Rendre le recyclage plus rentable grâce à l'IA : les résultats d'une étude du NIST

Le recyclage peut représenter une dépense importante pour les collectivités locales, mais l’IA pourrait contribuer à réduire ces coûts et potentiellement augmenter les taux de recyclage. Des chercheurs du NIST travaillent à rendre le recyclage plus efficace et moins coûteux.

Vous êtes-vous déjà demandé ce qui arrive à votre plastique après l’avoir jeté dans la « poubelle de recyclage » ?

Cette question revient souvent dans l’actualité ces derniers temps.

La réponse est assez complexe. Cela dépend de l'endroit où vous vivez et du type de plastique que vous jetez.

La collecte des matières recyclables représente un coût énorme pour les collectivités locales. Elles doivent entretenir des installations pour traiter les plastiques, ainsi que des camions et des bennes pour les collecter. Elles doivent également embaucher du personnel pour effectuer cette tâche. Il serait beaucoup moins coûteux de tout jeter dans des décharges.

Cependant, lorsque les collectivités locales recyclent leurs déchets, elles peuvent les transformer en argent, à condition de disposer des infrastructures adéquates. Elles peuvent compenser certains coûts en revendant les plastiques collectés aux fabricants. La plupart des fabricants souhaitent que les plastiques recyclés soient presque aussi bons que les neufs, ce qui nécessite un tri minutieux pour fournir des produits de qualité.

Pour la plupart des gens, tous les plastiques se ressemblent. Mais les yeux perçants savent qu’il existe sept types de plastique courants. Vous pouvez les identifier grâce aux petits symboles de recyclage figurant au bas de presque tous les contenants en plastique. Ces numéros permettent d’identifier la composition chimique de ces plastiques. Vous les avez peut-être remarqués en triant vous-même vos déchets recyclables.

Voici une liste de certains de ces matériaux :

Matériel	Utilisations courantes	Code de recyclage
Polyéthylène téréphtalate	Bouteilles de soda, bouteilles d'eau	1 – PETIT
Polyéthylène haute densité	Bidons de lait, bouteilles de détergent	2 – PEHD
Chlorure de polyvinyle	Tuyaux, rideaux de douche	3 – PVC
Polyéthylène basse densité	Sacs d'épicerie, sacs à sandwich	4 – PEBD
Polypropylène	Contenants à emporter, pots de yaourt	5 – PP
Polystyrène	Gobelets à café jetables	6 – PS
Autre	Lunettes de sécurité, DVD, de nombreuses bouteilles d'eau réutilisables	7 – Autre

Le tri de ces plastiques est crucial. Différents types de plastiques ayant des caractéristiques similaires ne peuvent souvent pas être mélangés car ils nécessitent des processus de fusion différents.

Prenons l'exemple du PVC. Il est utilisé dans de nombreux domaines, des tuyaux aux rideaux de douche. Le PVC fondu produit un acide puissant utile dans de nombreuses applications industrielles. Mais, comme de nombreux autres acides, ce n'est pas quelque chose que l'on souhaite produire de manière inattendue.

Les polyoléfines, un groupe de plastiques comprenant le PEHD (utilisé dans les pots à lait), le PEBD (utilisé dans les sacs en plastique) et le PP (utilisé dans les contenants à emporter), constituent un exemple plus doux. Ces plastiques représentent environ 40% de la production mondiale de plastique. Ils sont également parmi les plus difficiles à trier.

Le type de plastique utilisé dans les pots à lait nécessite des températures élevées pour fondre et être retraité en raison de sa structure cristalline. Cependant, si des contaminants de sacs en plastique se mélangent, ces sacs se dégradent à ces températures élevées. Ainsi, si un sac en plastique se mélange à des pots à lait, cela peut donner lieu à un lot de pots à lait de couleur différente et inutilisables. Ce risque de traitement est l'une des raisons pour lesquelles on ne voit pas beaucoup de pots à lait fabriqués à partir de plastique recyclé.

De plus, si certains matériaux stables à haute température provenant de contenants à emporter se retrouvent sur une chaîne de traitement de sacs en plastique, vous pourriez voir des obstructions de la machine.

Les travailleurs du centre de recyclage du comté de Montgomery trient les matériaux destinés au recyclage.

En théorie, vous pouvez facilement trier les déchets plastiques en utilisant les petits symboles de recyclage. Vous pouvez ensuite vendre ces plastiques triés à des recycleurs secondaires, qui les transforment en produits.

Le prix dépend de la pureté supposée du plastique. Un gros paquet de bouteilles de détergent orange peut se vendre à un prix élevé car elles sont faciles à repérer. En revanche, une pile de contenants de plats à emporter peut facilement être mélangée avec différentes couleurs ou additifs.

Dans l'usine de recyclage locale du comté de Montgomery, dans le Maryland, les gens trient manuellement les bouteilles de détergent, les contenants alimentaires et bien plus encore. Cependant, les mains et les yeux ne peuvent pas bouger aussi vite, et il est facile de faire des erreurs à cette vitesse. Les installations de recyclage se concentrent donc sur le tri des plastiques de grande valeur ou faciles à identifier pour maintenir la cohérence lors de la vente aux recycleurs secondaires. Cela signifie que les bouteilles de détergent et les contenants de boissons sont recyclés à des taux élevés. Vos « couverts » en plastique et vos vieux jouets pour enfants ne le seront peut-être pas.

Pour faciliter le tri, nos travaux au NIST se sont concentrés sur l’utilisation de la lumière proche infrarouge (NIR), une technologie qui permet d’identifier rapidement différents plastiques. Certaines des meilleures installations de recyclage utilisent déjà des lumières ou des caméras pour « voir » et trier les bouteilles de soda des tuyaux en PVC.

Mais ces systèmes ne peuvent pas tout trier. Mes recherches portent sur la création d'une méthode permettant de trier les plastiques les plus difficiles afin que les recycleurs puissent réaliser des bénéfices.

Comment nous rendons le recyclage plus efficace

Dans cet esprit, notre équipe a examiné cette méthode NIR et a décidé de l’améliorer avec des algorithmes d’apprentissage automatique et d’autres techniques scientifiques.

En spectroscopie infrarouge, on projette différentes longueurs d'onde de lumière sur certaines molécules. Ces molécules absorbent une partie de l'énergie lumineuse à des longueurs d'onde spécifiques et réfléchissent ou transmettent le reste.

Une façon de voir les choses est de considérer les fleurs et les couleurs. Par exemple, lorsque de nombreuses longueurs d’onde de la lumière du soleil brillent sur une rose rouge, la rose absorbe très bien toutes les longueurs d’onde/couleurs sauf le rouge. La lumière rouge se reflète sur les pétales, c’est pourquoi la rose nous apparaît rouge.

Si nous connaissons la couleur et l'intensité de la lumière que nous projetons sur une fleur ou une bouteille en plastique et la couleur/intensité que nous obtenons en retour, nous pouvons utiliser les différences pour identifier davantage de ces fleurs ou bouteilles, comme une empreinte digitale.

Grâce à l'apprentissage automatique, nous pouvons trouver les empreintes NIR de nombreux matériaux plastiques. Nous « entraînons » ensuite les ordinateurs à identifier les plastiques en fonction de nouveaux signaux NIR comparés aux signaux NIR d'autres plastiques. Cet entraînement aide la technologie à reconnaître les matériaux des bouteilles de soda, à comprendre en quoi ils diffèrent des contenants à emporter et à les séparer en conséquence.

Dans notre premier article, nous avons utilisé l'apprentissage automatique pour relier nos signaux plastiques à certaines propriétés (comme la densité et la cristallinité du polyéthylène). En général, on mesure la densité en pesant le plastique dans différents liquides et en comparant les différences. C'est un processus très lent et fastidieux.

Nous avons cependant montré qu’il est possible de trouver presque les mêmes informations en utilisant la lumière réfléchie, et ce beaucoup plus rapidement. Sur une chaîne de recyclage, le temps est crucial.

Vous pouvez appliquer cette méthode à des échantillons de grande ou de petite taille. C'est intéressant car cela montre que si nous mettons les choses en place avec soin, nous pouvons obtenir plus d'informations à partir de ces mesures basées sur la lumière.

Il s'agit d'un travail encore très préliminaire qui ne s'applique pas encore à tous les types de plastiques. Nous ne pouvons donc pas nous contenter de mettre en lumière n'importe quel plastique et de connaître ses propriétés exactes, mais c'est un début passionnant. Si nous pouvons le mettre à l'échelle, cela pourrait faire gagner beaucoup de temps et d'efforts aux recycleurs et aux fabricants lors des étapes de contrôle qualité.

Depuis la publication de cet ouvrage, je me suis penché sur la manière de traiter toutes les données issues de ces mesures. On obtient des données très différentes selon la forme du plastique et selon que l'échantillon est une pastille, une poudre ou une bouteille.

En effet, la lumière se réfléchit toujours, mais dans des directions différentes selon la forme du plastique. Imaginez les reflets sur un étang transparent par rapport à un étang avec de nombreuses ondulations. Vous pouvez ensuite ajouter des pigments et des conservateurs qui pourraient vraiment modifier le signal. Cela ne rend pas les données erronées, mais cela peut affecter le tri. Vous pouvez considérer cela comme une catégorisation de photos de personnes en noir et blanc par rapport aux mêmes personnes en noir et blanc, en couleur, dans des bandes dessinées et des peintures.

Pour résoudre ce problème, l'équipe a élargi notre ensemble de données et je cherche des solutions mathématiques pour mettre les poudres, les granulés et les plastiques colorés sur le même terrain de jeu. Si nous y parvenons, il sera plus facile d'identifier quel plastique est lequel à l'aide de l'apprentissage automatique.

Pour rendre cette recherche plus largement utile, je travaille à montrer que nous pouvons trier ces polyoléfines délicates. En utilisant ma méthode actuelle, nous avons atteint une précision de 95% à 98% dans le tri de ces plastiques. Nous y parvenons avec des procédés que presque toutes les installations de recyclage équipées de NIR peuvent rapidement commencer à utiliser.

De nombreuses installations de recyclage utilisent peut-être déjà des algorithmes similaires, mais ce travail apporte un niveau de raffinement supplémentaire, en se concentrant spécifiquement sur les polyoléfines difficiles à trier.

Si nous parvenons à trier efficacement ces déchets, nous pourrons les réutiliser sans avoir à faire face à des problèmes de traitement, ce qui rendra le recyclage plus rentable. Nous espérons alors que les profits pourront favoriser de meilleures habitudes de recyclage et que nous pourrons commencer à transformer notre économie linéaire en économie circulaire.

Le recyclage, un casse-tête à résoudre

Je suis un résolveur de problèmes, sautant d'un puzzle à l'autre.

Outre la recherche sur les polymères, j'ai travaillé sur des systèmes d'administration de médicaments pour le cancer de l'ovaire et j'utilise désormais l'intelligence artificielle (IA) et l'apprentissage automatique.

J'aime faire le bien tout en résolvant des problèmes complexes. La durabilité et les matériaux respectueux de l'environnement ont été un beau thème tout au long de ma carrière de chercheur.

Au premier abord, on ne voit peut-être pas le lien entre la recherche biomédicale et les plastiques. Pourtant, les systèmes d’administration de médicaments peuvent contribuer à créer des matériaux vraiment intéressants ayant des applications au-delà de la médecine. Les travaux sur les plastiques peuvent également améliorer notre compréhension de l’ADN, des protéines et du collagène dans notre corps.

Aujourd'hui, grâce à l'explosion de l'intelligence artificielle, nous disposons de nouveaux outils pour effectuer des recherches sur les matériaux plus rapidement et plus efficacement. C'est une période passionnante dans le domaine des matériaux durables !

L'avenir de Tri Recherche

Je termine actuellement un contrat de deux ans au NIST et je cherche le prochain casse-tête à résoudre.

Cependant, je prévois de rester en contact avec le NIST en tant qu'affilié pour aider d'autres chercheurs à utiliser mes techniques.

J’espère aider la communauté plus large du recyclage à utiliser l’analyse de données pour améliorer notre recyclage et contribuer à nettoyer notre planète.