当前位置:业界 > 正文
热推荐:机器学习帮助分离可堆肥和传统塑料垃圾
2023-03-23 10:31:02 来源: cnBeta


(资料图)

可堆肥塑料的使用正在增加,虽然它们提供了一些好处,但这些材料,如包装纸和包装,在回收过程中可能与传统塑料垃圾混合并污染。为了解决这个问题,科学家们已经采用了先进的成像技术,并创建了能够区分可堆肥塑料和传统塑料的机器学习算法。

一次性塑料在我们的生活中无处不在,以各种形式出现,如食品容器、咖啡杯和塑料袋。尽管某些塑料被设计成在受控条件下进行生物降解,但它们仍然是有问题的,因为它们往往与传统塑料相似。当这些可堆肥塑料回收不当时,它们会污染塑料废物流,导致回收效率下降。此外,可回收的塑料经常被误认为是可堆肥的,导致堆肥被污染。

伦敦大学学院(UCL)的研究人员在《可持续发展前沿》(Frontiers in Sustainability)上发表了一篇论文,他们使用机器学习来自动分类不同类型的可堆肥和可生物降解塑料,并将它们与传统塑料区分开来。

该研究的通讯作者Mark Miodownik教授评价说:"准确度非常高,允许该技术在未来可行地用于工业回收和堆肥设施。"

研究人员使用了不同类型的塑料,尺寸在50mm乘50mm和5mm乘5mm之间。传统的塑料样品包括PP和PET,通常用于食品容器和饮料瓶,以及LDPE,除其他外,用于塑料袋和包装。可堆肥塑料样品包括PLA和PBAT,用于杯盖、茶袋和杂志包装;以及棕榈叶和甘蔗,这两种生物质衍生材料用于生产包装。这些样品被分为训练集和测试集,前者用于建立分类模型,后者用于检查准确性。

结果显示成功率很高: 当样品的尺寸超过10mm乘10mm时,该模型对所有材料都达到了完美的准确性。然而,对于尺寸为10mm乘10mm或更小的甘蔗衍生或棕榈叶基材料,错误分类率分别为20%和40%。

在测量5毫米乘5毫米的碎片时,一些材料的识别率比其他材料更可靠: 对于LDPE和PBAT碎片,错误分类率为20%;而两种生物质衍生材料的错误识别率为60%(甘蔗)和80%(棕榈叶)。然而,该模型能够无误地识别PLA、PP和PET碎片,而不受样品测量的影响。

"目前,大多数可堆肥塑料在传统塑料的回收中被作为污染物处理,降低了它们的价值。应用Trommel和密度分选来筛选堆肥,减少其他材料的存在。然而,目前筛选过程中的污染物水平高得令人无法接受,"Miodownik解释说。"可堆肥包装的优势只有在它们被工业化堆肥,并且不进入环境或污染其他废物流或土壤的情况下才能实现。"

为了提高准确性,包括Nutcha Teneepanichskul、Helen Hailes教授和UCL塑料废物创新中心的Miodownik在内的科学家团队测试了不同类型的传统塑料、可堆肥塑料和可生物降解塑料,使用高光谱成像(HSI)进行分类模型开发。HSI是一种成像技术,在扫描不同材料的同时检测其不可见的化学特征,产生一个逐像素的样品化学描述。人工智能模型被用来解释这些描述并进行材料识别。

回收和工业堆肥过程中的塑料管理不善,使得可靠的分拣机制至关重要。Miodownik指出:"问题在于目前识别的速度太低,无法在工业规模上实施。然而我们可以并将改进它,因为自动分拣是使可堆肥塑料成为回收的可持续替代品的关键技术"。

标签:

责任编辑: jkl2