Yapay Zeka ile Geri Dönüşümü Daha Uygun Maliyetli Hale Getirmek: NIST Araştırmasından İçgörüler

Geri dönüşüm yerel yönetimler için önemli bir harcama olabilir ancak yapay zeka bu maliyetlerin azaltılmasına ve potansiyel olarak geri dönüşüm oranlarının artırılmasına yardımcı olabilir. NIST'teki araştırmacılar geri dönüşümü daha verimli ve daha ucuz hale getirmek için çalışıyor.

Plastiğinizi "geri dönüşüm kutusuna" attıktan sonra ona ne olacağını hiç merak ettiniz mi?

Bu soru son zamanlarda haberlerde sıkça karşımıza çıkıyor.

Cevap oldukça karmaşık. Nerede yaşadığınıza ve ne tür plastik attığınıza bağlıdır.

Geri dönüştürülebilir atıkların toplanması yerel yönetimler için büyük bir maliyettir. Plastikleri işlemek için tesislerin yanı sıra bunları toplamak için kamyonlar ve kutular bulundurmaları gerekiyor. Ayrıca bu işi yapacak insanları işe almaları gerekiyor. Her şeyi çöplüklere atmak çok daha ucuz olurdu.

Ancak yerel yönetimler geri dönüşüm yaparken, eğer doğru altyapıya sahiplerse çöpleri paraya çevirebilirler. Toplanan plastikleri üreticilere geri satarak bazı maliyetleri karşılayabilirler. Çoğu üretici, geri dönüştürülmüş plastiklerin neredeyse yeni kadar iyi olmasını ister ve bu da tutarlı ürünler sağlamak için dikkatli bir ayırma gerektirir.

Çoğu insana tüm plastikler aynı görünür. Ancak keskin gözler, yedi yaygın plastik türü olduğunu biliyor. Bunları hemen hemen tüm plastik kapların altındaki küçük geri dönüşüm sembollerinden tanıyabilirsiniz. Bu sayılar, söz konusu plastiklerin kimyasal yapısını tanımlamaya yardımcı olur. Kendi geri dönüşümünüzü sıralarken bunları fark etmiş olabilirsiniz.

İşte bu malzemelerden bazılarının dökümü:

Malzeme	Ortak Kullanımlar	Geri Dönüşüm Kodu
Polietilen tereftalat	Soda şişeleri, su şişeleri	1 – PETE
Yüksek yoğunluklu polietilen	Süt sürahileri, deterjan şişeleri	2 – HDPE
Polivinil klorür	Borular, duş perdeleri	3 – PVC
Alçak Yoğunluklu Polietilen	Market poşetleri, sandviç poşetleri	4 – AYPE
Polipropilen	Paket servis kapları, yoğurt kapları	5 – PP
Polistiren	Tek kullanımlık kahve fincanları	6 – PS
Diğer	Güvenlik gözlükleri, DVD'ler, birçok yeniden kullanılabilir su şişesi	7 – Diğer

Bu plastiklerin sınıflandırılması çok önemlidir. Benzer özelliklere sahip farklı plastik türleri, farklı eritme işlemleri gerektirdiğinden çoğu zaman karıştırılamaz.

Örneğin PVC'yi ele alalım. Borulardan duş perdelerine kadar her şeyde kullanılıyor. Eritilmiş PVC, birçok endüstriyel uygulamada yararlı olan güçlü bir asit üretir. Ancak diğer birçok asit gibi bu da beklenmedik bir şekilde oluşmasını isteyeceğiniz bir şey değildir.

HDPE (süt sürahilerinde kullanılır), LDPE (plastik torbalarda kullanılır) ve PP (paket kaplarında kullanılır) dahil olmak üzere bir grup plastik olan poliolefinler daha hafif bir örnek sağlar. Bu plastikler yaklaşık olarak 40% dünya plastik üretiminin Ayrıca sıralaması en zor olanlardan bazılarıdır.

Süt sürahilerinde kullanılan plastik türü, kristal yapısı nedeniyle erimesi ve yeniden işlenmesi için yüksek sıcaklıklar gerektirir. Ancak plastik torba kirleticileri karışırsa, bu torbalar bu yüksek sıcaklıklarda bozulur. Bu nedenle, eğer plastik bir poşet süt sürahilerine karışırsa, bu durum bir sürü rengi bozuk, kullanılamaz süt sürahileriyle sonuçlanabilir. Bu işleme riski, geri dönüştürülmüş plastikten yapılmış pek çok süt kabı görmemenizin nedenlerinden biridir.

Ek olarak, paket servis kaplarındaki bazı yüksek sıcaklığa dayanıklı malzemeler plastik torba işleme hattına düşerse makinede tıkanıklıklar görebilirsiniz.

Montgomery County Geri Dönüşüm Merkezi'ndeki işçiler, geri dönüşüm için malzemeleri ayırıyor.

Teorik olarak küçük geri dönüşüm sembollerini kullanarak plastik atıkları kolaylıkla ayırabilirsiniz. Daha sonra bu ayrıştırılmış plastikleri, bunları ürüne dönüştürecek ikincil geri dönüşümcülere satabilirsiniz.

Fiyat, plastiğin varsayılan saflığına bağlıdır. Büyük bir paket turuncu deterjan şişesi yüksek fiyata satılabilir, çünkü onları seçmek kolaydır. Bununla birlikte, bir yığın paket servis kabı çeşitli renkler veya katkı maddeleri ile kolayca karışabilir.

Montgomery County, Maryland'deki yerel geri dönüşüm tesisinde insanlar deterjan şişelerini, yiyecek kaplarını ve daha fazlasını manuel olarak ayırıyor. Ancak eller ve gözler ancak bu kadar hızlı hareket edebilir ve bu hızda hata yapmak kolaydır. Bu nedenle geri dönüşüm tesisleri, ikincil geri dönüşümcülere satış yaparken tutarlılığı korumak için yüksek değerli veya tanımlanması kolay plastikleri ayırmaya odaklanır. Bu, deterjan şişelerinin ve içecek kaplarının yüksek oranlarda geri dönüştürüldüğü anlamına gelir. Plastik “çatal-bıçağınız” ve eski çocuk oyuncaklarınız bunu yapmayabilir.

NIST'teki çalışmalarımız, ayırmaya yardımcı olmak için farklı plastikleri hızla tanımlayabilen bir teknoloji olan Yakın Kızılötesi (NIR) ışığı kullanmaya odaklandı. Bazı üst düzey geri dönüşüm tesisleri, soda şişelerini PVC borulardan "görmek" ve ayırmak için halihazırda ışıklar veya kameralar kullanıyor.

Ancak bu sistemler her şeyi çözemez. Araştırmam, geri dönüşümcülerin kâr elde edebilmesi için en zorlu plastikleri ayırmaya yardımcı olacak bir yöntem oluşturmaya odaklanıyor.

Geri Dönüşümü Nasıl Daha Verimli Hale Getiriyoruz?

Bunu akılda tutarak ekibimiz bu NIR yöntemini inceledi ve onu makine öğrenimi algoritmaları ve diğer bilimsel tekniklerle geliştirmeye karar verdi.

Kızılötesi spektroskopide, bazı moleküllerin üzerine farklı dalga boylarında ışık yansıtırsınız. Bu moleküller, ışığın enerjisinin belirli dalga boylarındaki bir kısmını emer ve geri kalanını yansıtır veya iletir.

Bunu düşünmenin bir yolu çiçekler ve renklerdir. Örneğin, güneşten gelen birçok dalga boyundaki ışık kırmızı bir gülün üzerinde parladığında, gül kırmızı dışındaki tüm dalga boylarını/renkleri absorbe etmekte çok başarılıdır. Kırmızı ışık yapraklarından yansır, bu yüzden gül bize kırmızı görünür.

Bir çiçeğe veya plastik şişeye tuttuğumuz ışığın rengini, yoğunluğunu ve geri aldığımız rengi/yoğunluğunu bilirsek, bu farklılıkları parmak izi gibi bu çiçeklerin veya şişelerin daha fazlasını tanımlamak için kullanabiliriz.

Makine öğrenimini kullanarak birçok plastik malzemenin NIR parmak izlerini bulabiliriz. Daha sonra bilgisayarları, diğer plastiklerin NIR sinyalleriyle karşılaştırıldığında yeni NIR sinyallerine dayanarak plastikleri tanımlamaları için "eğitiyoruz". Bu eğitim, teknolojinin soda şişelerindeki malzemeleri tanımasına, bunların paket servis kaplarından ne kadar farklı olduğunu anlamasına ve bunları buna göre ayırmasına yardımcı oluyor.

İlk makalemizde plastik sinyallerimizi belirli özelliklere (polietilenin ne kadar yoğun ve kristal olduğu gibi) bağlamak için makine öğrenimini kullandık. Tipik olarak yoğunluğu, plastiği farklı sıvılarda tartarak ve farklılıkları karşılaştırarak ölçersiniz. Bu çok yavaş ve sıkıcı bir süreçtir.

Ancak, yansıyan ışığı kullanarak neredeyse aynı bilgiyi çok daha hızlı bir şekilde bulabileceğinizi gösterdik. Bir geri dönüşüm hattında zaman çok önemlidir.

Bu yöntemi büyük ve küçük numunelere uygulayabilirsiniz. Bu harika çünkü eğer işleri dikkatli ayarlarsak bu ışık bazlı ölçümlerden daha fazla bilgi alabileceğimizi gösteriyor.

Bu hala ön çalışmadır ve henüz tüm plastik türleri için geçerli değildir. Yani herhangi bir plastiğe ışık tutup onun kesin özelliklerini bilemeyiz ama bu heyecan verici bir başlangıç. Eğer ölçeği büyütebilirsek, geri dönüşümcülerin ve üreticilerin kalite kontrol adımlarında çok fazla zaman ve emekten tasarruf etmesini sağlayabiliriz.

Bu çalışmayı yayınladığımdan beri, bu ölçümlerden elde edilen tüm verilerin nasıl ele alınacağını araştırıyorum. Plastiğin şekline ve numunenin pelet, toz veya şişe olmasına bağlı olarak çok farklı veriler elde edersiniz.

Bunun nedeni ışığın hâlâ yansımasıdır ancak plastiğin şekline bağlı olarak farklı yönlerde yansımasıdır. Berrak bir gölet üzerindeki yansımaları ve çok sayıda dalgalı bir göletin yansımalarını hayal edin. Daha sonra sinyali gerçekten değiştirebilecek pigmentler ve koruyucular ekleyebilirsiniz. Bu, verileri yanlış yapmaz ancak sıralamayı etkileyebilir. Bunu, siyah beyaz insanların fotoğraflarını, aynı kişilerin siyah beyaz, renkli, çizgi roman ve resimlerinde kategorize etmek olarak düşünebilirsiniz.

Ekip, bunun üstesinden gelmek için veri setimizi genişletiyor ve ben de tozları, topakları ve renkli plastikleri aynı oyun alanına koymak için matematiksel düzeltmeler arıyorum. Bunu yapabilirsek makine öğrenimini kullanarak hangi plastiğin hangisi olduğunu tespit etmek daha kolay hale gelir.

Bu araştırmayı daha geniş anlamda faydalı kılmak için, bu zorlu poliolefinleri ayıklayabileceğimizi göstermeye çalışıyorum. Mevcut yöntemimi kullanarak bu plastikleri sınıflandırmada 95% ila 98% doğruluğuna ulaştık. Bunu, NIR ile donatılmış hemen hemen her geri dönüşüm tesisinin hızla kullanmaya başlayabileceği süreçlerle yapıyoruz.

Pek çok geri dönüşüm tesisi halihazırda benzer algoritmalar kullanıyor olabilir, ancak bu çalışma, özellikle ayrıştırılması zor poliolefinlere odaklanarak ekstra düzeyde bir iyileştirme sağlıyor.

Bunları etkili bir şekilde ayıklayabilirsek, daha az işleme sorunuyla yeniden kullanabilir ve geri dönüşümü daha karlı hale getirebiliriz. O zaman, umarım kârlar daha iyi geri dönüşüm alışkanlıklarına yol açabilir ve doğrusal ekonomimizi döngüsel bir ekonomiye dönüştürmeye başlayabiliriz.

Çözülmesi Gereken Bir Bulmaca Olarak Geri Dönüşüm

Ben bir bulmacadan diğerine atlayan bir problem çözücüyüm.

Polimer araştırmalarının yanı sıra yumurtalık kanseri için ilaç dağıtım sistemleri üzerinde de çalıştım ve şimdi yapay zeka (AI) ve makine öğrenimini kullanıyorum.

Karmaşık sorunları çözerken iyilik yapmayı seviyorum. Sürdürülebilirlik ve biyo-dostu malzemeler araştırma kariyerim boyunca güzel bir tema oldu.

Başlangıçta biyomedikal araştırma ile plastik arasındaki bağlantıyı göremeyebilirsiniz. Ancak ilaç dağıtım sistemleri, tıbbın ötesinde uygulamalarla gerçekten harika malzemeler yaratılmasına yardımcı olabilir. Plastik çalışmalar aynı zamanda vücudumuzdaki DNA, proteinler ve kollajen hakkındaki anlayışımızı da geliştirebilir.

Artık yapay zekanın patlamasıyla birlikte malzeme araştırmalarını daha hızlı ve daha verimli bir şekilde yapmak için yeni araçlarımız var. Sürdürülebilir malzemeler alanında heyecan verici bir dönem!

Geleceği Sıralama Araştırma

Şu anda NIST'teki iki yıllık sözleşmemi bitiriyorum ve çözeceğim bir sonraki bulmacayı arıyorum.

Ancak diğer araştırmacıların tekniklerimi kullanmasına yardımcı olmak için NIST ile bağlı kuruluş olarak bağlantıda kalmayı planlıyorum.

Daha geniş bir geri dönüşüm topluluğunun, geri dönüşümümüzü geliştirmek ve gezegenimizi temizlemeye yardımcı olmak için veri analitiğini kullanmasına yardımcı olmayı umuyorum.