Зробіть переробку більш рентабельною за допомогою штучного інтелекту: аналіз NIST Research

Переробка може бути значними витратами для місцевих органів влади, але штучний інтелект може допомогти скоротити ці витрати та потенційно збільшити рівень переробки. Дослідники з NIST працюють над тим, щоб зробити переробку більш ефективною та менш дорогою.

Ви коли-небудь замислювалися, що відбувається з вашим пластиком після того, як ви викидаєте його в «кошик»?

Це питання останнім часом часто з’являється в новинах.

Відповідь досить складна. Це залежить від того, де ви живете і який тип пластику ви викинули.

Збір вторинної сировини є величезною витратою для місцевої влади. Їм потрібно утримувати приміщення для обробки пластику, а також вантажівки та контейнери для його збору. Їм також потрібно найняти людей для виконання цієї роботи. Набагато дешевше було б просто викинути все на смітник.

Однак, коли органи місцевого самоврядування переробляють, вони можуть перетворити сміття на готівку, якщо мають відповідну інфраструктуру. Вони можуть компенсувати деякі витрати, продаючи зібраний пластик назад виробникам. Більшість виробників хочуть, щоб перероблений пластик був майже таким же хорошим, як новий, що вимагає ретельного сортування, щоб отримати стабільну продукцію.

Для більшості людей всі пластики виглядають однаково. Але гострі очі знають, що існує сім поширених типів пластику. Їх можна впізнати за маленькими символами переробки на дні майже всіх пластикових контейнерів. Ці цифри допомагають визначити хімічний склад цих пластмас. Можливо, ви помітили їх, коли сортували власну переробку.

Ось розбивка деяких із цих матеріалів:

матеріал	Загальне використання	Кодекс переробки
Поліетилентерефталат	Пляшки з газованою водою, пляшки з водою	1 – ПІТ
Поліетилен високої щільності	Глечики для молока, пляшки для миючих засобів	2 – HDPE
Полівінілхлорид	Труби, душові шторки	3 – ПВХ
Поліетилен низької щільності	Пакети для продуктів, пакети для сендвічів	4 – ПВД
Поліпропілен	Контейнери для виносу, стаканчики для йогурту	5 – пп
полістирол	Одноразові чашки для кави	6 – ПС
інше	Захисні окуляри, DVD, багато багаторазових пляшок з водою	7 – Інше

Сортування такого пластику має вирішальне значення. Різні види пластику зі схожими характеристиками часто не можна змішувати, оскільки для них потрібні різні процеси плавлення.

Візьмемо, наприклад, ПВХ. Його використовують у всьому, починаючи від труб і закінчуючи шторками для душу. Розплавлений ПВХ виробляє сильну кислоту, корисну для багатьох промислових застосувань. Але, як і багато інших кислот, це не те, що ви хочете зробити несподівано.

Поліолефіни, група пластмас, включаючи HDPE (використовується в молочних глечиках), LDPE (використовується в поліетиленових пакетах) і PP (використовується в контейнерах на винос), є більш м’яким прикладом. Ці пластмаси складають приблизно 40% світового виробництва пластику. Їх також одні з найскладніших для сортування.

Тип пластику, який використовується у молочних глечиках, вимагає високих температур для плавлення та повторної обробки через його кристалічну структуру. Однак, якщо в поліетиленовий пакет змішуються забруднювачі, ці пакети псуються при таких високих температурах. Отже, якщо поліетиленовий пакет змішати з глечиками для молока, це може призвести до утворення партії глечиків для молока, непридатних для використання. Цей ризик обробки є однією з причин, чому ви не бачите багато молочних глечиків із переробленого пластику.

Крім того, якщо деякі стійкі до високих температур матеріали з контейнерів для виносу потраплять на лінію обробки поліетиленових пакетів, ви можете побачити засмічення машини.

Працівники Центру вторинної переробки округу Монтгомері сортують матеріали для переробки.

Теоретично ви можете легко сортувати пластикові відходи, використовуючи невеликі символи переробки. Потім ви можете продавати цей відсортований пластик вторинним переробникам, які перетворюють його на продукти.

Ціна залежить від передбачуваної чистоти пластику. Велика пачка помаранчевих пляшок із миючим засобом може бути продана за високу ціну, оскільки їх легко вибрати. Однак купа контейнерів на винос може легко змішатися з різними барвниками чи добавками.

На місцевому переробному заводі в окрузі Монтгомері, штат Меріленд, люди вручну сортують пляшки з миючими засобами, контейнери для їжі тощо. Проте руки й очі можуть рухатися лише так швидко, і з такою швидкістю легко робити помилки. Таким чином, підприємства з переробки зосереджені на сортуванні високоцінного або легкого для ідентифікації пластику, щоб підтримувати послідовність під час продажу вторинним переробникам. Це означає, що пляшки з миючими засобами та контейнери для напоїв переробляються з високою швидкістю. Ваші пластикові «столові прибори» та старі дитячі іграшки можуть ні.

Щоб полегшити сортування, наша робота в NIST зосередилася на використанні ближнього інфрачервоного світла (NIR), технології, яка може швидко ідентифікувати різні пластики. Деякі найкращі переробні підприємства вже використовують світло або камери, щоб «бачити» та сортувати пляшки газованої води з ПВХ труб.

Але ці системи не можуть сортувати все. Мої дослідження зосереджені на створенні методу сортування найскладнішого пластику, щоб переробники могли отримувати прибуток.

Як ми робимо переробку більш ефективною

Пам’ятаючи про це, наша команда розглянула цей метод NIR і вирішила вдосконалити його за допомогою алгоритмів машинного навчання та інших наукових методів.

В інфрачервоній спектроскопії ви освітлюєте різні довжини хвилі світла на деякі молекули. Ці молекули поглинають частину енергії світла на певних довжинах хвиль і відбивають або пропускають решту.

Один із способів подумати про це - квіти та кольори. Наприклад, коли багато довжин хвиль сонячного світла світить на червону троянду, троянда дуже добре поглинає всі довжини хвилі/кольори, крім червоного. Червоне світло відбивається від пелюсток, тому троянда здається нам червоною.

Якщо ми знаємо колір та інтенсивність світла, яке ми висвітлюємо на квітку чи пластикову пляшку, і колір/інтенсивність, які ми отримуємо назад, ми можемо використовувати відмінності, щоб ідентифікувати більше цих квітів чи пляшок, як-от відбиток пальця.

Використовуючи машинне навчання, ми можемо знайти відбитки пальців у ближньому інфрачервоному діапазоні багатьох пластикових матеріалів. Потім ми «навчаємо» комп’ютери ідентифікувати пластик на основі нових сигналів ближнього інфрачервоного випромінювання порівняно з сигналами ближнього інфрачервоного випромінювання інших видів пластику. Це навчання допомагає технології розпізнавати матеріали в пляшках газованої води, розуміти, чим вони відрізняються від контейнерів на винос, і відповідно їх розділяти.

У нашій першій статті ми використовували машинне навчання, щоб зв’язати наші пластикові сигнали з певними властивостями (наприклад, наскільки щільним і кристалічним є поліетилен). Як правило, вимірюєте щільність, зважуючи пластик у різних рідинах і порівнюючи відмінності. Це дуже повільний і виснажливий процес.

Однак ми показали, що ви можете знайти майже ту саму інформацію за допомогою відбитого світла — набагато швидше. На лінії переробки час має вирішальне значення.

Ви можете застосувати цей метод до великих і малих зразків. Це круто, тому що це показує, що якщо ми ретельно налаштуємо все, ми можемо отримати більше інформації з цих вимірювань на основі світла.

Це все ще попередня робота, яка ще не стосується всіх типів пластику. Отже, ми не можемо просто просвітити будь-який пластик і знати його точні властивості, але це захоплюючий початок. Якщо ми зможемо збільшити його, це може заощадити переробникам і виробникам багато часу та зусиль на етапах контролю якості.

З моменту публікації цієї роботи я заглиблювався в те, як обробляти всі дані цих вимірювань. Ви отримуєте дуже різні дані залежно від форми пластику та того, чи є зразок гранулою, порошком чи пляшкою.

Це тому, що світло все ще відбивається, але воно відбивається в різних напрямках залежно від форми пластику. Уявіть відображення на чистому ставку проти ставка з багатьма брижами. Потім ви можете додати пігменти та консерванти, які дійсно можуть змінити сигнал. Це не робить дані неправильними, але може вплинути на сортування. Ви можете уявити це як класифікацію чорно-білих фотографій людей проти тих самих чорно-білих, кольорових, коміксів і картин.

Щоб вирішити цю проблему, команда розширює наш набір даних, і я шукаю математичні виправлення, щоб поставити порошки, гранули та кольоровий пластик на одне ігрове поле. Якщо ми зможемо це зробити, визначити, який пластик який, за допомогою машинного навчання стане легше.

Щоб зробити це дослідження більш корисним, я працюю над тим, щоб показати, що ми можемо сортувати ці складні поліолефіни. Використовуючи мій поточний метод, ми досягли точності від 95% до 98% у сортуванні цього пластику. Ми робимо це за допомогою процесів, які може швидко почати використовувати майже будь-яке підприємство з переробки, обладнане NIR.

Багато підприємств з переробки вже можуть використовувати подібні алгоритми, але ця робота забезпечує додатковий рівень вдосконалення, зосереджуючись саме на складних для сортування поліолефінах.

Якщо ми зможемо ефективно сортувати їх, ми зможемо використовувати їх повторно з меншими проблемами обробки, що зробить переробку більш прибутковою. Тоді, сподіваємося, прибуток зможе стимулювати кращі звички переробки, і ми зможемо почати перетворювати нашу лінійну економіку на кругову.

Переробка як головоломка, яку потрібно вирішити

Я вмію вирішувати проблеми, перестрибуючи від однієї головоломки до іншої.

Окрім дослідження полімерів, я працював над системами доставки ліків від раку яєчників, а зараз використовую штучний інтелект (ШІ) і машинне навчання.

Я люблю робити добро, вирішуючи складні проблеми. Екологічність і біологічно чисті матеріали були прекрасною темою протягом усієї моєї наукової кар’єри.

Спочатку ви можете не помітити зв’язку між біомедичними дослідженнями та пластиком. Але системи доставки ліків можуть допомогти у створенні дійсно крутих матеріалів із застосуванням не тільки в медицині. Пластмаса також може покращити наше розуміння ДНК, білків і колагену в нашому тілі.

Зараз, із бурхливим розвитком штучного інтелекту, у нас є нові інструменти для швидшого та ефективнішого дослідження матеріалів. Настав захоплюючий час у сфері екологічних матеріалів!

Майбутнє Сортування дослідження

Зараз я закінчую дворічний контракт у NIST і шукаю наступну головоломку, яку потрібно вирішити.

Проте я планую залишатися на зв’язку з NIST як філія, щоб допомогти іншим дослідникам використовувати мої методи.

Я сподіваюся допомогти ширшій спільноті переробників використати аналітику даних, щоб покращити нашу переробку та допомогти очистити нашу планету.