Cómo hacer que el reciclaje sea más rentable con la IA: información de la investigación del NIST

El reciclaje puede suponer un gasto importante para los gobiernos locales, pero la IA podría ayudar a reducir esos costes y, potencialmente, aumentar las tasas de reciclaje. Los investigadores del NIST están trabajando para que el reciclaje sea más eficiente y menos costoso.

¿Alguna vez te preguntaste qué pasa con el plástico después de tirarlo al “contenedor de reciclaje”?

Esta pregunta ha estado apareciendo mucho en las noticias últimamente.

La respuesta es bastante compleja. Depende de dónde vivas y del tipo de plástico que tires.

La recolección de materiales reciclables supone un enorme coste para los gobiernos locales. Deben mantener instalaciones para procesar los plásticos, así como camiones y contenedores para recogerlos. También deben contratar personal para realizar el trabajo. Sería mucho más barato arrojar todo a vertederos.

Sin embargo, cuando los gobiernos locales reciclan, pueden convertir la basura en dinero en efectivo si cuentan con la infraestructura adecuada. Pueden compensar algunos costos vendiendo los plásticos recolectados a los fabricantes. La mayoría de los fabricantes quieren que los plásticos reciclados sean casi tan buenos como los nuevos, lo que requiere una clasificación cuidadosa para ofrecer productos consistentes.

Para la mayoría de las personas, todos los plásticos parecen iguales, pero los ojos perspicaces saben que hay siete tipos comunes de plástico. Puedes identificarlos por los pequeños símbolos de reciclaje que aparecen en la base de casi todos los envases de plástico. Estos números ayudan a identificar la composición química de esos plásticos. Es posible que los hayas notado al clasificar tu propio material reciclable.

A continuación se muestra un desglose de algunos de estos materiales:

Material	Usos comunes	Código de reciclaje
Tereftalato de polietileno	Botellas de refresco, botellas de agua.	1 – PETE
Polietileno de alta densidad	Jarras de leche, botellas de detergente	2 – HDPE
Cloruro de polivinilo	Tuberías, cortinas de ducha	3 – PVC
Polietileno de baja densidad	Bolsas de supermercado, bolsas para sándwich	4 – LDPE
Polipropileno	Envases para llevar, vasos de yogur	5 – PP
Poliestireno	Vasos de café desechables	6 – PD
Otro	Gafas de seguridad, DVD y muchas botellas de agua reutilizables.	7 – Otros

La clasificación de estos plásticos es fundamental. A menudo, no es posible mezclar distintos tipos de plástico con características similares porque requieren procesos de fusión diferentes.

Tomemos como ejemplo el PVC. Se utiliza en todo, desde tuberías hasta cortinas de ducha. El PVC fundido produce un ácido fuerte que resulta útil en muchas aplicaciones industriales. Pero, como ocurre con muchos otros ácidos, no es algo que se quiera producir de forma inesperada.

Las poliolefinas, un grupo de plásticos que incluye el HDPE (usado en jarras de leche), el LDPE (usado en bolsas de plástico) y el PP (usado en envases para llevar), son un ejemplo más suave. Estos plásticos representan aproximadamente 40% de la producción mundial de plástico. También son unos de los más difíciles de clasificar.

El tipo de plástico que se utiliza en las jarras de leche requiere altas temperaturas para fundirse y reprocesarse debido a su estructura cristalina. Sin embargo, si se mezclan contaminantes de bolsas de plástico, estas se degradan a estas altas temperaturas. Por lo tanto, si una bolsa de plástico se mezcla con jarras de leche, podría dar como resultado un lote de jarras de leche descoloridas e inutilizables. Este riesgo de procesamiento es una de las razones por las que no se ven muchas jarras de leche fabricadas con plástico reciclado.

Además, si algunos materiales estables a altas temperaturas de los envases de comida para llevar terminan en una línea de procesamiento de bolsas de plástico, podrían producirse obstrucciones en la máquina.

Los trabajadores del Centro de Reciclaje del Condado de Montgomery clasifican materiales para reciclar.

En teoría, se pueden clasificar fácilmente los residuos plásticos utilizando los pequeños símbolos de reciclaje. Luego, se pueden vender estos plásticos separados a recicladores secundarios, que los transforman en productos.

El precio depende de la supuesta pureza del plástico. Un gran paquete de botellas de detergente de color naranja puede venderse a un precio elevado porque son fáciles de distinguir. Sin embargo, una pila de envases de comida para llevar puede mezclarse fácilmente con distintos colores o aditivos.

En la planta de reciclaje local del condado de Montgomery, Maryland, las personas clasifican manualmente botellas de detergente, envases de alimentos y más. Sin embargo, las manos y los ojos solo pueden moverse a cierta velocidad y es fácil cometer errores a esa velocidad. Por lo tanto, las instalaciones de reciclaje se centran en clasificar plásticos de alto valor o fáciles de identificar para mantener la consistencia al vender a recicladores secundarios. Esto significa que las botellas de detergente y los envases de bebidas se reciclan a tasas altas. Es posible que sus "cubiertos" de plástico y los juguetes viejos de los niños no.

Para facilitar la clasificación, nuestro trabajo en el NIST se ha centrado en el uso de luz infrarroja cercana (NIR), una tecnología que puede identificar rápidamente diferentes plásticos. Algunas de las principales instalaciones de reciclaje ya utilizan luces o cámaras para "ver" y separar las botellas de gaseosas de las tuberías de PVC.

Pero estos sistemas no pueden clasificar todo. Mi investigación se centra en crear un método que ayude a clasificar los plásticos más difíciles para que los recicladores puedan obtener ganancias.

Cómo hacemos que el reciclaje sea más eficiente

Con esto en mente, nuestro equipo analizó este método NIR y decidió mejorarlo con algoritmos de aprendizaje automático y otras técnicas científicas.

En la espectroscopia infrarroja, se proyectan distintas longitudes de onda de luz sobre algunas moléculas. Estas moléculas absorben parte de la energía de la luz en longitudes de onda específicas y reflejan o transmiten el resto.

Una forma de pensar en esto es con las flores y los colores. Por ejemplo, cuando muchas longitudes de onda de la luz del sol brillan sobre una rosa roja, la rosa es muy buena para absorber todas las longitudes de onda y colores excepto el rojo. La luz roja se refleja en los pétalos, por eso la rosa nos parece roja.

Si conocemos el color y la intensidad de la luz que proyectamos sobre una flor o una botella de plástico y el color/intensidad que recibimos, podemos usar las diferencias para identificar más de estas flores o botellas, como una huella digital.

Mediante el aprendizaje automático, podemos encontrar las huellas dactilares NIR de muchos materiales plásticos. Luego, “entrenamos” a las computadoras para que identifiquen plásticos en función de nuevas señales NIR en comparación con las señales NIR de otros plásticos. Este entrenamiento ayuda a la tecnología a reconocer los materiales presentes en las botellas de refresco, comprender en qué se diferencian de los envases de comida para llevar y separarlos en consecuencia.

En nuestro primer artículo, utilizamos el aprendizaje automático para relacionar las señales de plástico con determinadas propiedades (como la densidad y la cristalinidad del polietileno). Normalmente, se mide la densidad pesando el plástico en distintos líquidos y comparando las diferencias. Es un proceso muy lento y tedioso.

Sin embargo, hemos demostrado que se puede encontrar casi la misma información utilizando luz reflejada, mucho más rápido. En una cadena de reciclaje, el tiempo es crucial.

Este método se puede aplicar a muestras grandes y pequeñas. Esto es genial porque demuestra que si configuramos las cosas con cuidado, podemos obtener más información de estas mediciones basadas en la luz.

Este es un trabajo muy preliminar y aún no se aplica a todos los tipos de plásticos. Por lo tanto, no podemos simplemente arrojar luz sobre cualquier plástico y conocer sus propiedades exactas, pero es un comienzo emocionante. Si podemos ampliarlo, podría ahorrarles a los recicladores y fabricantes mucho tiempo y esfuerzo en los pasos de control de calidad.

Desde que publiqué este trabajo, he estado investigando cómo manejar todos los datos de estas mediciones. Se obtienen datos muy diferentes según la forma del plástico y si la muestra es una pastilla, un polvo o una botella.

Esto se debe a que la luz todavía se refleja, pero se refleja en diferentes direcciones según la forma del plástico. Imagine los reflejos en un estanque transparente en comparación con un estanque con muchas ondulaciones. Luego, puede agregar pigmentos y conservantes que realmente podrían cambiar la señal. Esto no hace que los datos sean incorrectos, pero puede afectar la clasificación. Puede pensar en ello como categorizar fotos de personas en blanco y negro frente a las mismas personas en blanco y negro, color, cómics y pinturas.

Para abordar este problema, el equipo ha estado ampliando nuestro conjunto de datos y estoy buscando soluciones matemáticas para poner en el mismo campo de juego los polvos, los gránulos y los plásticos de colores. Si podemos hacer esto, será más fácil identificar qué plástico es cuál mediante el aprendizaje automático.

Para que esta investigación sea más útil, estoy trabajando para demostrar que podemos clasificar esas complicadas poliolefinas. Con mi método actual, hemos alcanzado una precisión de entre 95% y 98% en la clasificación de estos plásticos. Lo estamos haciendo con procesos que casi cualquier instalación de reciclaje equipada con NIR puede empezar a utilizar rápidamente.

Es posible que muchas instalaciones de reciclaje ya estén utilizando algoritmos similares, pero este trabajo proporciona un nivel adicional de refinamiento, centrándose específicamente en las poliolefinas difíciles de clasificar.

Si podemos clasificarlos de manera eficaz, podremos reutilizarlos con menos problemas de procesamiento, lo que hará que el reciclaje sea más rentable. Luego, con suerte, las ganancias podrán impulsar mejores hábitos de reciclaje y podremos comenzar a convertir nuestra economía lineal en una circular.

El reciclaje como un rompecabezas por resolver

Soy un solucionador de problemas, saltando de un rompecabezas a otro.

Además de la investigación de polímeros, he trabajado en sistemas de administración de medicamentos para el cáncer de ovario y ahora estoy usando inteligencia artificial (IA) y aprendizaje automático.

Me encanta hacer el bien mientras resuelvo problemas complejos. La sustentabilidad y los materiales ecológicos han sido un tema hermoso a lo largo de mi carrera de investigación.

Es posible que al principio no veas la conexión entre la investigación biomédica y los plásticos, pero los sistemas de administración de fármacos pueden ayudar a crear materiales realmente interesantes con aplicaciones más allá de la medicina. El trabajo con plásticos también puede mejorar nuestra comprensión del ADN, las proteínas y el colágeno en nuestros cuerpos.

Ahora, con la explosión de la IA, contamos con nuevas herramientas para investigar materiales de forma más rápida y eficiente. ¡Vivimos un momento apasionante en el campo de los materiales sostenibles!

El futuro de Clasificación Investigación

Actualmente estoy terminando un contrato de dos años en el NIST y estoy buscando el próximo rompecabezas a resolver.

Sin embargo, planeo seguir conectado con NIST como afiliado para ayudar a otros investigadores a utilizar mis técnicas.

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.