Ερευνητές χρησιμοποίησαν μηχανική μάθηση για να ταξινομήσουν αυτόματα διαφορετικούς τύπους κομποστοποιήσιμων και βιοαποικοδομήσιμων πλαστικών και να τα διαφοροποιήσουν από τα συμβατικά πλαστικά.
Τα κομποστοποιήσιμα πλαστικά, τα οποία έχουν κατασκευαστεί για να βιοδιασπώνται υπό ελεγχόμενες συνθήκες, έχουν αυξηθεί σε δημοτικότητα τα τελευταία χρόνια, αλλά συχνά είναι μορφολογικά πανομοιότυπα με τα συμβατικά πλαστικά, και ως εκ τούτου, δεν ανακυκλώνονται σωστά.
Τα δείγματα συμβατικών πλαστικών που μελετήθηκαν περιλάμβαναν πολυπροπυλένιο (PP) και τερεφθαλικό πολυαιθυλένιο (PET), που χρησιμοποιούνται συχνά σε δοχεία τροφίμων και μπουκάλια υγρών, καθώς και πολυαιθυλένιο χαμηλής πυκνότητας (LDPE) που χρησιμοποιείται συχνά σε πλαστικές σακούλες και συσκευασίες.
Τα κομποστοποιήσιμα δείγματα πλαστικών περιλάμβαναν πολυγαλακτικό οξύ (PLA) και polybutylene adipate terephthalate (PBAT), που χρησιμοποιούνται για καπάκια ποτηριών, φακελάκια τσαγιού και περιτυλίγματα περιοδικών, καθώς και φύλλα φοίνικα και ζαχαροκάλαμο, υλικά που προέρχονται από βιομάζα και χρησιμοποιούνται για την παραγωγή συσκευασιών.
Τα δείγματα χωρίστηκαν σε δύο διαφορετικές κατηγορίες, η μια χρησιμοποιήθηκε για τη δημιουργία μοντέλων ταξινόμησης και η άλλη χρησιμοποιήθηκε για τον έλεγχο της ακρίβειας αναγνώρισης. Οι ερευνητές εργάστηκαν με διαφορετικούς τύπους δειγμάτων, διαστάσεων μεταξύ 50mm x 50mm και 5mm x 5mm.
Το σύστημα μηχανικής μάθησης πέτυχε τέλεια ακρίβεια διαχωρισμού για όλα τα υλικά όταν τα δείγματα είχαν διαστάσεις περισσότερο από 10 mm x 10 mm. Ωστόσο, για υλικά που προέρχονταν από ζαχαροκάλαμο ή φύλλα φοίνικα με διαστάσεις 10 mm επί 10 mm ή λιγότερο, το ποσοστό εσφαλμένης ταξινόμησης ήταν 20% και 40%, αντίστοιχα.
«Η ακρίβεια είναι πολύ υψηλή και επιτρέπει στην τεχνική να χρησιμοποιηθεί με επιτυχία σε εγκαταστάσεις βιομηχανικής ανακύκλωσης και κομποστοποίησης στο μέλλον», δήλωσε ο καθηγητής Mark Miodownik, συγγραφέας της μελέτης και ερευνητής στο University College του Λονδίνου (UCL).
Όσον αφορά στα δείγματα με διαστάσεις 5mm x 5mm, ορισμένα υλικά αναγνωρίστηκαν με μεγαλύτερη πιστότητα από άλλα. Για τα δείγματα LDPE και PBAT, το ποσοστό εσφαλμένης ταξινόμησης ήταν 20%, ενώ τα δύο υλικά που προέρχονταν από βιομάζα, αναγνωρίστηκαν εσφαλμένα σε ποσοστά 60% (ζαχαροκάλαμο) και 80% (φύλλα φοίνικα). Το σύστημα μηχανικής μάθησης, ωστόσο, ήταν σε θέση να αναγνωρίσει τα δείγματα από PLA, PP και PET χωρίς σφάλμα, ανεξάρτητα από τις διαστάσεις του δείγματος.
«Επί του παρόντος, τα περισσότερα κομποστοποιήσιμα πλαστικά αντιμετωπίζονται ως ανεπιθύμητες προσμίξεις στην ανακύκλωση συμβατικών πλαστικών, μειώνοντας την αξία του ανακυκλωμένου υλικού», είπε ο Miodownik. «Τα πλεονεκτήματα των κομποστοποιήσιμων συσκευασιών γίνονται αντιληπτά μόνο όταν κομποστοποιούνται βιομηχανικά και δεν εισέρχονται στο περιβάλλον, ούτε μολύνουν άλλα ρεύματα αποβλήτων ή το έδαφος».
Για να βελτιώσει την ακρίβεια διαχωρισμού, η ομάδα εξέτασε διαφορετικούς τύπους συμβατικών, κομποστοποιήσιμων και βιοαποδομήσιμων πλαστικών, χρησιμοποιώντας Hyperspectral Imaging (HSI) για την ανάπτυξη μοντέλων ταξινόμησης.
Η HSI είναι μια τεχνική απεικόνισης που ανιχνεύει τη «χημική υπογραφή» διαφορετικών υλικών κατά τη σάρωση τους, δημιουργώντας μια χημική περιγραφή ενός δείγματος ανά εικονοστοιχείο (pixel). Για την ερμηνεία αυτών των περιγραφών και την ταυτοποίηση των υλικών χρησιμοποιήθηκαν μοντέλα τεχνητής νοημοσύνης.
Η κακή διαχείριση των πλαστικών αποβλήτων στις διαδικασίες ανακύκλωσης και βιομηχανικής κομποστοποίησης είναι ιδιαίτερα συχνή, καθιστώντας απαραίτητη την ύπαρξη αξιόπιστων μηχανισμών διαλογής.
«Προς το παρόν, η ταχύτητα αναγνώρισης είναι πολύ χαμηλή για μπορέσει η μέθοδος να εφαρμοστεί σε βιομηχανική κλίμακα», παραδέχτηκε ο Miodownik, αλλά τόνισε ότι η ταχύτητα της τεχνολογίας μπορεί να βελτιωθεί, γεγονός που δυνητικά θα την καθιστούσε τεχνολογία επιλογής.
Πηγή: eandt.theiet.com