Recycling kosteneffectiever maken met AI: inzichten uit NIST-onderzoek

Recycling kan een aanzienlijke kostenpost zijn voor lokale overheden, maar AI kan helpen die kosten te verlagen en mogelijk de recyclingpercentages te verhogen. Onderzoekers bij 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 vaak in het nieuws geweest.

Het antwoord is vrij complex. Het hangt ervan af waar je woont en wat voor soort plastic je hebt weggegooid.

Het inzamelen van recyclebare materialen is een enorme kostenpost voor lokale overheden. Ze moeten faciliteiten onderhouden om plastic te verwerken, en ook vrachtwagens en bakken om het 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 recyclen, kunnen ze afval echter omzetten in geld als ze de juiste infrastructuur hebben. Ze kunnen een deel van de kosten compenseren door ingezameld plastic terug te verkopen aan fabrikanten. De meeste fabrikanten willen dat gerecycled plastic bijna zo goed als nieuw is, wat zorgvuldige sortering vereist om consistente producten te leveren.

Voor de meeste mensen zien alle soorten plastic er hetzelfde uit. Maar scherpe ogen weten dat er zeven veelvoorkomende soorten plastic zijn. U kunt ze herkennen aan de kleine recyclingsymbolen op de bodem van bijna alle plastic verpakkingen. Deze nummers helpen bij het identificeren van de chemische samenstelling van die plastics. U bent ze misschien al opgevallen toen u uw eigen recycling sorteerde.

Hieronder vindt u een overzicht van enkele van deze materialen:

Materiaal	Veelvoorkomende toepassingen	Recyclingcode
Polyethyleentereftalaat	Frisdrankflessen, waterflessen	1 – PETE
Hogedichtheidspolyethyleen	Melkkannen, wasmiddelflessen	2 – HDPE
Polyvinylchloride	Buizen, douchegordijnen	3 – PVC
Lagedichtheidspolyethyleen	Boodschappentassen, boterhamzakjes	4 – LDPE
Polypropyleen	Afhaalbakjes, yoghurtbekers	5 – P.S.
Polystyreen	Wegwerpkoffiebekers	6 – Ps.
Ander	Veiligheidsbrillen, dvd's, veel herbruikbare waterflessen	7 – Overige

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

Neem bijvoorbeeld PVC. Het wordt gebruikt in alles 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 ter wereld. Ze behoren ook tot de moeilijkste om te sorteren.

Het type plastic dat in melkkannen wordt gebruikt, vereist hoge temperaturen om te smelten en opnieuw te verwerken vanwege de kristalstructuur. Als er echter verontreinigingen in plastic zakken worden gemengd, worden die zakken afgebroken bij deze hoge temperaturen. Dus als een plastic zak wordt gemengd met melkkannen, kan dit resulteren in een partij melkkannen met een afwijkende kleur en die niet meer bruikbaar zijn. Dit verwerkingsrisico is een van de redenen waarom je niet veel melkkannen ziet die zijn gemaakt van gerecycled plastic.

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

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

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

De prijs hangt af van de veronderstelde zuiverheid van het plastic. Een grote bundel oranje wasmiddelflessen kan voor een hoge prijs worden verkocht omdat ze gemakkelijk te selecteren zijn. Een stapel afhaalcontainers kan echter gemakkelijk worden gemengd met verschillende kleuren of additieven.

Bij de lokale recyclingfaciliteit in Montgomery County, Maryland, sorteren mensen handmatig flessen afwasmiddel, voedselcontainers en meer. Handen en ogen kunnen echter niet zo snel bewegen en het is gemakkelijk om fouten te maken met die snelheid. Daarom richten recyclingfaciliteiten zich op het sorteren van hoogwaardige of gemakkelijk te identificeren kunststoffen om consistentie te behouden bij verkoop aan secundaire recyclers. Dit betekent dat flessen afwasmiddel en drankcontainers met hoge tarieven worden gerecycled. Uw plastic "bestek" en oude kinderspeelgoed mogelijk niet.

Om het sorteren te vergemakkelijken, heeft ons werk bij NIST zich gericht op het gebruik van Near Infrared (NIR) licht, een technologie die snel verschillende soorten plastic kan identificeren. Sommige top recyclingfaciliteiten gebruiken al lampen of camera's om frisdrankflessen van 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 sorteren, zodat recyclers winst kunnen maken.

Hoe we recycling efficiënter maken

Met dit in gedachten heeft ons team de NIR-methode bekeken en besloten deze te verbeteren met behulp van machine learning-algoritmen en andere wetenschappelijke technieken.

Bij infraroodspectroscopie schijn je verschillende golflengtes licht op bepaalde moleculen. Deze moleculen absorberen een deel van de energie van het licht op specifieke golflengtes en reflecteren of zenden de rest uit.

Een manier om hierover na te denken is met bloemen en kleuren. Bijvoorbeeld, wanneer veel golflengtes van het licht van de zon op een rode roos schijnen, is de roos erg goed in het absorberen van elke golflengte/kleur behalve rood. Het rode licht weerkaatst van de bloemblaadjes, wat de reden is dat de roos rood lijkt voor ons.

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

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

In ons eerste artikel gebruikten we machine learning om onze plastic signalen te koppelen aan bepaalde eigenschappen (zoals hoe dicht en kristallijn polyethyleen is). Normaal gesproken meet je de dichtheid door plastic in verschillende vloeistoffen te wegen en verschillen te vergelijken. Het is een heel langzaam en vervelend proces.

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

Je kunt deze methode toepassen op grote en kleine samples. Dit is cool omdat het laat zien dat als we dingen zorgvuldig opzetten, we meer informatie kunnen krijgen uit deze lichtgebaseerde metingen.

Dit is nog erg voorlopig werk en geldt nog niet voor alle soorten plastic. We kunnen dus niet zomaar elk 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 in kwaliteitscontrolestappen.

Sinds ik dit werk heb gepubliceerd, ben ik me aan het verdiepen in hoe ik alle data van deze metingen moet verwerken. Je krijgt heel verschillende data, afhankelijk van de vorm van het plastic en of het monster een pellet, poeder of fles is.

Dit komt doordat 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. Dan kun je pigmenten en conserveringsmiddelen toevoegen die het signaal echt kunnen veranderen. Dit maakt de data niet verkeerd, 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 ik kijk naar wiskundige oplossingen om poeders, pellets en gekleurde kunststoffen op hetzelfde speelveld te krijgen. Als we dit kunnen doen, wordt het makkelijker om te identificeren welk plastic wat is met behulp van machine learning.

Om dit onderzoek breder bruikbaar te maken, werk ik eraan om te laten zien 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 bijna elke recyclingfaciliteit die is uitgerust met NIR snel kan gebruiken.

Veel recyclingbedrijven gebruiken waarschijnlijk 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 effectief kunnen sorteren, kunnen we ze hergebruiken met minder verwerkingsproblemen, waardoor recycling winstgevender wordt. Dan kunnen winsten hopelijk leiden tot betere recyclinggewoonten en kunnen we onze lineaire economie omzetten in een circulaire.

Recycling als een op te lossen puzzel

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

Naast polymeeronderzoek heb ik gewerkt aan medicijnafgiftesystemen voor eierstokkanker en nu maak ik gebruik van kunstmatige intelligentie (AI) en machine learning.

Ik hou ervan om goed te doen terwijl ik complexe problemen oplos. Duurzaamheid en biovriendelijke materialen zijn een mooi thema geweest in mijn onderzoekscarrière.

Misschien zie je in eerste instantie niet het verband tussen biomedisch onderzoek en plastics. Maar medicijnafgiftesystemen kunnen helpen om echt coole materialen te creëren met toepassingen buiten de geneeskunde. Plasticwerk kan ook ons begrip van DNA, eiwitten en collageen in ons lichaam vergroten.

Nu, met de explosie van AI, hebben we nieuwe tools om sneller en efficiënter materiaalonderzoek te doen. Het is een spannende tijd op het gebied van duurzame materialen!

De toekomst van Sorteren Onderzoek

Momenteel werk ik aan een tweejarig contract bij NIST en ben ik op zoek naar de volgende puzzel die ik moet oplossen.

Ik ben echter van plan om als affiliate verbonden te blijven met NIST, zodat ik andere onderzoekers kan helpen mijn technieken te gebruiken.

Ik hoop dat ik de bredere recyclinggemeenschap kan helpen met het gebruiken van data-analyse om onze recycling te verbeteren en zo bij te dragen aan het schoner maken van onze planeet.