De la basura al efectivo: cómo la inteligencia artificial y el aprendizaje automático pueden ayudar a que el reciclaje sea menos costoso para los gobiernos locales
LOS MUNICIPIOS PUEDEN GANAR MUCHO DINERO, CLASIFICANDO LAS TONELADAS DE PLÁSTICO ELIMINADAS A DIARIO
15 de mayo de 2024
Por: Bradley Sutliff
El reciclaje cuesta mucho dinero a los gobiernos locales, pero la IA puede ayudar a que ese proceso sea menos costoso, lo que podría conducir a un mayor reciclaje. La investigación del NIST busca hacer que el reciclaje sea más eficiente y menos costoso.
Crédito: M. King/NIST
¿Qué sucede con el reciclaje de plástico después de tirarlo a “la papelera”?
En verdad, la respuesta es complicada. Depende de dónde vivas y qué sea ese plástico.
La recogida de material reciclado cuesta mucho dinero a los gobiernos locales. Necesitan mantener instalaciones para manipular los plásticos, así como camiones y contenedores para recogerlos. Los gobiernos también necesitan contratar gente para hacer el trabajo. Puede resultar mucho más económico simplemente tirar todo a un vertedero.
Sin embargo, cuando los gobiernos locales reciclan, pueden convertir la basura en dinero en efectivo si cuentan con la infraestructura adecuada. Pueden compensar algunos de los costos vendiendo el plástico recolectado a los fabricantes. La mayoría de los fabricantes quieren plástico reciclado que sea casi tan bueno como el plástico nuevo, pero eso requiere una cuidadosa clasificación por parte de los recicladores para proporcionar un producto consistente.
Para muchas personas, todo el plástico parece igual. Sin embargo, aquellos con buen ojo saben que existen siete tipos de plástico común. Puedes identificarlos por el pequeño símbolo de reciclaje que se encuentra en el fondo de casi todos los contenedores de plástico. Estos números ayudan a identificar la química detrás de esos plásticos. Es posible que los hayas notado al clasificar tu propio reciclaje.
A continuación se muestra una explicación de algunos de estos materiales:
Material
Usos comunes
Etiqueta de reciclaje
tereftalato de polietileno
botellas de refresco, botellas de agua reciclables
1 – PETE
polietileno de alta densidad
botellas de leche, botellas de detergente
2 – PEAD
cloruro de polivinilo
tuberías, cortinas de baño
3 – PVC
Polietileno de baja densidad
bolsas de supermercado, bolsas para sándwiches
4 – PEBD
polipropileno
recipientes para comida para llevar, vasos de yogur
5 – PP
poliestireno
tazas de café desechables
6 – PD
otro
gafas de seguridad, DVD, muchas botellas de agua reutilizables
7 – Otro
Clasificar estos plásticos es increíblemente importante. A menudo no se pueden mezclar diferentes plásticos con características similares porque requieren diferentes procedimientos de fusión.
Tomemos como ejemplo el PVC. Utilizado en todo, desde plomería hasta persianas, el PVC crea un ácido fuerte con muchos usos industriales cuando se funde. Pero como muchos otros ácidos, no es algo que quieras producir cuando no lo esperas.
Las poliolefinas, el grupo de plásticos que incluye el HDPE (usado en botellas de leche), el LDPE (usado en bolsas de plástico) y el PP (usado en envases de comida para llevar), constituyen un ejemplo mucho más sencillo. Este grupo de plásticos representa alrededor del 40% de la producción mundial de plástico . También son algunos de los más difíciles de clasificar.
El tipo de plástico utilizado en las botellas de leche requiere altas temperaturas para derretirse y reprocesarse debido a su estructura cristalina. Sin embargo, si hay contaminantes de bolsas de plástico en la mezcla, las bolsas se degradarán a esas altas temperaturas. Entonces, si una bolsa de plástico entra en la mezcla de reciclaje junto con una botella de leche, podría dar lugar a una botella de leche amarilla y asquerosa de la que nadie quiere beber. Este riesgo de procesamiento es una de las muchas razones por las que es poco probable que veas botellas de leche hechas de plástico reciclado.
Además, si algunos materiales estables a altas temperaturas provenientes de contenedores de comida para llevar terminan en una línea de proceso de bolsas de plástico, es probable que vea maquinaria obstruida.
Los trabajadores del Centro de Reciclaje del Condado de Montgomery clasifican los materiales que se van a reciclar. Crédito: B. Sutliff/NIST
En teoría, puedes clasificar fácilmente los residuos plásticos utilizando el pequeño símbolo de reciclaje. Luego, puedes vender esos plásticos clasificados a recicladores secundarios, quienes convertirán esos residuos clasificados en productos.
El precio depende de la supuesta pureza del plástico. Es probable que un fardo de botellas grandes de detergente para ropa de color naranja se venda a un precio elevado porque es fácil distinguir esos artículos. Sin embargo, muchos envases de comida para llevar pueden tener fácilmente una mezcla de plásticos con varios colores o aditivos.
En las instalaciones de reciclaje locales en el condado de Montgomery, Maryland, la gente clasifica a mano botellas de detergente para ropa, contenedores de alimentos y más. Sin embargo, las manos y los ojos humanos solo pueden moverse con cierta velocidad y los errores son fáciles a esa velocidad. Por lo tanto, las instalaciones de reciclaje se centran en clasificar plásticos de alto valor o fáciles de identificar para tener coherencia en lo que venden a los recicladores secundarios. Esto significa que las botellas de detergente y los envases de bebidas se reciclan a un ritmo elevado. Sus “cubiertos” de plástico y sus juguetes viejos probablemente no lo sean.
Para ayudar a facilitar la clasificación, nuestro trabajo en el NIST se ha centrado en el uso de luz infrarroja casi visible (NIR), una tecnología que puede observar los plásticos y decirnos rápidamente qué son. Algunas instalaciones de reciclaje de primer nivel ya utilizan luces o cámaras que “ven” con este enfoque y separan las botellas de refresco de las tuberías de PVC.
Pero estos sistemas no pueden clasificarlo todo, y el objetivo de mi investigación es crear un método para ayudar a clasificar los plásticos más complicados de una manera que sea rentable para los recicladores.
Cómo estamos haciendo que el reciclaje sea más eficiente
Con eso en mente, nuestro equipo analizó este enfoque NIR y decidió mejorarlo con la ayuda de algoritmos de aprendizaje automático y otras técnicas científicas.
En la espectroscopia infrarroja, se irradia luz de varias longitudes de onda diferentes sobre algunas moléculas. Esas moléculas absorben parte de la energía de esa luz según la longitud de onda y reflejan o transmiten el resto.
Una forma de pensarlo es con flores y colores. Cuando las muchas longitudes de onda de la luz del sol brillan sobre una rosa roja, por ejemplo, la rosa es excelente para absorber todas las longitudes de onda y colores excepto el rojo. La luz roja se refleja en los pétalos y por eso las rosas nos parecen rojas.
Si sabemos qué colores e intensidad de luz brillamos en una flor o botella de plástico y qué colores/intensidad obtenemos, podemos usar la diferencia como una huella digital para identificar más de esas flores o botellas.
El investigador del NIST Brad Sutliff trabaja con muestras de plástico en su laboratorio del NIST.
Utilizando el aprendizaje automático, podemos encontrar las huellas dactilares NIR de muchos materiales plásticos. Luego “entrenamos” a la computadora para que identifique el plástico en función de qué tan similar es la nueva señal NIR a las señales NIR de otros plásticos. Esta capacitación ayuda a la tecnología a identificar el material en una botella de refresco, saber que es diferente de la composición de un recipiente de comida para llevar y separarlos en consecuencia.
En nuestro primer artículo , utilizamos el aprendizaje automático para conectar nuestras señales plásticas con ciertas propiedades, como qué tan denso y cristalino era el polietileno. Normalmente, la densidad se mide pesando el plástico en diferentes líquidos y comparando la diferencia. Es un proceso muy lento y tedioso.
Sin embargo, demostramos que se puede utilizar la luz reflejada para encontrar casi la misma información, mucho más rápidamente. Y en la línea de reciclaje, el tiempo es esencial.
También puede aplicar este enfoque a muestras grandes y pequeñas. Es genial porque demuestra que podemos extraer mucha más información de estas mediciones basadas en la luz si configuramos las cosas con cuidado.
Se trata de un trabajo todavía muy preliminar y todavía no se aplica a todos los tipos de plásticos. Entonces, no es que podamos arrojar luz sobre ningún plástico y conocer sus características exactas, pero es un comienzo emocionante. Podría ahorrar mucho tiempo y esfuerzo tanto a los recicladores como a los fabricantes con pasos de control de calidad si podemos ampliarlo.
Con ese trabajo publicado, he estado investigando las mejores formas de manejar todos los datos que obtenemos de estas mediciones. Al final se obtienen datos de aspecto muy diferente según la forma del plástico, ya sea que la muestra esté en gránulos, en polvo o en una botella.
Esto se debe a que la luz aún se refleja, pero se refleja en diferentes direcciones dependiendo de la forma del plástico. Piense en el reflejo de un estanque claro versus un estanque con muchas ondas. Luego, puedes agregar colorantes y conservantes que tienen el potencial de cambiar realmente la señal. No hace que los datos sean incorrectos, pero puede influir en la clasificación. Piense en ello como la diferencia entre clasificar fotografías en blanco y negro de personas y clasificar fotografías en blanco y negro, fotografías en color, caricaturas y pinturas de esas mismas personas.
Para combatir esto, el equipo ha estado intentando ampliar nuestro conjunto de datos, mientras yo analizo correcciones matemáticas para poner polvos, bolitas y plásticos de colores en el mismo campo de juego. Si podemos lograrlo, será mucho más fácil utilizar el aprendizaje automático para ida investigación sea más útil, estoy trabajando para demostrar que podemos clasificar esas poliolefinas problemáticas. Con mis métodos actuales, logramos una precisión del 95% al 98% al clasificar estos plásticos. Estamos haciendo esto con un proceso que casi cualquier instalación de reciclaje equipada con NIR podría comenzar a utilizar muy rápidamente si así lo quisiera.entificar qué plástico es cuál.
Es probable que muchas instalaciones de reciclaje ya estén utilizando algoritmos similares, pero este trabajo proporciona un nivel adicional de refinamiento que realmente se centra en las poliolefinas difíciles de clasificar.
Si podemos clasificarlos de manera efectiva, podremos reutilizarlos con menos problemas de procesamiento y el reciclaje será mucho más rentable. Entonces, con suerte, las ganancias podrán impulsar hábitos de reciclaje aún mejores y podremos comenzar a convertir nuestra economía lineal en una circular.
El reciclaje como rompecabezas a resolver
Soy un solucionador de problemas y salto de un rompecabezas al siguiente.
Además de la investigación de polímeros, he trabajado en sistemas de administración de medicamentos para el cáncer de ovario y ahora trabajo con inteligencia artificial (IA) y aprendizaje automático.
Me encanta el bien que puedo hacer mientras resuelvo acertijos complejos. La sostenibilidad y los materiales bioamigables han sido un buen hilo conductor a lo largo de mi carrera investigadora.
Es posible que al principio no te des cuenta de la conexión entre la investigación biomédica y los plásticos. Pero los sistemas de administración de fármacos pueden ayudar a fabricar materiales realmente interesantes con aplicaciones fuera del ámbito médico. El trabajo con plásticos también puede mejorar nuestra comprensión de nuestro cuerpo en áreas como el ADN, las proteínas y el colágeno.
Y ahora, con la explosión de la IA, disponemos de nuevas herramientas para realizar investigaciones de materiales de forma más rápida y eficaz. ¡Es un momento muy emocionante para estar en este espacio de materiales sostenibles!
Espero ayudar a la comunidad de reciclaje en general a utilizar el análisis de datos para mejorar nuestro reciclaje y ayudar a limpiar nuestro planeta.
El 20 de mayo se acerca el Día Mundial de la Metrología, con el tema de la sostenibilidad. Usar la IA para ayudarnos a reciclar de manera más eficiente es una de las muchas contribuciones del NIST para crear un planeta más saludable. Aprende más:
Un científico de polímeros lucha, literal y figurativamente, con las frustraciones de los envases de plástico
Montar el viento: cómo la geometría aplicada y la inteligencia artificial pueden ayudarnos a ganar la carrera de las energías renovables
El misterio de los microplásticos: muestreo de microplásticos transportados por el aire en una instalación de reciclaje
SOBRE EL AUTOR
BRAD SUTLIFF
Brad ha estado estudiando materiales sostenibles desde 2012. Ha observado el ADN con fines de administración de medicamentos, ha trabajado con bacterias para sintetizar nuevos bioplásticos y ha utilizado pulpa de madera para reforzar nuestros plásticos. Se unió al NIST como becario postdoctoral del NRC en 2022 y comenzó a utilizar sus conocimientos sobre caracterización de materiales para ayudar a hacer del reciclaje un proceso más viable industrialmente. Actualmente vive en Rockville, Maryland, con su prometida, Deb, y su amado gato, Kiki.–
NIST USA