Как более интеллектуальные данные могут помочь в решении проблем переработки отходов

Десятилетия назад обещание переработки казалось таким простым: сортируйте материалы, выбрасывайте их в синий контейнер и наблюдайте, как они превращаются в новые продукты, будучи уверенными, что вы одновременно приносите пользу планете. Однако сегодня, по данным Агентства по охране окружающей среды, уровень переработки в США колеблется около 32%, а уровень загрязнения на некоторых предприятиях достигает 25% и выше. Реальность такова, что переработка в её нынешнем виде имеет свои фундаментальные недостатки, но новые технологии и подходы, основанные на данных, открывают беспрецедентные возможности для перестройки наших систем переработки с нуля.

Проблема переработки

Пройдитесь по любому жилому району в день сбора мусора, и вы увидите однообразную картину неразберихи в вопросах переработки: домовладелец запихивает коробку из-под пиццы в мусорное ведро, не зная, что остатки жира могут считать её загрязнённой. Прохожий бросает пластиковый пакет в мусорное ведро у обочины, не подозревая, что это затормозит работу сортировочной машины. Подобные сцены происходят каждый день сбора мусора по всей Америке — каждая из них символизирует небольшой сбой в системе, которая, будучи задуманной с благими намерениями, оказалась неэффективной.

Основная проблема заключается не в апатии потребителей, а в дефиците информации. Большинство программ переработки действуют по принципу «чёрных ящиков», предоставляя жителям свои рекомендации. Мало кто знает, что фактическая пригодность материалов для вторичной переработки меняется в зависимости от рыночной ситуации, возможностей предприятий и уровня загрязнения. Пластиковый контейнер с символом переработки может быть полностью перерабатываемым в одном муниципалитете, но бесполезным загрязнителем в другом. При этом потребители не получают оперативной информации о своём выборе.

Рассмотрим последствия на последующих этапах. На национальном уровне предприятия по переработке отходов (MRF) сталкиваются с проблемой высокой степени загрязнения, которая может сделать целые тюки ценных материалов непригодными для продажи. В то время как рабочие тратят бесчисленные часы, вручную сортируя неперерабатываемые материалы с конвейерных лент, экономическая модель может дать сбой, когда стоимость переработки загрязненных материалов превышает их рыночную стоимость, в результате чего предприятия отправляют смешанные партии на свалки.
Пандемия COVID-19 выявила, пожалуй, самые серьезные недостатки нашей инфраструктуры переработки: ее медленную и неспособность быстро адаптироваться к меняющимся условиям. В то время как поведение потребителей резко изменилось, изменился и состав потоков отходов. Тем не менее, большинство программ переработки продолжали работать на основе допандемических предположений, что привело к росту загрязнения и снижению эффективности всей системы.

Технологические решения: обнаружение загрязнений

Наиболее очевидная и эффективная возможность технологического вмешательства — обнаружение и удаление загрязнений. Традиционные MRF в значительной степени основаны на ручной сортировке, дополненной механическими системами, такими как сита и воздушные сепараторы. Этот подход не только трудоёмок, но и нестабилен, поскольку сортировщики-люди могут обрабатывать лишь ограниченное количество предметов в минуту с разной степенью точности.

Искусственный интеллект (ИИ) и машинное обучение революционизируют этот процесс, внедряя передовые оптические системы сортировки. Эти технологии способны идентифицировать материалы со сверхчеловеческой скоростью, обрабатывая тысячи предметов в минуту и ​​распознавая едва заметные различия, которые может не заметить человек. Системы ИИ способны различать разные виды пластика, выявлять проблемные предметы, такие как пластиковые пакеты или опасные материалы, и даже оценивать уровень загрязнения в режиме реального времени.

Спектроскопия в ближнем инфракрасном диапазоне (БИК) в сочетании с алгоритмами искусственного интеллекта позволяет системам сортировки принимать решения о потоках материалов за доли секунды. Эти системы могут динамически корректировать свои параметры в зависимости от состава поступающих материалов, оптимизируя показатели извлечения и минимизируя уровень загрязнения. Некоторые предприятия сообщают о снижении уровня загрязнения до 50% после внедрения систем сортировки на базе искусственного интеллекта.

Интеграция робототехники развивает эту концепцию: механические манипуляторы, управляемые системами машинного зрения с искусственным интеллектом, физически удаляют загрязнения из потоков материалов. Эти роботы могут работать непрерывно, не испытывая усталости, обеспечивая стабильную точность на протяжении всего периода обработки. Они также могут работать с потенциально опасными предметами, повышая безопасность персонала и поддерживая эффективность системы.

Трансформация образования потребителей с помощью технологий

До сих пор традиционное обучение переработке отходов основывалось на статичных материалах — брошюрах, веб-сайтах, наклейках на мусорных баках и социальной рекламе, — которые неизбежно и быстро устаревают, не отвечая на конкретные вопросы потребителей. Технологии позволяют перейти к персонализированному, интерактивному образованию, которое учитывает потребности потребителей и предлагает им практические рекомендации для решения конкретных ситуаций.

Какая самая доступная точка входа для улучшения информирования потребителей? Мобильные приложения. Приложения могут предоставлять самые актуальные рекомендации и информацию о местных правилах в отношении конкретных товаров, используя распознавание изображений для идентификации материалов и предоставления инструкций по утилизации с учётом местоположения. Пользователи могут просто сфотографировать товар, чтобы мгновенно получить информацию о том, подлежит ли он переработке в их регионе, как правильно его подготовить и куда отнести, если их программа приема отходов не принимает его.

Технология дополненной реальности позволяет накладывать инструкции по утилизации непосредственно на предметы, используя камеры смартфонов, создавая интуитивно понятный интерфейс между потребителями и системами переработки. Это позволяет избавиться от догадок, характерных для современного обучения переработке, предоставляя понятные визуальные инструкции, адаптируемые к конкретным местам и программам.

Технология обработки изображений на основе искусственного интеллекта (ИИ) может предоставлять потребителям мгновенную обратную связь относительно их выбора способа переработки. Оснастив мусоровозы камерами с поддержкой ИИ, пользователи смогут получать уведомления об утилизации загрязненных или неперерабатываемых отходов, превращая каждое решение об утилизации в возможность для обучения. Обратная связь в режиме реального времени замкнет цепочку между поведением потребителей и эффективностью системы, а также позволит муниципалитетам и частным сборщикам выявлять и штрафовать нарушителей, помогая устранять загрязнения непосредственно у источника.

Геймификация с помощью приложений с таблицами лидеров и заданиями повышает вовлеченность и образовательные программы в сфере переработки отходов, а в некоторых программах участие увеличивается на 30–40%. Наряду с интеллектуальными технологиями, это позволяет отслеживать индивидуальные и коллективные результаты, укреплять дух сообщества и предоставлять агентствам данные для постоянного совершенствования.

Планирование инфраструктуры с помощью аналитики данных

Грамотное планирование инфраструктуры, вероятно, представляет собой наилучшую долгосрочную возможность для совершенствования системы переработки отходов. В настоящее время большинство программ переработки отходов разрабатываются на основе устаревших предположений о моделях образования отходов в нашем обществе, транспортных расходах и возможностях переработки. Аналитика данных позволит в режиме реального времени оценить производительность системы и возможности её оптимизации.

Географические информационные системы (ГИС) и данные об образовании отходов позволяют определить оптимальные места для новых объектов, маршрутов сбора и центров переработки. Анализируя такие факторы, как плотность населения, состав отходов, транспортные сети и существующая инфраструктура, специалисты по планированию могут разрабатывать системы, минимизирующие затраты и максимизирующие показатели утилизации.

Предиктивная аналитика также позволяет прогнозировать изменения в потоках отходов на основе демографических тенденций, экономических условий и моделей поведения потребителей. Эта возможность позволит осуществлять упреждающие инвестиции в инфраструктуру, а не просто реагировать на меняющиеся условия. Например, модели данных могут прогнозировать увеличение производства картона в регионах с ростом электронной коммерции или сезонно во время традиционных пиков электронной коммерции, что позволит предприятиям соответствующим образом корректировать мощности.

Датчики Интернета вещей (IoT), развёрнутые по всей системе сбора и переработки, обеспечивают беспрецедентную прозрачность работы системы. Мусоровозы, оснащённые камерами на базе искусственного интеллекта, могут отслеживать уровни заполнения и степень загрязнения, оптимизировать маршруты сбора и выявлять проблемные зоны до того, как они повлияют на общую производительность системы. Перерабатывающие предприятия могут отслеживать производительность, энергопотребление и производительность оборудования в режиме реального времени, что позволяет проводить предиктивное обслуживание и оптимизировать эксплуатацию.

Оптимизация маршрутов, основанная на данных о дорожном движении и сборе данных в режиме реального времени, снижает транспортные расходы и повышает надежность обслуживания. Эти системы динамически адаптируются к условиям, изменяя маршруты грузовиков и корректируя графики. Некоторые муниципалитеты сообщают о снижении расходов на сбор данных до 20%.

Сила интеллектуальных данных

Аналитика данных превращает переработку отходов из серии разрозненных процессов в интегрированную, оптимизируемую систему. Собирая и анализируя данные на каждом этапе — от принятия решений потребителями об утилизации до продажи готовых материалов — операторы могут выявлять узкие места, оптимизировать процессы и демонстрировать ценность для заинтересованных сторон.

Благодаря анализу материальных потоков мы можем обеспечить полную прозрачность производительности системы, отслеживая материалы от сбора до окончательной утилизации. Эти данные выявляют неэффективность, которая может быть неочевидна при использовании традиционных операционных показателей, например, материалы, собираемые как вторсырье, но в конечном итоге отправляемые на свалку из-за загрязнения или рыночной конъюнктуры.

Системы обработки данных на основе ИИ в режиме реального времени позволяют быстро реагировать на меняющиеся условия без необходимости вмешательства человека. ИИ может непрерывно отслеживать уровни загрязнения, производительность и производительность оборудования, внося коррективы до того, как проблемы повлияют на производительность системы. Эта возможность особенно ценна в период сезонных колебаний или непредвиденных событий, изменяющих состав потока отходов.

Алгоритмы машинного обучения способны выявлять закономерности в образовании отходов и их переработке, которые используются как для принятия оперативных решений, так и для разработки политики. Эти данные могут выявлять неожиданные корреляции между демографическими факторами и эффективностью переработки, позволяя принимать целенаправленные меры, отвечающие конкретным потребностям сообщества.

Практические стратегии внедрения

Несколько ключевых стратегий могут максимизировать воздействие, минимизируя при этом риски и инвестиционные требования для специалистов по управлению отходами, стремящихся внедрить улучшения на основе данных.

Начните с пилотных программ, которые тестируют конкретные технологии в контролируемых средах перед их внедрением в масштабах всей системы. Такой подход позволяет операторам подтвердить заявленные характеристики производительности, выявить проблемы внедрения, продемонстрировать ценность решения заинтересованным сторонам до начала крупных инвестиций и улучшить долгосрочное внедрение решений конечными пользователями.

По возможности сосредоточьтесь на интеграции, а не на замене. Многие существующие системы не требуют немедленной модернизации для начала улучшения и достижения результата. Более того, большинство из них можно усовершенствовать с помощью датчиков, аналитики и автоматизации. Такой поэтапный подход позволяет снизить затраты и уменьшить количество сбоев, постепенно наращивая организационные возможности.

С самого начала уделяйте первостепенное внимание качеству и стандартизации данных. Ценность аналитики полностью зависит от качества исходных данных, поэтому крайне важно разработать надлежащие процедуры сбора, проверки и хранения. Несогласованность данных подрывает эффективность даже самых современных систем.

Развивать партнерские отношения с поставщиками технологий, перевозчиками и другими заинтересованными сторонами для распределения затрат и рисков, связанных с инновациями. Платформы формируют сеть из более чем 5000 проверенных перевозчиков, оснащая их технологиями и обеспечивая более быстрый и масштабируемый доступ к услугам и инновациям.

Инвестируйте в развитие персонала, чтобы сотрудники могли эффективно использовать новые технологии. Самые передовые системы приносят пользу только тогда, когда операторы понимают, как интерпретировать данные и действовать на основе полученных данных. Программы обучения должны охватывать как технические навыки, так и аналитическое мышление.

Путь вперёд

Отрасль переработки отходов находится на критическом этапе. Традиционные подходы достигли предела своих возможностей: уровень загрязнения, затраты на переработку и волатильность рынка ставят под угрозу жизнеспособность существующих программ. Однако конвергенция технологий искусственного интеллекта, Интернета вещей и передовой аналитики открывает беспрецедентные возможности для перестройки системы переработки отходов и повышения её эффективности, производительности и экономической устойчивости.

Успех потребует скоординированных усилий по всей цепочке создания стоимости — от производителей и потребителей до сборщиков и переработчиков. Поставщики технологий должны разрабатывать решения, направленные на решение реальных операционных задач, а не теоретических проблем. Политики должны создать нормативную базу, стимулирующую инновации и поддерживающую стандарты охраны окружающей среды. Производители должны уделять первостепенное внимание упаковке продукции с учётом переработки, будь то выбор материала или выделение части выручки на программы расширенной ответственности производителя, чтобы взять на себя большую ответственность за весь жизненный цикл своей продукции. Самое главное, лидеры отрасли должны принять изменения и инвестировать в технологии и возможности, которые определят будущее переработки.

Перспективы переработки могут быть реализованы благодаря фундаментальным изменениям в сфере утилизации и повторного использования материалов. Более интеллектуальные данные и передовые технологии предоставляют инструменты для этой трансформации; вопрос лишь в скорости адаптации отрасли.
Индустрия переработки десятилетиями управляла потоками отходов так же, как и сегодня. Пришло время активно формировать эти потоки для будущего, используя технологии и данные для создания систем, которые не только более эффективны, но и по-настоящему устойчивы. Будущее переработки зависит от нашей готовности принять эту трансформацию и инвестировать в инструменты, которые сделают её возможной.

Источник: https://wasteadvantagemag.com/how-smarter-data-can-help-recycling-challenges/