Учините рециклажу исплативијом помоћу вештачке интелигенције: Увиди из истраживања NIST-а

Рециклажа може бити значајан трошак за локалне самоуправе, али вештачка интелигенција би могла помоћи у смањењу тих трошкова и потенцијално повећању стопе рециклаже. Истраживачи у Националном институту за технологију и технологију (NIST) раде на томе да рециклажа буде ефикаснија и јефтинија.

Да ли сте се икада запитали шта се дешава са вашом пластиком након што је баците у „канту за рециклажу“?

Ово питање се у последње време често појављује у вестима.

Одговор је прилично сложен. Зависи од тога где живите и коју врсту пластике сте бацили.

Сакупљање рециклажног отпада представља огроман трошак за локалне самоуправе. Морају да одржавају постројења за прераду пластике, као и камионе и канте за њено сакупљање. Такође морају да запосле људе да обављају тај посао. Било би много јефтиније да се све једноставно баци на депоније.

Међутим, када локалне самоуправе рециклирају, могу претворити смеће у новац ако имају одговарајућу инфраструктуру. Могу надокнадити неке трошкове продајом сакупљене пластике произвођачима. Већина произвођача жели да рециклирана пластика буде готово као нова, што захтева пажљиво сортирање како би се обезбедили конзистентни производи.

Већини људи, сва пластика изгледа исто. Али оштро око зна да постоји седам уобичајених врста пластике. Можете их препознати по малим симболима за рециклажу на дну скоро свих пластичних контејнера. Ови бројеви помажу у идентификацији хемијског састава те пластике. Можда сте их приметили када сте сортирали сопствени отпад за рециклажу.

Ево прегледа неких од ових материјала:

Материјал	Уобичајене употребе	Кодекс рециклаже
Полиетилен терефталат	Флаше соде, флаше воде	1 – ПИТ
Полиетилен високе густине	Боце за млеко, боце за детерџент	2 – HDPE
Поливинил хлорид	Цеви, завесе за туширање	3 – ПВЦ
Полиетилен ниске густине	Кесе за намирнице, кесе за сендвиче	4 – LDPE
Полипропилен	Посуде за храну за понети, чаше за јогурт	5 – ПП
Полистирен	Шоље за кафу за једнократну употребу	6 – ПС
Друго	Заштитне наочаре, DVD-ови, многе флаше за воду за вишекратну употребу	7 – Остало

Сортирање ове пластике је кључно. Различите врсте пластике са сличним карактеристикама често се не могу мешати јер захтевају различите процесе топљења.

Узмимо за пример ПВЦ. Користи се у свему, од цеви до завеса за туширање. Растопљени ПВЦ производи јаку киселину корисну у многим индустријским применама. Али, као и многе друге киселине, то није нешто што желите да направите неочекивано.

Полиолефини, група пластике, укључујући HDPE (користи се у флашама за млеко), LDPE (користи се у пластичним кесама) и PP (користи се у посудама за храну за понети), пружају блажи пример. Ове пластике чине око 40% светске производње пластике. Такође су и једни од најтежих за сортирање.

Врста пластике која се користи у бокалима за млеко захтева високе температуре да би се отопила и поново обрадила због своје кристалне структуре. Међутим, ако се загађивачи из пластичних кеса помешају, те кесе се разграђују на тим високим температурама. Дакле, ако се пластична кеса помеша са бокалима за млеко, то може резултирати серијом бокала за млеко без боје, који се не могу користити. Овај ризик обраде је један од разлога зашто не видите много бокала за млеко направљених од рециклиране пластике.

Поред тога, ако неки материјали из контејнера за понети, отпорни на високе температуре, заврше на линији за прераду пластичних кеса, могли бисте видети зачепљења машина.

Радници у Центру за рециклажу округа Монтгомери сортирају материјале за рециклажу.

Теоретски, пластични отпад можете лако сортирати користећи мале симболе за рециклажу. Затим, ову сортирану пластику можете продати секундарним рециклерима, који је претварају у производе.

Цена зависи од претпостављене чистоће пластике. Велика гомила наранџастих боца детерџента може се продати по високој цени јер их је лако одабрати. Међутим, гомила посуда за понети може се лако помешати са разним бојама или адитивима.

У локалном постројењу за рециклажу у округу Монтгомери, у Мериленду, људи ручно сортирају боце од детерџента, посуде за храну и још много тога. Међутим, руке и очи се крећу само одређеном брзином, и лако је направити грешке том брзином. Зато се постројења за рециклажу фокусирају на сортирање високо вредне или лако препознатљиве пластике како би одржала доследност приликом продаје секундарним рециклажним компанијама. То значи да се боце од детерџента и посуде за пића рециклирају великим стопама. Ваш пластични „прибор за јело“ и старе дечије играчке се можда неће рециклирати.

Да бисмо помогли у сортирању, наш рад у NIST-у се фокусирао на коришћење блиског инфрацрвеног (NIR) светла, технологије која може брзо да идентификује различите пластике. Нека врхунска постројења за рециклажу већ користе светла или камере да би „видела“ и сортирала флаше соде од ПВЦ цеви.

Али ови системи не могу да сортирају све. Моје истраживање се фокусира на стварање методе која би помогла у сортирању најзахтевније пластике како би рециклери могли да остваре профит.

Како чинимо рециклажу ефикаснијом

Имајући ово у виду, наш тим је погледао ову NIR методу и одлучио да је побољша алгоритмима машинског учења и другим научним техникама.

У инфрацрвеној спектроскопији, сијате различитим таласним дужинама светлости на неке молекуле. Ови молекули апсорбују део енергије светлости на одређеним таласним дужинама, а остатак рефлектују или пропуштају.

Један од начина да се ово размисли јесте са цвећем и бојама. На пример, када многе таласне дужине светлости са сунца обасјају црвену ружу, ружа веома добро апсорбује сваку таласну дужину/боју осим црвене. Црвена светлост се рефлектује од латица, због чега нам ружа изгледа црвено.

Ако знамо боју и интензитет светлости којом сијамо на цвет или пластичну боцу и боју/интензитет који добијамо назад, можемо користити разлике да идентификујемо више ових цветова или боца, попут отиска прста.

Користећи машинско учење, можемо пронаћи NIR отиске многих пластичних материјала. Затим „тренирамо“ рачунаре да идентификују пластику на основу нових NIR сигнала у поређењу са NIR сигналима других пластика. Ова обука помаже технологији да препозна материјале у боцама сока, разуме како се разликују од посуда за храну за понети и да их сходно томе раздвоји.

У нашем првом раду, користили смо машинско учење да бисмо повезали наше пластичне сигнале са одређеним својствима (као што је густина и кристалност полиетилена). Типично, густина се мери мерењем пластике у различитим течностима и упоређивањем разлика. То је веома спор и напоран процес.

Међутим, показали смо да можете пронаћи скоро исте информације користећи рефлектовану светлост – много брже. На рециклажној линији, време је кључно.

Ову методу можете применити на велике и мале узорке. Ово је сјајно јер показује да ако пажљиво подесимо ствари, можемо добити више информација из ових мерења заснованих на светлости.

Ово је још увек веома прелиминарни рад и не примењује се на све врсте пластике. Дакле, не можемо тек тако да бацимо светло на било коју пластику и знамо њена тачна својства, али је узбудљив почетак. Ако можемо да је повећамо, то би могло да уштеди рециклерима и произвођачима много времена и труда у корацима контроле квалитета.

Од објављивања овог рада, истражујем како да обрађујем све податке из ових мерења. Добијате веома различите податке на основу облика пластике и тога да ли је узорак пелета, прах или боца.

То је зато што се светлост и даље рефлектује, али се рефлектује у различитим правцима у зависности од облика пластике. Замислите рефлексије на чистом језеру у односу на језеро са много таласа. Затим можете додати пигменте и конзервансе који би могли заиста да промене сигнал. Ово не чини податке погрешним, али може утицати на сортирање. Можете то замислити као категоризацију фотографија људи у црно-белој техници у односу на истих људи у црно-белој техници, боји, стриповима и сликама.

Да би се ово решило, тим је проширио наш скуп података, а ја тражим математичка решења како бисмо прахове, пелете и обојену пластику ставили на исто игралиште. Ако то можемо да урадимо, идентификовање која је која пластика помоћу машинског учења постаје лакше.

Да би ово истраживање било корисније за ширу употребу, радим на томе да покажем да можемо да сортирамо те компликоване полиолефине. Користећи моју тренутну методу, достигли смо тачност од 95% до 98% у сортирању ове пластике. То радимо процесима које скоро сваки погон за рециклажу опремљен NIR-ом може брзо да почне да користи.

Многа постројења за рециклажу можда већ користе сличне алгоритме, али овај рад пружа додатни ниво усавршавања, фокусирајући се посебно на тешко сортиране полиолефине.

Ако можемо ефикасно да их сортирамо, можемо их поново користити са мање проблема са обрадом, што ће рециклажу учинити профитабилнијом. Надамо се да ће профит онда подстаћи боље навике рециклаже и да можемо почети да претварамо нашу линеарну економију у циркуларну.

Рециклажа као загонетка коју треба решити

Ја сам човек који решава проблеме, скачем са једне слагалице на другу.

Поред истраживања полимера, радила сам на системима за испоруку лекова за рак јајника, а сада користим вештачку интелигенцију (ВИ) и машинско учење.

Волим да чиним добро док решавам сложене проблеме. Одрживост и биолошки прихватљиви материјали били су лепа тема током моје истраживачке каријере.

Можда у почетку нећете видети везу између биомедицинских истраживања и пластике. Али системи за испоруку лекова могу помоћи у стварању заиста сјајних материјала са применом ван медицине. Пластични рад такође може побољшати наше разумевање ДНК, протеина и колагена у нашем телу.

Сада, са експлозијом вештачке интелигенције, имамо нове алате за брже и ефикасније истраживање материјала. Ово је узбудљиво време у области одрживих материјала!

Будућност Сортирање Истраживање

Тренутно завршавам двогодишњи уговор у NIST-у и тражим следећу загонетку коју треба да решим.

Међутим, планирам да останем повезан са NIST-ом као сарадник како бих помогао другим истраживачима да користе моје технике.

Надам се да ћу помоћи широј заједници рециклаже да користи аналитику података како би побољшала нашу рециклажу и помогла у чишћењу наше планете.