Költséghatékonyabbá téve az újrahasznosítást mesterséges intelligencia segítségével: a NIST kutatásának eredményei

Az újrahasznosítás jelentős kiadást jelenthet a helyi önkormányzatok számára, de a mesterséges intelligencia segíthet csökkenteni ezeket a költségeket, és potenciálisan növelni az újrahasznosítási arányokat. A NIST kutatói azon dolgoznak, hogy az újrahasznosítást hatékonyabbá és olcsóbbá tegyék.

Elgondolkodtál már azon, mi történik a műanyagoddal, miután kidobod az „újrahasznosító kukába”?

Ez a kérdés mostanában sokat felmerült a hírekben.

A válasz meglehetősen összetett. Attól függ, hol élsz, és milyen típusú műanyagot dobtál ki.

Az újrahasznosítható anyagok gyűjtése hatalmas költséget jelent a helyi önkormányzatok számára. Műanyag-feldolgozó létesítményeket, valamint teherautókat és kukákat kell fenntartaniuk a begyűjtésükhöz. Emellett embereket is fel kell venniük a munka elvégzésére. Sokkal olcsóbb lenne mindent hulladéklerakókba dobni.

Amikor azonban a helyi önkormányzatok újrahasznosítják a hulladékot, pénzzé tehetik, ha rendelkeznek a megfelelő infrastruktúrával. A költségek egy részét ellensúlyozhatják azzal, hogy visszaadják az összegyűjtött műanyagokat a gyártóknak. A legtöbb gyártó azt szeretné, hogy az újrahasznosított műanyagok majdnem olyan jó minőségűek legyenek, mint az újak, ami gondos válogatást igényel az egységes termékek biztosítása érdekében.

A legtöbb ember számára minden műanyag ugyanúgy néz ki. De a jó szeműek tudják, hogy hét gyakori műanyagtípus létezik. Ezeket szinte az összes műanyag doboz alján található kis újrahasznosítási szimbólumokról azonosíthatod. Ezek a számok segítenek azonosítani a műanyagok kémiai összetételét. Lehet, hogy te is észrevetted őket, amikor a saját újrahasznosítható hulladékodat válogattad.

Íme néhány ilyen anyag lebontása:

Anyag	Gyakori felhasználások	Újrahasznosítási kódex
Polietilén-tereftalát	Üdítős palackok, vizes palackok	1 – PÉTER
Nagy sűrűségű polietilén	Tejeskannák, mosószeres flakonok	2 – HDPE
Polivinil-klorid	Csövek, zuhanyfüggönyök	3 – PVC
Alacsony sűrűségű polietilén	Bevásárlótáskák, szendvicses táskák	4 – LDPE
Polipropilén	Elviteles dobozok, joghurtos poharak	5 – PP
Polisztirol	Eldobható kávéspoharak	6 – PS
Más	Védőszemüveg, DVD-k, sok újrafelhasználható vizespalack	7 – Egyéb

Ezen műanyagok szétválogatása kulcsfontosságú. A hasonló tulajdonságokkal rendelkező, különböző típusú műanyagok gyakran nem keverhetők össze, mivel eltérő olvasztási folyamatokat igényelnek.

Vegyük például a PVC-t. Csövektől a zuhanyfüggönyökig mindenben használják. Az olvasztott PVC erős savat termel, amely számos ipari alkalmazásban hasznos. De sok más savhoz hasonlóan ez sem valami, amit váratlanul szeretnénk előállítani.

A poliolefinek, egy műanyagcsoport, amely magában foglalja a HDPE-t (tejeskannákban használják), az LDPE-t (műanyag zacskókban használják) és a PP-t (elviteles dobozokban használják), enyhébb példát jelentenek. Ezek a műanyagok kb. 40% a világ műanyagtermelésének. Ezek a legnehezebben válogathatóak is.

A tejeskancsókban használt műanyag kristályos szerkezete miatt magas hőmérsékletet igényel az olvadáshoz és az újrafeldolgozáshoz. Ha azonban műanyag zacskók szennyeződései keverednek a zacskók közé, azok lebomlanak ezen a magas hőmérsékleten. Tehát, ha egy műanyag zacskó keveredik a tejeskancsókkal, az elszíneződött, használhatatlan tejeskancsók sorozatát eredményezheti. Ez a feldolgozási kockázat az egyik oka annak, hogy miért nem sok újrahasznosított műanyagból készült tejeskancsót látni.

Továbbá, ha néhány, elviteles dobozokból származó, magas hőmérsékleten stabil anyag műanyag zacskó-feldolgozó sorra kerül, eltömődhet a gép.

A Montgomery Megyei Újrahasznosító Központ dolgozói válogatják az anyagokat újrahasznosításra.

Elméletileg könnyen szétválogathatod a műanyaghulladékot a kis újrahasznosítási szimbólumok segítségével. Ezután ezeket a szétválogatott műanyagokat eladhatod másodlagos újrahasznosítóknak, akik termékeket készítenek belőlük.

Az ár a műanyag feltételezett tisztaságától függ. Egy nagy köteg narancssárga mosószeres flakon drágán elkelhet, mivel könnyű őket kiszedni. Egy halom elviteles doboz azonban könnyen keveredhet különböző színekkel vagy adalékanyagokkal.

A marylandi Montgomery megyében található helyi újrahasznosító üzemben az emberek kézzel válogatják a mosószeres flakonokat, élelmiszeres dobozokat és egyebeket. A kéz és a szem azonban csak korlátozott sebességgel mozog, és ilyen sebességgel könnyű hibázni. Ezért az újrahasznosító létesítmények a nagy értékű vagy könnyen azonosítható műanyagok válogatására összpontosítanak, hogy biztosítsák az egységességet a másodlagos újrahasznosítóknak történő értékesítés során. Ez azt jelenti, hogy a mosószeres flakonokat és az italosdobozokat magas arányban hasznosítják újra. A műanyag „evőeszközöket” és a régi gyerekjátékokat viszont lehet, hogy nem.

A válogatás elősegítése érdekében a NIST-nél végzett munkánk a közeli infravörös (NIR) fény használatára összpontosított, amely technológia gyorsan képes azonosítani a különböző műanyagokat. Néhány vezető újrahasznosító létesítmény már használ fényeket vagy kamerákat az üdítős palackok PVC csövekből való „látására” és szétválogatására.

De ezek a rendszerek nem tudnak mindent szétválogatni. A kutatásom egy olyan módszer kidolgozására összpontosít, amely segít a legnagyobb kihívást jelentő műanyagok szétválogatásában, hogy az újrahasznosítók profitot termelhessenek.

Hogyan tesszük hatékonyabbá az újrahasznosítást

Ezt szem előtt tartva csapatunk megvizsgálta ezt a közeli infravörös spektrum módszert, és úgy döntött, hogy gépi tanulási algoritmusokkal és más tudományos technikákkal fejleszti.

Az infravörös spektroszkópiában különböző hullámhosszú fénnyel világítunk meg bizonyos molekulákat. Ezek a molekulák a fény energiájának egy részét elnyelik bizonyos hullámhosszakon, a többit pedig visszaverik vagy átengedik.

Ennek egyik lehetséges magyarázata a virágok és a színek. Például, amikor a nap különböző hullámhosszú fénye esik egy vörös rózsára, a rózsa nagyon jól elnyeli az összes hullámhosszt/színt, kivéve a vöröset. A vörös fény visszaverődik a szirmokról, ezért tűnik a rózsa vörösnek számunkra.

Ha ismerjük a virágra vagy műanyag palackra világító fény színét és intenzitását, valamint a visszaadott színt/intenzitást, akkor a különbségeket felhasználhatjuk további virágok vagy palackok azonosítására, mint egy ujjlenyomatot.

Gépi tanulás segítségével számos műanyag közeli infravörös (NIR) ujjlenyomatát tudjuk megtalálni. Ezután „betanítjuk” a számítógépeket, hogy az új közeli infravörös (NIR) jelek alapján azonosítsák a műanyagokat más műanyagok közeli infravörös (NIR) jeleihez képest. Ez a betanítás segíti a technológiát az üdítős palackokban lévő anyagok felismerésében, annak megértésében, hogy miben különböznek az elviteles dobozoktól, és ennek megfelelően elkülönítik őket.

Az első tanulmányunkban gépi tanulást alkalmaztunk, hogy a műanyagjeleket bizonyos tulajdonságokhoz (például a polietilén sűrűségéhez és kristályosságához) kapcsoljuk. A sűrűséget jellemzően úgy mérjük, hogy a műanyagot különböző folyadékokban mérjük, és összehasonlítjuk a különbségeket. Ez egy nagyon lassú és fárasztó folyamat.

Azonban megmutattuk, hogy szinte ugyanazt az információt megtalálhatjuk visszavert fény segítségével is – sokkal gyorsabban. Egy újrahasznosító soron az idő kulcsfontosságú.

Ez a módszer alkalmazható nagy és kis mintákra is. Ez azért nagyszerű, mert azt mutatja, hogy ha gondosan beállítjuk a dolgokat, több információt nyerhetünk ezekből a fényalapú mérésekből.

Ez még nagyon kezdetleges munka, és még nem vonatkozik minden műanyagtípusra. Tehát nem tudunk csak úgy rávilágítani bármelyik műanyagra, és megismerni a pontos tulajdonságait, de izgalmas kezdet. Ha fel tudjuk növelni a méretet, az sok időt és energiát takaríthat meg az újrahasznosítóknak és a gyártóknak a minőségellenőrzési lépésekben.

Mióta publikáltam ezt a munkát, sokat foglalkoztam azzal, hogyan kezeljem az ezekből a mérésekből származó összes adatot. Nagyon eltérő adatokat kapok a műanyag alakjától és attól függően, hogy a minta pellet, por vagy üveg-e.

Ez azért van, mert a fény továbbra is visszaverődik, de a műanyag alakjától függően különböző irányokba verődik vissza. Képzeljük el a visszaverődéseket egy tiszta tavon, illetve egy sok fodrozódású tavon. Ezután pigmenteket és tartósítószereket adhatunk hozzá, amelyek jelentősen megváltoztathatják a jelet. Ez nem teszi hibássá az adatokat, de befolyásolhatja a rendezést. Úgy is elképzelhetjük, mintha fekete-fehér fotókat kategorizálnánk ugyanazon emberekről fekete-fehér, színes, képregényes és festményes fotókkal szemben.

Ennek megoldása érdekében a csapat bővítette az adatkészletünket, és matematikai megoldásokat keresek, hogy a porokat, pelleteket és színes műanyagokat egyazon játéktérre helyezhessük. Ha ezt meg tudjuk tenni, gépi tanulás segítségével könnyebb lesz azonosítani, hogy melyik műanyag melyik.

Hogy ez a kutatás szélesebb körben is hasznos legyen, azon dolgozom, hogy bemutassam, hogyan tudjuk szétválogatni ezeket a trükkös poliolefineket. A jelenlegi módszeremmel 95% és 98% közötti pontosságot értünk el ezeknek a műanyagoknak a szétválogatásában. Olyan eljárásokkal tesszük ezt, amelyeket szinte bármely, közeli infravörös érzékelővel (NIR) felszerelt újrahasznosító létesítmény gyorsan elkezdhet használni.

Sok újrahasznosító létesítmény már használhat hasonló algoritmusokat, de ez a munka egy további finomítási szintet biztosít, kifejezetten a nehezen válogatható poliolefinekre összpontosítva.

Ha ezeket hatékonyan szét tudjuk válogatni, kevesebb feldolgozási problémával újrahasznosíthatjuk őket, így az újrahasznosítás jövedelmezőbbé válik. Ezután remélhetőleg a profit jobb újrahasznosítási szokásokhoz vezethet, és elkezdhetjük a lineáris gazdaságunkat körforgásossá alakítani.

Az újrahasznosítás mint megoldandó rejtvény

Problémamegoldó típus vagyok, egyik rejtvényről a másikra ugrálok.

A polimerkutatás mellett petefészekrák gyógyszeradagoló rendszerein is dolgoztam, most pedig mesterséges intelligenciát (MI) és gépi tanulást használok.

Szeretek jót tenni, miközben komplex problémákat oldok meg. A fenntarthatóság és a biobarát anyagok gyönyörű témát képviseltek kutatói pályafutásom során.

Lehet, hogy elsőre nem látod a kapcsolatot az orvosbiológiai kutatások és a műanyagok között. De a gyógyszeradagoló rendszerek segíthetnek igazán klassz anyagok létrehozásában, amelyek az orvostudományon túl is alkalmazhatók. A műanyagokkal kapcsolatos munka a DNS, a fehérjék és a kollagén megértését is elősegítheti a testünkben.

Most, a mesterséges intelligencia robbanásszerű térnyerésével új eszközök állnak rendelkezésünkre, hogy gyorsabban és hatékonyabban végezhessünk anyagkutatást. Izgalmas idők járnak a fenntartható anyagok területén!

A jövője Osztályozás Kutatás

Jelenleg egy kétéves szerződést fejezek be a NIST-nél, és a következő megoldandó rejtvényt keresem.

Azonban terveim szerint kapcsolatban maradok a NIST-tel, mint partner, hogy segítsek más kutatóknak a technikáim alkalmazásában.

Remélem, hogy segíthetek a szélesebb újrahasznosító közösségnek az adatelemzés felhasználásával az újrahasznosítás fejlesztésére és bolygónk megtisztítására.