Att göra återvinning mer kostnadseffektiv med AI: Insikter från NIST Research

Återvinning kan vara en betydande kostnad för lokala myndigheter, men AI kan hjälpa till att minska dessa kostnader och potentiellt öka återvinningsgraden. Forskare vid NIST arbetar med att göra återvinningen mer effektiv och billigare.

Har du någonsin undrat vad som händer med din plast efter att du slängt den i "papperskorgen"?

Den här frågan har dykt upp mycket i nyheterna den senaste tiden.

Svaret är ganska komplicerat. Det beror på var du bor och vilken typ av plast du har slängt.

Att samla in återvinningsbart material är en enorm kostnad för lokala myndigheter. De behöver underhålla anläggningar för att bearbeta plast, samt lastbilar och papperskorgar för att samla in dem. De måste också anställa folk för att göra jobbet. Det skulle vara mycket billigare att bara dumpa allt på soptippen.

Men när lokala myndigheter återvinner kan de förvandla skräp till kontanter om de har rätt infrastruktur. De kan kompensera vissa kostnader genom att sälja insamlad plast tillbaka till tillverkarna. De flesta tillverkare vill att återvunnen plast ska vara nästan lika bra som ny, vilket kräver noggrann sortering för att ge konsekventa produkter.

För de flesta ser alla plaster likadana ut. Men skarpa ögon vet att det finns sju vanliga typer av plast. Du kan identifiera dem genom de små återvinningssymbolerna på botten av nästan alla plastbehållare. Dessa siffror hjälper till att identifiera den kemiska sammansättningen av dessa plaster. Du kanske har lagt märke till dem när du sorterar din egen återvinning.

Här är en uppdelning av några av dessa material:

Material	Vanliga användningsområden	Återvinningskod
Polyetentereftalat	Sodaflaskor, vattenflaskor	1 – PETE
Högdensitetspolyeten	Mjölkkannor, diskmedelsflaskor	2 – HDPE
Polyvinylklorid	Rör, duschdraperier	3 – PVC
Lågdensitetspolyeten	Matkassar, smörgåspåsar	4 – LDPE
Polypropen	Avhämtningsbehållare, yoghurtbägare	5 – PP
Polystyren	Kaffekoppar för engångsbruk	6 – PS
Andra	Skyddsglasögon, DVD-skivor, många återanvändbara vattenflaskor	7 – Annat

Att sortera dessa plaster är avgörande. Olika typer av plast med liknande egenskaper kan ofta inte blandas eftersom de kräver olika smältningsprocesser.

Ta PVC, till exempel. Den används i allt från rör till duschdraperier. Smält PVC producerar en stark syra som är användbar i många industriella tillämpningar. Men, som många andra syror, är det inget man vill göra oväntat.

Polyolefiner, en grupp plaster inklusive HDPE (används i mjölkkannor), LDPE (används i plastpåsar) och PP (används i avhämtningsbehållare), är ett mildare exempel. Dessa plaster utgör ca 40% av världens plastproduktion. De är också några av de svåraste att sortera.

Den typ av plast som används i mjölkkannor kräver höga temperaturer för att smälta och bearbetas på grund av dess kristallina struktur. Men om föroreningar från plastpåsar blandas in, bryts dessa påsar ned vid dessa höga temperaturer. Så om en plastpåse blandas med mjölkkannor, kan det resultera i en sats av ofärgade, oanvändbara mjölkkannor. Denna bearbetningsrisk är en av anledningarna till att du inte ser många mjölkkannor gjorda av återvunnen plast.

Dessutom, om vissa högtemperaturstabila material från avhämtningsbehållare hamnar på en plastpåsbehandlingslinje, kan du se maskinträskor.

Arbetare på Montgomery County Recycling Center sorterar material för återvinning.

I teorin kan du enkelt sortera plastavfall genom att använda de små återvinningssymbolerna. Sedan kan du sälja dessa sorterade plaster till sekundära återvinningsföretag, som förvandlar dem till produkter.

Priset beror på plastens antagna renhet. En stor bunt orange tvättmedelsflaskor kan säljas för ett högt pris eftersom de är lätta att välja ut. En hög med avhämtningsbehållare kan dock lätt blandas med olika färger eller tillsatser.

På den lokala återvinningsanläggningen i Montgomery County, Maryland, sorterar människor manuellt tvättmedelsflaskor, matbehållare och mer. Men händer och ögon kan bara röra sig så snabbt, och det är lätt att göra misstag i den hastigheten. Så återvinningsanläggningar fokuserar på att sortera högvärdiga eller lättidentifierade plaster för att bibehålla konsistens vid försäljning till sekundära återvinningsföretag. Detta innebär att tvättmedelsflaskor och dryckesbehållare återvinns i hög hastighet. Dina plastbestick och gamla barnleksaker kanske inte.

För att underlätta sorteringen har vårt arbete på NIST fokuserat på att använda Near Infrared (NIR) ljus, en teknik som snabbt kan identifiera olika plaster. Vissa toppåtervinningsanläggningar använder redan lampor eller kameror för att "se" och sortera läskflaskor från PVC-rör.

Men dessa system kan inte sortera allt. Min forskning fokuserar på att skapa en metod för att hjälpa till att sortera den mest utmanande plasten så att återvinningsföretag kan tjäna pengar.

Hur vi gör återvinningen mer effektiv

Med detta i åtanke tittade vårt team på denna NIR-metod och beslutade att förbättra den med maskininlärningsalgoritmer och andra vetenskapliga tekniker.

I infraröd spektroskopi lyser man olika våglängder av ljus på vissa molekyler. Dessa molekyler absorberar en del av ljusets energi vid specifika våglängder och reflekterar eller överför resten.

Ett sätt att tänka på detta är med blommor och färger. Till exempel, när många våglängder av ljus från solen lyser på en röd ros, är rosen väldigt bra på att absorbera varje våglängd/färg utom röd. Det röda ljuset reflekteras från kronbladen, varför rosen ser röd ut för oss.

Om vi vet färgen och intensiteten på ljuset vi lyser på en blomma eller plastflaska och färgen/intensiteten vi får tillbaka, kan vi använda skillnaderna för att identifiera fler av dessa blommor eller flaskor, som ett fingeravtryck.

Med hjälp av maskininlärning kan vi hitta NIR-fingeravtrycken från många plastmaterial. Vi ”tränar” sedan datorer att identifiera plast utifrån nya NIR-signaler jämfört med andra plasters NIR-signaler. Denna utbildning hjälper tekniken att känna igen material i läskflaskor, förstå hur de skiljer sig från avhämtningsbehållare och separera dem därefter.

I vår första uppsats använde vi maskininlärning för att koppla våra plastsignaler till vissa egenskaper (som hur tät och kristallin polyeten är). Vanligtvis mäter man densitet genom att väga plast i olika vätskor och jämföra skillnader. Det är en mycket långsam och tråkig process.

Men vi visade att du kan hitta nästan samma information med reflekterat ljus – mycket snabbare. På en återvinningslinje är tiden avgörande.

Du kan tillämpa denna metod på stora och små prover. Det här är coolt eftersom det visar att om vi ställer in saker noggrant kan vi få mer information från dessa ljusbaserade mätningar.

Detta är fortfarande mycket förberedande arbete och gäller inte alla typer av plast än. Så vi kan inte bara lysa på vilken plast som helst och veta dess exakta egenskaper, men det är en spännande start. Om vi kan skala upp det kan det spara återvinningsföretag och tillverkare mycket tid och ansträngning i kvalitetskontrollstegen.

Sedan jag publicerade detta arbete har jag fördjupat mig i hur man hanterar all data från dessa mätningar. Du får mycket olika data baserat på plastens form och om provet är en pellet, ett pulver eller en flaska.

Detta beror på att ljus fortfarande reflekteras, men det reflekteras i olika riktningar beroende på plastens form. Föreställ dig reflektionerna på en klar damm kontra en damm med många krusningar. Sedan kan du lägga till pigment och konserveringsmedel som verkligen kan förändra signalen. Detta gör inte data fel, men det kan påverka sorteringen. Du kan tänka på det som att kategorisera foton av människor i svartvitt kontra samma personer i svartvitt, färg, serier och målningar.

För att ta itu med detta har teamet utökat vår datauppsättning, och jag tittar på matematiska korrigeringar för att placera pulver, pellets och färgad plast på samma spelplan. Om vi kan göra detta blir det lättare att identifiera vilken plast som är vilken med hjälp av maskininlärning.

För att göra denna forskning mer allmänt användbar, arbetar jag för att visa att vi kan sortera de knepiga polyolefinerna. Med min nuvarande metod har vi nått 95% till 98% noggrannhet vid sortering av dessa plaster. Vi gör detta med processer som nästan alla återvinningsanläggningar utrustade med NIR snabbt kan börja använda.

Många återvinningsanläggningar kanske redan använder liknande algoritmer, men detta arbete ger en extra nivå av förfining och fokuserar specifikt på svårsorterade polyolefiner.

Om vi effektivt kan sortera dessa kan vi återanvända dem med färre bearbetningsproblem, vilket gör återvinningen mer lönsam. Då kan förhoppningsvis vinster driva på bättre återvinningsvanor, och vi kan börja omvandla vår linjära ekonomi till en cirkulär.

Återvinning som ett pussel som ska lösas

Jag är en problemlösare och hoppar från ett pussel till ett annat.

Förutom polymerforskning har jag arbetat med läkemedelsleveranssystem för äggstockscancer, och nu använder jag artificiell intelligens (AI) och maskininlärning.

Jag älskar att göra gott samtidigt som jag löser komplexa problem. Hållbarhet och biovänliga material har varit ett vackert tema under hela min forskarkarriär.

Du kanske från början inte ser sambandet mellan biomedicinsk forskning och plast. Men läkemedelstillförselsystem kan hjälpa till att skapa riktigt coola material med tillämpningar bortom medicin. Plastarbete kan också förbättra vår förståelse av DNA, proteiner och kollagen i våra kroppar.

Nu, med explosionen av AI, har vi nya verktyg för att göra materialforskning snabbare och mer effektivt. Det är en spännande tid inom området hållbara material!

Framtiden för Sortering Forskning

Jag håller just nu på att avsluta ett tvåårskontrakt på NIST och letar efter nästa pussel att lösa.

Jag planerar dock att hålla kontakten med NIST som en affiliate för att hjälpa andra forskare att använda mina tekniker.

Jag hoppas kunna hjälpa den bredare återvinningsgemenskapen att använda dataanalys för att förbättra vår återvinning och hjälpa till att städa upp vår planet.