از سطل زباله تا پول نقد: چگونه هوش مصنوعی و یادگیری ماشینی می توانند به کاهش هزینه بازیافت برای دولت های محلی کمک کنند

بعد از اینکه آن را در “سطل زباله” می اندازید، برای بازیافت پلاستیک شما چه اتفاقی می افتد؟

به نظر می رسد این سؤال اخیراً در اخبار زیاد شده است (نگاه کنید به اینجا، اینجا یا اینجا).

در حقیقت، پاسخ پیچیده است. بستگی به این دارد که کجا زندگی می کنید و آن پلاستیک چیست.

جمع آوری بازیافت هزینه زیادی برای دولت های محلی دارد. آنها باید امکاناتی برای نگهداری پلاستیک ها و همچنین کامیون ها و سطل های زباله برای جمع آوری آنها داشته باشند. دولت ها نیز باید افرادی را برای انجام کار استخدام کنند. قرار دادن همه چیز در محل دفن زباله می تواند بسیار ارزان تر باشد.

با این حال، زمانی که دولت‌های محلی بازیافت می‌کنند، اگر زیرساخت‌های مناسبی داشته باشند، می‌توانند زباله‌ها را به پول نقد تبدیل کنند. آنها می توانند با فروش پلاستیک جمع آوری شده به تولیدکنندگان، بخشی از هزینه ها را جبران کنند. اکثر تولیدکنندگان پلاستیک بازیافتی را می‌خواهند که تقریباً به خوبی پلاستیک کاملاً جدید باشد، اما برای ارائه یک محصول ثابت نیاز به مرتب‌سازی دقیق توسط بازیافت‌کنندگان دارد.

برای بسیاری از مردم، همه پلاستیک ها یکسان به نظر می رسند. با این حال، کسانی که چشمان تیزبین دارند می دانند که هفت نوع پلاستیک معمولی وجود دارد. شما می توانید آنها را با نماد بازیافت کوچک در پایین تقریباً همه ظروف پلاستیکی شناسایی کنید. این اعداد به شناسایی مواد شیمیایی پشت آن پلاستیک ها کمک می کند. ممکن است هنگام مرتب کردن بازیافت خود متوجه آنها شده باشید.

در زیر به توضیح برخی از این مواد می پردازیم:

مواد	کاربردهای رایج	برچسب بازیافت
پلی اتیلن ترفتالات	بطری های نوشابه، بطری های آب قابل بازیافت	1 – پیت
پلی اتیلن با چگالی بالا	بطری های شیر، بطری های مواد شوینده	2 – HDPE
پلی وینیل کلراید	لوله ها، پرده های دوش	3 – پی وی سی
پلی اتیلن با چگالی کم	کیسه های مواد غذایی، کیسه های ساندویچ	4 – LDPE
پلی پروپیلن	ظروف غذاخوری، فنجان های ماست	5 – PP
پلی استایرن	فنجان های قهوه یکبار مصرف	6 – ص
دیگر	عینک ایمنی، دی وی دی، بسیاری از بطری های آب قابل استفاده مجدد	7 – دیگر

مرتب سازی این پلاستیک ها بسیار مهم است. پلاستیک های مختلف با برخی ویژگی های مشابه اغلب نمی توانند مخلوط شوند زیرا به روش های ذوب متفاوتی نیاز دارند.

برای مثال PVC را در نظر بگیرید. پی وی سی که در همه چیز از لوله کشی گرفته تا پرده پنجره استفاده می شود، در هنگام ذوب شدن، اسیدی قوی با کاربردهای صنعتی فراوان ایجاد می کند. اما مانند بسیاری از اسیدهای دیگر، این چیزی نیست که بخواهید زمانی که انتظارش را ندارید بسازید.

پلی‌الفین‌ها، گروهی از پلاستیک‌ها که شامل HDPE (مورد استفاده در بطری‌های شیر)، LDPE (مورد استفاده در کیسه‌های پلاستیکی) و PP (مورد استفاده در ظروف بیرون‌بر) هستند، نمونه‌ای بسیار رام‌تر را ارائه می‌دهند. این گروه از پلاستیک ها حدود 40 درصد از تولید پلاستیک در جهان است. آنها همچنین برخی از سخت‌ترین دسته‌بندی‌ها هستند.

نوع پلاستیکی که در بطری های شیر استفاده می شود به دلیل ساختار کریستالی خود به دمای بالا برای ذوب شدن و پردازش مجدد نیاز دارد. با این حال، اگر آلاینده های کیسه های پلاستیکی در مخلوط باشند، کیسه ها در آن دماهای بالا تخریب می شوند. بنابراین، اگر یک کیسه پلاستیکی با یک بطری شیر وارد مخلوط بازیافت شود، می تواند منجر به یک بطری شیر زرد رنگ و ناخالص شود که هیچ کس نمی خواهد از آن بنوشد. این خطر پردازش یکی از دلایلی است که بعید است بطری های شیر ساخته شده از پلاستیک های بازیافتی را ببینید.

علاوه بر این، اگر برخی از مواد پایدار در دمای بالا از ظروف بیرون‌آوری به خط فرآیند کیسه‌های پلاستیکی ختم شوند، احتمالاً ماشین‌های گرفتگی را مشاهده خواهید کرد.

از لحاظ تئوری، شما می توانید به راحتی زباله های پلاستیکی را با استفاده از نماد بازیافت کوچک دسته بندی کنید. سپس، می‌توانید آن پلاستیک‌های طبقه‌بندی شده را به بازیافت‌کنندگان ثانویه بفروشید، که زباله‌های طبقه‌بندی شده را به محصول تبدیل می‌کنند.

قیمت به خلوص فرضی پلاستیک بستگی دارد. یک عدل از بطری های بزرگ و نارنجی مواد شوینده لباسشویی احتمالاً به قیمت بالایی فروخته می شود زیرا انتخاب آن اقلام آسان است. با این حال، دسته ای از ظروف بیرونی می توانند به راحتی ترکیبی از پلاستیک با رنگ ها یا مواد افزودنی مختلف داشته باشند.

در مرکز بازیافت محلی در شهرستان مونتگومری، مریلند، مردم بطری‌های مواد شوینده لباس‌شویی، ظروف غذا و موارد دیگر را دسته‌بندی می‌کنند. با این حال، دست و چشم انسان فقط می تواند با این سرعت حرکت کند و اشتباهات در این سرعت آسان است. بنابراین، تسهیلات بازیافت بر دسته‌بندی پلاستیک‌های با ارزش یا قابل شناسایی آسان تمرکز می‌کنند تا در آنچه که به بازیافت‌کنندگان ثانویه می‌فروشند، سازگاری داشته باشند. این بدان معناست که بطری های مواد شوینده و ظروف نوشیدنی با نرخ بالایی بازیافت می شوند. «ظروف نقره‌ای» پلاستیکی و اسباب‌بازی‌های قدیمی کودکان احتمالاً اینطور نیستند.

برای کمک به آسان‌سازی مرتب‌سازی، کار ما در NIST بر استفاده از نور مادون قرمز نزدیک به مرئی (NIR) متمرکز شده است، فناوری که می‌تواند به پلاستیک‌ها نگاه کند و به سرعت به ما بگوید که چیست. برخی از تجهیزات پیشرفته بازیافت در حال حاضر از چراغ‌ها یا دوربین‌هایی استفاده می‌کنند که با استفاده از این رویکرد «دیدن» را دارند و بطری‌های نوشابه را از لوله‌های PVC مرتب می‌کنند.

اما این سیستم‌ها نمی‌توانند همه چیز را مرتب کنند، و تمرکز تحقیقات من ایجاد روشی برای کمک به دسته‌بندی پیچیده‌ترین پلاستیک‌ها به گونه‌ای است که برای بازیافت‌کنندگان سودآور باشد.

چگونه بازیافت را کارآمدتر می کنیم

با در نظر گرفتن این موضوع، تیم ما به این رویکرد NIR نگاه کرد و تصمیم گرفت آن را با کمک الگوریتم‌های یادگیری ماشین و سایر تکنیک‌های علمی بهبود بخشد.

در طیف‌سنجی مادون قرمز، نور را از چندین طول موج مختلف به برخی مولکول‌ها می‌تابانید. این مولکول ها مقداری از انرژی آن نور را بر اساس طول موج جذب می کنند و بقیه را منعکس یا منتقل می کنند.

یکی از راه های فکر کردن در مورد آن با گل و رنگ است. به عنوان مثال، هنگامی که طول موج های نور خورشید به یک گل رز قرمز می تابد، گل رز در جذب هر طول موج/رنگی به جز رنگ قرمز عالی است. نور قرمز از گلبرگ ها منعکس می شود و به همین دلیل است که گل رز برای ما قرمز به نظر می رسد.

اگر بدانیم که چه رنگ‌ها و شدت نوری را به یک گل یا بطری پلاستیکی می‌تابانیم و چه رنگ‌ها/شدت را برمی‌گردانیم، می‌توانیم از تفاوت مانند اثر انگشت برای شناسایی تعداد بیشتری از آن گل‌ها یا بطری‌ها استفاده کنیم.

با استفاده از یادگیری ماشینی، می‌توانیم اثر انگشت NIR را برای بسیاری از مواد پلاستیکی پیدا کنیم. سپس کامپیوتر را آموزش می دهیم تا پلاستیک را بر اساس شباهت سیگنال NIR جدید به سیگنال های NIR سایر پلاستیک ها شناسایی کند. این آموزش به فناوری کمک می‌کند مواد موجود در بطری نوشابه را شناسایی کند، بداند که با آرایش ظرف بیرون‌آوری متفاوت است و آنها را بر اساس آن جدا کند.

در اولین مقاله ما، ما از یادگیری ماشینی برای اتصال سیگنال های پلاستیکی خود با ویژگی های خاصی مانند چگالی و کریستالی بودن پلی اتیلن استفاده کردیم. به طور معمول، چگالی را با وزن کردن پلاستیک در مایعات مختلف و مقایسه تفاوت اندازه گیری می کنید. این یک روند بسیار کند و خسته کننده است.

با این حال، نشان می‌دهیم که می‌توانید از نور بازتابیده برای یافتن تقریباً همان اطلاعات استفاده کنید – خیلی سریع‌تر. و در خط بازیافت، زمان بسیار مهم است.

شما می توانید این رویکرد را برای نمونه های بزرگ و کوچک نیز اعمال کنید. جالب است، زیرا نشان می‌دهد که اگر موارد را با دقت تنظیم کنیم، می‌توانیم اطلاعات بیشتری را از این اندازه‌گیری‌های مبتنی بر نور استخراج کنیم.

این هنوز یک کار مقدماتی است و هنوز برای همه انواع پلاستیک اعمال نمی شود. بنابراین، اینطور نیست که بتوانیم به هر پلاستیکی نور بتابانیم و ویژگی های دقیق آن را بدانیم، اما شروعی هیجان انگیز است. اگر بتوانیم آن را افزایش دهیم، می‌تواند با مراحل کنترل کیفیت، هم بازیافت‌کنندگان و هم تولیدکنندگان را در زمان و تلاش زیادی صرفه‌جویی کند.

با انتشار آن کار، من بهترین راه‌ها را برای مدیریت تمام داده‌هایی که از این اندازه‌گیری‌ها به دست می‌آوریم، جستجو کرده‌ام. بر اساس شکل پلاستیک، چه نمونه در گلوله باشد، چه پودر یا یک بطری، در نهایت داده هایی با ظاهر بسیار متفاوت خواهید داشت.

این به این دلیل است که نور هنوز بازتاب می شود، اما بسته به شکل پلاستیک در جهات مختلف بازتاب می شود. به انعکاس یک حوض شفاف در مقابل یک حوض با امواج زیاد فکر کنید. سپس، می توانید رنگ ها و مواد نگهدارنده ای را اضافه کنید که پتانسیل تغییر واقعی سیگنال را دارند. این داده ها را اشتباه نمی کند، اما می تواند بر مرتب سازی تأثیر بگذارد. تفاوت بین مرتب کردن عکس‌های سیاه و سفید افراد و مرتب‌سازی عکس‌های سیاه و سفید، عکس‌های رنگی، کاریکاتورها و نقاشی‌های همان افراد را در نظر بگیرید.

برای مبارزه با این، تیم سعی کرده است مجموعه داده ما را گسترش دهد، در حالی که من به اصلاحات ریاضی برای قرار دادن پودر، گلوله و پلاستیک های رنگی در یک زمین بازی نگاه می کنم. اگر بتوانیم این کار را انجام دهیم، استفاده از یادگیری ماشین برای تشخیص اینکه کدام پلاستیک است، بسیار آسان تر خواهد شد.

برای اینکه این تحقیق به طور گسترده مفیدتر باشد، تلاش می کنم نشان دهم که می توانیم پلی اولفین های دردسرساز را مرتب کنیم. با روش‌های فعلی من، ما به دقت 95 تا 98 درصد هنگام مرتب‌سازی این پلاستیک‌ها دست پیدا می‌کنیم. ما این کار را با فرآیندی انجام می‌دهیم که تقریباً هر مرکز بازیافت مجهز به NIR می‌تواند در صورت تمایل بسیار سریع شروع به استفاده از آن کند.

بسیاری از تأسیسات بازیافت احتمالاً در حال حاضر از الگوریتم‌های مشابهی استفاده می‌کنند، اما این کار سطح بیشتری از پالایش را ارائه می‌دهد که واقعاً بر روی پلی اولفین‌های سخت به مرتب‌سازی تمرکز دارد.

اگر بتوانیم آن‌ها را به‌طور مؤثر دسته‌بندی کنیم، می‌توانیم با مشکلات پردازش کمتری دوباره از آنها استفاده کنیم و بازیافت بسیار سودآورتر خواهد شد. سپس، امیدواریم که این سود بتواند عادات بازیافت بهتری را ایجاد کند و ما بتوانیم اقتصاد خطی خود را به یک اقتصاد دایره ای تبدیل کنیم.

بازیافت به عنوان یک معما برای حل

من یک حلال مشکل هستم و از یک پازل به پازل دیگر می پرم.

علاوه بر تحقیقات پلیمری، من روی سیستم های دارورسانی برای سرطان تخمدان کار کرده ام و اکنون با هوش مصنوعی (AI) و یادگیری ماشینی کار می کنم.

من کارهای خوبی را که هنگام حل پازل های پیچیده انجام می دهم، دوست دارم. پایداری و مواد سازگار با محیط زیست موضوع خوبی در طول کار تحقیقاتی من بوده است.

ممکن است در ابتدا متوجه ارتباط بین تحقیقات زیست پزشکی و پلاستیک نباشید. اما سیستم های دارورسانی می توانند به ساختن کمک کنند مواد واقعا باحال با کاربردهای خارج از فضای پزشکی. کار پلاستیک همچنین می تواند درک ما از بدن ما را در زمینه هایی مانند DNA، پروتئین ها و کلاژن افزایش دهد.

و اکنون، با انفجار هوش مصنوعی، ما ابزارهای جدیدی برای انجام سریعتر و مؤثرتر تحقیقات مواد داریم. زمان بسیار هیجان انگیزی است که در این فضای مواد پایدار باشید!

آینده تحقیقات مرتب سازی

من در حال حاضر در حال اتمام قرارداد دو ساله خود در NIST هستم و به دنبال معما بعدی هستم تا حل کنم.

با این حال، من قصد دارم به عنوان یک همکار به NIST متصل بمانم تا به سایر محققان در استفاده از تکنیک هایم کمک کنم.

امیدوارم بتوانم به جامعه بزرگ بازیافت کمک کنم تا از تجزیه و تحلیل داده ها برای بهبود بازیافت و پاکسازی سیاره ما کمک کند.