gegevens op basis van de vorm van het plastic en of het monster een pellet, poeder of fles is.

Dit komt omdat licht nog steeds reflecteert, maar het reflecteert in verschillende richtingen, afhankelijk van de vorm van het plastic. Stel je de reflecties voor op een heldere vijver versus een vijver met veel rimpelingen. Vervolgens kunt u pigmenten en conserveermiddelen toevoegen die het signaal echt kunnen veranderen. Dit betekent niet dat de gegevens verkeerd zijn, maar het kan de sortering beïnvloeden. Je kunt het zien als het categoriseren van foto's van mensen in zwart-wit versus dezelfde mensen in zwart-wit, kleur, strips en schilderijen.

Om dit aan te pakken heeft het team onze dataset uitgebreid en ben ik op zoek naar wiskundige oplossingen om poeders, pellets en gekleurde kunststoffen op hetzelfde speelveld te plaatsen. Als we dit kunnen doen, wordt het gemakkelijker om met behulp van machine learning te identificeren welk plastic welk plastic is.

Om dit onderzoek breder bruikbaar te maken, probeer ik aan te tonen dat we die lastige polyolefinen kunnen sorteren. Met mijn huidige methode hebben we een nauwkeurigheid van 95% tot 98% bereikt bij het sorteren van deze kunststoffen. We doen dit met processen die vrijwel elke met NIR uitgeruste recyclingfaciliteit snel in gebruik kan nemen.

Veel recyclingfaciliteiten gebruiken misschien al vergelijkbare algoritmen, maar dit werk biedt een extra niveau van verfijning, waarbij de nadruk specifiek ligt op moeilijk te sorteren polyolefinen.

Als we deze goed kunnen sorteren, kunnen we ze met minder verwerkingsproblemen hergebruiken, waardoor recycling rendabeler wordt. Hopelijk kunnen de winsten dan leiden tot betere recyclinggewoonten, en kunnen we beginnen onze lineaire economie om te zetten in een circulaire economie.

Recycling als een puzzel die moet worden opgelost

Ik ben een probleemoplosser en spring van de ene puzzel naar de andere.

Naast polymeeronderzoek heb ik gewerkt aan medicijnafgiftesystemen voor eierstokkanker, en nu gebruik ik kunstmatige intelligentie (AI) en machinaal leren.

Ik hou ervan om goed te doen en tegelijkertijd complexe problemen op te lossen. Duurzaamheid en biovriendelijke materialen zijn gedurende mijn hele onderzoekscarrière een mooi thema geweest.

Misschien zie je in eerste instantie het verband niet tussen biomedisch onderzoek en kunststoffen. Maar systemen voor medicijnafgifte kunnen helpen bij het maken van echt coole materialen met toepassingen die verder gaan dan de geneeskunde. Plastisch werk kan ook ons begrip van DNA, eiwitten en collageen in ons lichaam vergroten.

Nu, met de explosie van AI, hebben we nieuwe hulpmiddelen om materiaalonderzoek sneller en efficiënter te doen. Het zijn spannende tijden op het gebied van duurzame materialen!

De toekomst van Sorteren Onderzoek

Ik rond momenteel een contract van twee jaar af bij NIST en ben op zoek naar de volgende puzzel om op te lossen.

Ik ben echter van plan om als aangeslotene verbonden te blijven met NIST om andere onderzoekers te helpen mijn technieken te gebruiken.

Ik hoop de bredere recyclinggemeenschap te helpen data-analyse te gebruiken om onze recycling te verbeteren en onze planeet te helpen opruimen.