Dünyamız makine öğrenimi ve malzeme biliminin yardımıyla temizlenebilir.Cam şişeleri, teneke kutuları ve karton kutuları özenle geri dönüştürüyor musunuz?
Belki de hepsi doğru konteynere sığıyor ve çevreye zarar veren daha az atık ürettiğiniz için kendinizi rahatlamış hissediyorsunuz. Ancak yaptığınız şey sadece bir başlangıç. Geri kazanılan malzemelerin uygun şekilde yeniden kullanılabilmesi ve üretim sürecine dahil edilebilmesi için geri dönüşüm tesislerinde derinlemesine ayrıştırma işlemlerinin gerçekleştirilmesi gerekir. Bu prosedürler, insanların neyin geri dönüştürülüp neyin dönüştürülemeyeceği konusundaki tutarsız anlayışları nedeniyle karmaşıklaşmaktadır. Geri dönüştürülen malzeme miktarındaki sürekli artışın bir sonucu olarak tesisler daha etkili hale gelmelidir.
Otomatik ayıklama yöntemleri işlerin daha hızlı ilerlemesini sağlar. Belirli bir malzeme türünü tek tek tanıyan ve seçen çoklu optik ayırıcılar modern tesislerde sıklıkla görülür. Bu teknikler, nesneleri boyutlarına göre seçen döner elekler veya manyetik metalleri toplayan büyük mıknatıslar kadar basit olabilir. Gelişmiş tesisler, optik görüntüleme veya IR spektroskopisi kullanarak polipropilen polimerler (vidalı şişe için standart malzeme) dahil olmak üzere belirli malzemeleri tanımlayabilir.
Bu yaklaşımların kendi dezavantajları vardır. Görüntü tabanlı teknikler bir nesnenin biçimi, rengi ve hatta ışıklandırması nedeniyle yanıltıcı olabilir. IR spektroskopisi daha doğru olmasına rağmen, sensörler yüzey lekeleri tarafından yanıltılabilir, bu da geri dönüşüm tesislerinin önce nesneleri temizlemesi için daha fazla zaman ve çaba gerektirir.
Çin’deki Hefei Teknoloji Üniversitesi’nden Lei Yang ve meslektaşları tarafından makine öğrenimi algoritmaları ve lazer kaynaklı parçalanma spektroskopisinden (LIBS) yararlanan yeni bir çöp ayırma tekniği önerildi. LIBS ile hedef malzemedeki atomların hızla uyarılması ve uyarımlarının giderilmesiyle bir plazma üretilir. Malzemenin emisyon spektrumları daha sonra bir toplayıcı tarafından element yapısını belirlemek için kullanılır (yukarıdaki şemada gösterildiği gibi). Çevresel aydınlatma, malzeme saflığı veya nesnenin estetik özelliklerinden etkilenmez. Metal alaşım tanımlaması halihazırda basit el tipi LIBS ekipmanı ile yapılmaktadır.
Geri dönüşüm tesisleri, LIBS ve makine-öğrenme tekniklerini kullanarak ürettiğimiz atıkları üretim sürecinde yeniden kullanarak daha etkili bir şekilde işleyebilir. Bu da gerçek bir kapalı döngü sistemiyle sonuçlanacaktır.
Sistem son derece hızlı olmasa da, çok şey yapıyor. Yalnızca yığın nesnenin malzemesini ölçtüğünden emin olmak için, numune önce toplanan spektrumlar tekdüze olana kadar bir lazer kullanılarak temizlenmelidir. Ardından, madde boyunca çeşitli konumlarda 100 tek atışlık spektrum toplanır. Araştırmanın bir sonraki aşamasında kullanılmak üzere, araştırmacılar bir bootstrap ortalama tekniği kullanarak 50 düşük sinyal-gürültü spektrumu üretti.
Çalışmada, malzemeler çeşitli makine-öğrenme algoritması kombinasyonları kullanılarak altı gruba ayrılmıştır: kağıt, plastik, cam, metal, tekstil ve ahşap.
Bu altı kategori ve çok sayıda alt sınıfın tümü LIBS tarafından aynı anda tanımlanmıştır. Temel fark, ortalama spektrumların kalitesindedir. Deneylerde, çeşitli makine öğrenme algoritmalarıyla birleştirilmiş geleneksel sıralama tekniklerinin %95’ten daha yüksek doğruluk seviyeleri elde etmesi nadir olmuştur. Malzemeler, LIBS ve makine öğrenimi yöntemleri kullanılarak altı ana gruba doğru bir şekilde sınıflandırılmıştır. Bu teknik geri dönüşüm tesislerinde uygulanmadan önce, çöpün karmaşıklığı nedeniyle daha fazla araştırma yapılmalıdır.
Kaynak: pubs.aip.org/physicstoday
