Im jednak dokładniej odpady zostaną podzielone, tym większy wskaźnik odzysku surowców wtórnych można uzyskać. W przeciwnym razie większa ich ilość trafi na wysypiska albo zostanie spalona, zaś odzyskane surowce wtórne będą gorszej jakości. Sortowanie jest zatem kluczowym etapem recyklingu. Dlatego, by poprawić jego dokładność i wydajność, w sortowniach wdraża się najnowsze rozwiązania z zakresu automatyki, robotyki i pomiarów, a także te związane ze sztuczną inteligencją.
Przykładowo, w produkcji białego szkła opakowaniowego z wykorzystaniem stłuczki szklanej, której dodatek obniża temperaturę topnienia wsadu, co zmniejsza zużycie energii, wymagana jest czystość jej barwy na poziomie powyżej 99%. Dlatego zanim szklane odpady zostaną rozdrobnione do postaci stłuczki, muszą zostać dokładnie posegregowana pod względem koloru szkła. Z kolei w przypadku szkła zielonego dopuszczalne są odbarwienia stłuczki sięgające kilkunastu procent.
W produkcji stłuczki, oprócz segregacji odpadów szklanych na podstawie koloru, oddzielone muszę zostać również wszelkie ciała obce, w szczególności ceramika, kamienie, porcelana, a także szkło żaroodporne oraz zawierające ołów, np. dekoracyjne. Sortowania wymagają też tworzywa sztuczne. Jest to konieczne bez względu na metodę ich recyklingu.
RECYKLING MECHANICZNY I CHEMICZNY
Wyróżnić można dwie grupy recyklingu – mechaniczny oraz chemiczny. Pierwszy zachodzi bez zmiany struktury chemicznej materiału. Recykling mechaniczny to proces wieloetapowy. Najpierw materiał jest myty, a następnie rozdrabniany, mielony, topiony i przetwarzany do postaci granulatu. Przykładowo, na linii granulowania butelek PET na pierwszym stanowisku spłaszczone opakowania są kontrolowane pod kątem obecności zanieczyszczeń metalowych oraz przesiewane.
Kolejny etap to zwykle ich rozdrabnianie w młynach do tworzyw sztucznych, poprzedzone usuwaniem naklejek oraz nakrętek. Potem płatki tworzywa są ponownie czyszczone i trafiają do zagęszczarki. Materiał jest w niej podgrzewany oraz zagęszczany, dzięki czemu nadaje się do obróbki przez wytłaczanie. Uplastycznione tworzywo trafia następnie do granulatora, w którym jest odcinane przez zespół wirujących ostrzy. Potem granulat podlega chłodzeniu, suszeniu oraz przesiewaniu.
Ograniczeniem recyklingu mechanicznego jest to, że wielokrotnie powtarzane cykle odzyskiwania pogarszają właściwości tworzywa. Ponadto efektywność tej metody zależy od dokładności segregowania – tworzywa sztuczne przetwarzane w ten sposób muszą zostać rozdzielone według rodzaju oraz koloru, zanim zostaną poddane obróbce.
Recykling chemiczny polega na rozkładzie zużytych tworzyw sztucznych na surowce wtórne do produkcji paliw lub nowych tworzyw sztucznych. W tym celu plastikowe odpady poddawane są różnym procesom chemicznym, takim jak: piroliza, zgazowanie albo chemoliza, np. hydroliza, która depolimeryzuje polimery do postaci monomerów.
Przykładowo, hydroliza w przypadku PET polega na rozkładzie tego tworzywa wodą, pod ciśnieniem i w wysokiej temperaturze. W wyniku tej reakcji uzyskuje się kwas tereftalowy oraz glikol etylenowy. Są to surowce do produkcji PET. Popularnym procesem recyklingu chemicznego jest piroliza, czyli termiczny rozkład tworzywa zachodzący w bardzo wysokiej temperaturze i bez dostępu tlenu.
Jednak nie w przypadku wszystkich tworzyw sztucznych można ją wykorzystać – np. produktem pirolizy PVC jest toksyczny oraz korozyjny chlorowodór. Podobnie w przypadku PET ta metoda nie sprawdza się z powodu niskiej wydajności odzysku surowców nadających się do ponownego użycia. Poza tym w przypadku tego tworzywa piroliza ma gwałtowny przebieg, któremu towarzyszy wydzielanie się tlenu. To z kolei stwarza warunki dla niepożądanego spalania tego materiału. Ze względu więc na selektywność materiałową metod recyklingu chemicznego tworzywa sztuczne przetwarzane w ten sposób także wymagają posortowania ze względu na typ.
ODPADY ZMIESZANE
Wstępnie posegregowane odpady plastikowe stanowią mieszaninę polimerów różniących się składem chemicznym, temperaturą topnienia, gęstością i w konsekwencji wymaganiami w zakresie przetwarzania. W odpadach komunalnych można m.in. znaleźć takie tworzywa sztuczne, jak: politereftalan etylenu (PET), polietylen o wysokiej gęstości (HDPE), polietylen o niskiej gęstości (LDPE), polipropylen (PP), polistyren (PS) i polichlorek winylu (PVC). Charakteryzują się one odmiennymi kombinacjami właściwości, które determinują ich zastosowania oraz wymagania dotyczące recyklingu.
Przykładowo, PET – z którego wykonuje się butelki na napoje oraz opakowania na żywność i kosmetyki – cechują wysoka wytrzymałość i dobre właściwości barierowe, czyli zdolność do blokowania przenikania gazów, wilgoci, zapachów. Stanowiąc barierę dla gazów, tworzywo to z jednej strony chroni żywność w opakowaniach przed zepsuciem (utlenianiem), a z drugiej zapobiega ucieczce dwutlenku węgla z napojów gazowanych. Blokując parę wodną, chroni natomiast zawartość opakowań przed wchłanianiem wilgoci z otoczenia, co jest kluczowe w przypadku produktów sypkich, jak kawa. Zabezpiecza też produkt przed nasiąknięciem obcymi zapachami z zewnątrz i zatrzymuje jego aromat wewnątrz opakowania.
Ze względu na odporność chemiczną oraz sztywność z HDPE wykonuje się butelki na detergenty i kontenery, z kolei z elastycznego tworzywa LDPE o małej gęstości – folie i torebki. Polipropylen wyróżnia wysoka odporność zmęczeniowa, dzięki czemu wykonane z niego nakrętki nie pękają łatwo, pomimo narażenia na cykliczne obciążenia zginające lub rozciągające. Sztywny i kruchy polistyren wykorzystywany jest natomiast do produkcji artykułów i opakowań jednorazowego użytku.
Jeżeli strumień polimeru jednego typu zawierać będzie domieszki innych tworzyw, można spodziewać się problemów. Powodują je m.in. różne temperatury topnienia. Przykładowo, PET topi się w temperaturze ok. 250–260ºC, a PE i PP w temperaturze ok. 110–170ºC. Jeśli więc zostaną razem podgrzane, w zależności od temperatury docelowej zamiast ulec oczekiwanemu uplastycznieniu, te, dla których temperatura będzie zbyt wysoka, ulegną degradacji termicznej, a te, dla których będzie za niska, nie stopią się. W obu przypadkach odbije się to negatywnie na jakości powstałego materiału, np. granulatu wytworzonego w ramach recyklingu mechanicznego. Ponadto tworzywa termoplastyczne nie łączą się ze sobą, co oznacza, że nie tworzą jednorodnych mieszanek. Zamiast tego spodziewać się można separacji faz, co skutkuje osłabieniem struktury materiału wypadkowego. Generalnie zatem produktem recyklingu zmieszanych polimerów różnego typu są tworzywa gorszej jakości.
SORTERY VIS, NIR, XRF
Odpady z tworzyw sztucznych w sortowniach mogą być segregowane ręcznie przez pracowników albo automatycznie. Sortowanie ręczne pozwala osiągnąć większą selektywność separacji – strumienie posegregowanych odpadów są bardziej jednorodne, bez domieszek innych materiałów. To z kolei zmniejsza ilość zanieczyszczeń w odzyskanych surowcach wtórnych. Z drugiej strony, sortowanie ręczne jest wolne i kosztowne w przypadku dużych ilości odpadów. Może być również niebezpieczne dla pracowników ze względu na toksyczność niektórych tworzyw lub ich dodatków. Dlatego w większych sortowniach preferowane są sortery automatyczne – wydajniejsze i bardziej opłacalne. Segregują one plastiki na podstawie różnic w ich właściwościach, głównie optycznych.
Sortery automatyczne stanowią zwykle połączenie przenośnika, którym transportowane są plastiki, sensorów, które określają ich skład, oraz układu usuwania odpadów niezgodnego typu. Przeważnie jest to realizowane przez ich zdmuchnięcie z taśmociągu strumieniem sprężonego powietrza.
W rozpoznawaniu typu polimeru wykorzystuje się techniki spektroskopowe, głównie spektroskopię w świetle widzialnym (VIS), bliskiej podczerwieni (NIR) oraz fluorescencji rentgenowskiej (XRF). Wymienione metody mają swoje ograniczenia, przez co nie sprawdzają się w sortowaniu pewnych rodzajów tworzyw sztucznych.
Sortery VIS grupują tworzywa sztuczne według koloru. Czujniki NIR z kolei pozwalają określić typ plastiku na podstawie stopnia, w jakim dany materiał pochłania światło w zakresie fal podczerwonych. W uproszczeniu mechanizm absorpcji jest następujący: w strukturze polimerów występują charakterystyczne wiązania chemiczne, takie jak C–H, O–H, N–H, C–O, które mogą pochłaniać energię promieniowania NIR, ponieważ atomy je tworzące drgają wokół położenia równowagi, co wynika z energii termicznej układu. Wiązania te można modelować jako układ sprężysty, zdolny do oscylacji, o określonych częstotliwościach własnych. Jeżeli częstotliwość promieniowania jest zgodna z naturalną częstotliwością drgań wiązania, pochłania ono energię promieniowania i zaczyna silniej drgać. Po naświetleniu polimeru promieniowaniem podczerwonym jego część zostanie więc zaabsorbowana, a część odbita. Spektrometr analizuje widmo promieniowania odbitego, w którym rozpoznaje cechy specyficzne dla danego tworzywa (jakby jego „odcisk palca”). Przykładowo, w charakterystyce widmowej polietylenu występują silne pasma absorpcji podczerwieni przez wiązania C–H, sygnatura widmowa PET ma dodatkowe pasma wynikające z obecności grup estrowych, a polistyren – z występowania pierścieni aromatycznych.
Wpływ na poziom absorpcji może mieć wiele czynników, w tym kolor, tekstura powierzchni i kształt przedmiotu z tworzywa sztucznego. Dlatego, mimo zalet spektroskopii NIR, takich jak duża prędkość, duża głębokość penetracji i wysoki stosunek sygnału do szumu, zakres jej zastosowań ogranicza to, że nie jest skuteczna ani w przypadku czarnych tworzyw sztucznych, ponieważ czarny pigment pochłania większość światła podczerwonego, ani w przypadku tworzyw sztucznych, zawierających bromowane środki zmniejszające palność (BFR).
W spektroskopii fluorescencji rentgenowskiej XRF badany materiał jest naświetlany promieniowaniem rentgenowskim, co wywołuje zjawisko fluorescencji. Jego mechanizm jest w uproszczeniu w tym przypadku następujący: promieniowanie rentgenowskie wzbudza elektrony do przejścia na wyższy poziom energetyczny, a gdy z niego wracają, przeskokowi powrotnemu towarzyszy emisja promieniowania rentgenowskiego o widmie zależnym od składu pierwiastkowego tworzywa. Sortery XRF są wykorzystywane do rozpoznawania tworzyw sztucznych zawierających BFR i przede wszystkim do rozróżniania PVC od PET poprzez detekcję chloru obecnego w PVC.
AI W SORTOWNI
Spektroskopia odgrywa kluczową rolę w sortowaniu odpadów z tworzyw sztucznych. Ponieważ jednak różne jej techniki mają swoje ograniczenia, żadna z nich nie gwarantuje rozpoznania wszystkich rodzajów tworzyw sztucznych. Dlatego wykorzystuje się rozwiązania kombinowane.
Chcąc np. ominąć główne ograniczenie spektroskopii w bliskiej podczerwieni, czyli brak rozróżnienia czarnych tworzyw, sortery NIS uzupełnia się o możliwość rozpoznawania kolorów dzięki spektroskopii VIS. Najnowsze modele sorterów wykorzystują z kolei najbardziej obecnie zaawansowaną technologię obrazowania hiperspektralnego.
Poza tym, aby poprawić dokładność identyfikacji i wydajność segregacji tworzyw sztucznych w sorterach optycznych w przetwarzaniu danych rejestrowanych przez czujniki wykorzystuje się algorytmy uczenia maszynowego – przede wszystkim uczenia nadzorowanego i sieci neuronowych. Identyfikacja materiałów z wykorzystaniem sztucznej inteligencji przebiega zazwyczaj w trzech etapach: przetwarzaniu danych i ekstrakcji cech, doborze algorytmów uczenia maszynowego pełniących funkcję klasyfikatorów oraz testowaniu, ocenie skuteczności działania modeli i wyborze rozwiązania zapewniającego najwyższą dokładność klasyfikacji.
Dane wejściowe pozyskiwane są z kamer i spektrometrów, natomiast ekstrakcja cech realizowana jest za pomocą metod przetwarzania obrazu lub analizy sygnałów spektralnych. Dane spektralne są często poddawane wstępnemu przetwarzaniu, by ograniczyć złożoność obliczeniową oraz skrócić czas przetwarzania. Następnie klasyfikator przekształca dane wejściowe do przestrzeni cech i na tej podstawie wyznacza optymalne granice decyzyjne pomiędzy możliwymi klasami materiałów. Następnie model przypisuje analizowane dane do odpowiedniej kategorii na podstawie wzorców poznanych podczas procesu uczenia.
W systemach klasyfikacji odpadów wykorzystuje się różne algorytmy uczenia maszynowego i głębokiego uczenia. Do najczęściej stosowanych należą: adaptacyjny system wnioskowania neuro-rozmytego (Adaptive Neuro-Fuzzy Inference System, ANFIS), sztuczne sieci neuronowe (Artificial Neural Networks, ANN), drzewa decyzyjne (Decision Trees, DT), maszyny wektorów nośnych (Support Vector Machines, SVM), algorytm k najbliższych sąsiadów (k-Nearest Neighbors, KNN) oraz lasy losowe (Random Forest, RF).
Przykładem szeroko stosowanej metody są klasyfikatory oparte na drzewach decyzyjnych. Algorytmy te dzielą dane na coraz mniejsze i mniej złożone grupy, zgodnie z określonymi kryteriami decyzyjnymi. Ich działanie opiera się zazwyczaj na regułach typu „if – then – else”, w przypadku których proces klasyfikacji realizowany jest w strukturze przypominającej drzewo. Złożoność modelu rośnie wraz z głębokością drzewa decyzyjnego.
Drzewo decyzyjne tworzy hierarchiczną strukturę, w której każdy węzeł wewnętrzny odpowiada określonej cesze lub właściwości analizowanego tworzywa, natomiast węzły końcowe reprezentują konkretne klasy lub grupy materiałów. Algorytm na każdym etapie wybiera cechę dostarczającą największej ilości informacji i najlepiej rozdzielającą dane. W praktyce, gdy do systemu trafia obiekt wymagający klasyfikacji, np. odpad z tworzywa sztucznego, przechodzi on przez kolejne poziomy drzewa, rozpoczynając od węzła początkowego. Na każdym etapie analizowana jest wartość określonej cechy materiału, a następnie wybierana odpowiednia gałąź decyzyjna. Po dotarciu do liścia drzewa algorytm przypisuje obiekt do odpowiedniej klasy materiałowej.
Ze względu na przejrzystość działania oraz stosunkowo niewielkie wymagania obliczeniowe algorytmy drzew decyzyjnych znajdują zastosowanie nie tylko w klasyfikacji odpadów, ale również w budowie modeli prognostycznych dotyczących ilości generowanych odpadów.
AI W STEROWANIU CHWYTAKAMI
Aby sprostać wyzwaniom w dziedzinie gospodarki odpadami, w sortowniach wdraża się również przemysłowe roboty sortujące, w tym te sterowane przez sztuczną inteligencję. Stanowią one alternatywę dla tradycyjnych sorterów optycznych albo ich uzupełnienie, jeżeli usuwają nieprawidłowo posortowane tworzywa sztuczne w ramach końcowej kontroli.
Potencjał sztucznej inteligencji jest np. wykorzystywany w poprawie sprawności chwytaków robotów sortujących. Podstawowy sposób stanowi oczywiście dobranie robota do specyfiki zadania – generalnie ramiona z dodatkowymi stopniami swobody nadgarstka zwiększają elastyczność w zakresie orientacji chwytania. To zapewnia pewniejsze trzymanie podniesionego detalu. Dalszą poprawę można też jednak zauważyć, kiedy w wyznaczaniu optymalnych pozycji chwytaka korzysta się z modeli głębokiego uczenia bazujących na danych wizualnych. W takim przypadku obraz z kamery monitorującej transport śmieci na przenośniku jest analizowany przez sieć neuronową, która generuje propozycje chwytów w postaci prostokątów chwytania. Są to dwuwymiarowe reprezentacje potencjalnych chwytów, opisane zwykle pozycją w płaszczyźnie obrazu, kątem orientacji i szerokością otwarcia chwytaka. W praktyce jest to wyłącznie wizualne uproszczenie, które wskazuje, gdzie oraz pod jakim kątem robot powinien uchwycić obiekt. Dane te są później przekształcane do przestrzeni trójwymiarowej i używane do sterowania robotem. Spośród wielu propozycji model AI wybiera najlepszą na podstawie oceny prawdopodobieństwa uchwycenia obiektu zakończonego powodzeniem.
Równolegle rozwijane są metody bardziej zaawansowane, które odchodzą od reprezentacji 2D na rzecz analizy danych przestrzennych. Wykorzystuje się np. chmury punktów 3D pozyskiwane z kamer z możliwością postrzegania głębi, które reprezentują obiekt jako zbiór punktów w przestrzeni wraz z informacją o kolorze i odległości. Na ich podstawie model dokonuje segmentacji obiektu, grupując punkty w klastry odpowiadające poszczególnym powierzchniom. Jeżeli możliwa jest skuteczna klasteryzacja, algorytm rozróżnia powierzchnie płaskie, krawędzie i obszary potencjalnie stabilne do chwycenia. W sytuacji, gdy segmentacja nie daje jednoznacznych wyników, wykorzystywane są dodatkowe cechy geometryczne, takie jak lokalna krzywizna powierzchni czy rozkład punktów w sąsiedztwie. Na podstawie tak przetworzonej chmury punktów generowane są potencjalne propozycje ustawień dla przyssawek, które najlepiej sprawdzają się w manipulacji obiektami o nieregularnych kształtach. Podejście to, choć w przypadku takich detali efektywniejsze, jest zarazem obliczeniowo bardziej wymagające, a przez to wolniejsze.
Monika Jaworowska
