Это один из самых страшных секретов общества: Большинство пластика, выброшенного в синие и зеленые контейнеры, на самом деле не перерабатывается. На самом деле, исследования показывают, что едва ли 5 процентов всего пластика, предназначенного для переработки, проходит через этот процесс и превращается в новые продукты. Существует целый ряд факторов, которые способствуют такому поразительно низкому числу - включая загрязненные материалы, требования к воде и выброшенные отходы - но проблема усугубляется тем, что потребление пластиковых отходов средним американцем выросло на 263 процента с 1980 года.
Это серьезная ситуация, которая требует скорейшего решения, и исследователи находятся в поисках эффективного и действенного решения. Как сообщается в статье, опубликованной в журнале Frontiers in Sustainability, команда из Университетского колледжа Лондона разработала новую модель машинного обучения, способную выделить компостируемые и биоразлагаемые пластмассы из обычных сортов, чтобы повысить эффективность и точность переработки.
Большинство современных пластмасс относится к нескольким категориям, имеющим различный химический состав: полиэтилен (PET) и полипропилен (PP) составляют большинство питьевых бутылок и контейнеров для пищевых продуктов, а полиэтилен низкой плотности (LDPE) можно найти в таких изделиях, как пластиковые пакеты и упаковки. Между тем, компостируемые варианты, включающие полимолочную кислоту (PLA) и полибутилен адипат-терефталат (PBAT), обычно используются в чайных пакетиках, обертках журналов и крышках кофейных чашек. Наконец, пластики из биомассы, получаемые из пальмовых листьев и сахарного тростника, часто используются для других видов упаковки.
Переработка и компостирование хорошо работают только тогда, когда эти варианты правильно отсортированы и обработаны надлежащим образом. Перекрестное загрязнение часто снижает эффективность, что приводит к потере ценного времени и энергии. Чтобы улучшить ситуацию, исследователи разработали систему классификации на основе гиперспектральной визуализации (HSI), которая сканирует химические сигнатуры материалов для получения попиксельного описания образцов. Затем на этих данных была обучена программа машинного обучения (ML), которая впоследствии использовалась для просмотра и сортировки отдельных кусков пластиковых отходов.
Когда пластиковые материалы были размером более 10 мм на 10 мм, модель команды достигала идеальной точности при сортировке. Хотя скорость сортировки снижалась - иногда резко - в зависимости от размера и материала, первоначальные результаты программы ML показывают огромные перспективы, если их отточить и расширить для удовлетворения промышленных потребностей.
"Преимущества компостируемой упаковки реализуются только тогда, когда она промышленно компостируется и не попадает в окружающую среду, не загрязняет другие потоки отходов или почву", - сказал в своем заявлении Марк Миодовник, профессор кафедры материалов и общества факультета машиностроения UCL и автор-корреспондент статьи, добавив, что они "могут и будут улучшать ее, поскольку автоматическая сортировка является ключевой технологией для того, чтобы компостируемые пластики стали устойчивой альтернативой переработке".