„Sehr hohe“ Genauigkeit

Von Frontiers 22. März 2023

Die Forscher verwendeten hochempfindliche bildgebende Verfahren und entwickelten Methoden des maschinellen Lernens, mit denen kompostierbare Kunststoffe unter den herkömmlichen Typen identifiziert werden können.

Die Verwendung kompostierbarer Kunststoffe nimmt zu, und obwohl sie mehrere Vorteile bieten, können sich diese Materialien, wie Verpackungen und Verpackungen, beim Recycling mit herkömmlichen Kunststoffabfällen vermischen und diese verunreinigen. Um dieses Problem anzugehen, haben Wissenschaftler fortschrittliche Bildgebungstechniken eingesetzt und Algorithmen für maschinelles Lernen entwickelt, die in der Lage sind, kompostierbare Kunststoffe von herkömmlichen zu unterscheiden.

Einwegkunststoffe sind überall in unserem Leben und kommen in verschiedenen Formen vor, beispielsweise in Lebensmittelbehältern, Kaffeetassen und Plastiktüten. Obwohl bestimmte Kunststoffe so konzipiert sind, dass sie unter kontrollierten Bedingungen biologisch abbaubar sind, sind sie dennoch problematisch, da sie häufig herkömmlichen Kunststoffen ähneln. Wenn diese kompostierbaren Kunststoffe unsachgemäß recycelt werden, können sie Kunststoffabfallströme verunreinigen, was zu einer Verringerung der Recyclingeffizienz führt. Darüber hinaus werden recycelbare Kunststoffe oft mit kompostierbaren Kunststoffen verwechselt, was zu verschmutztem Kompost führt.

Researchers at University College London (UCL) have published a paper in Frontiers in Sustainability in which they used machine learningMachine learning is a subset of artificial intelligence (AI) that deals with the development of algorithms and statistical models that enable computers to learn from data and make predictions or decisions without being explicitly programmed to do so. Machine learning is used to identify patterns in data, classify data into different categories, or make predictions about future events. It can be categorized into three main types of learning: supervised, unsupervised and reinforcement learning." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]">Maschinelles Lernen, um verschiedene Arten kompostierbarer und biologisch abbaubarer Kunststoffe automatisch zu sortieren und von herkömmlichen Kunststoffen zu unterscheiden.

“The accuracyHow close the measured value conforms to the correct value." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]">Die Genauigkeit ist sehr hoch und ermöglicht den künftigen Einsatz der Technik in industriellen Recycling- und Kompostierungsanlagen“, sagte Prof. Mark Miodownik, korrespondierender Autor der Studie.

Die Forscher arbeiteten mit verschiedenen Kunststoffarten mit einer Größe zwischen 50 mm x 50 mm und 5 mm x 5 mm. Zu den herkömmlichen Kunststoffproben gehörten PP und PET, die häufig für Lebensmittelbehälter und Trinkflaschen verwendet werden, sowie LDPE, das unter anderem für Plastiktüten und Verpackungen verwendet wird. Zu den kompostierbaren Kunststoffproben gehörten PLA und PBAT, die für Becherdeckel, Teebeutel und Zeitschriftenverpackungen verwendet werden; sowie Palmblätter und Zuckerrohr, beides aus Biomasse gewonnene Materialien, die zur Herstellung von Verpackungen verwendet werden. Die Proben wurden in einen Trainingssatz zur Erstellung von Klassifizierungsmodellen und einen Testsatz zur Überprüfung der Genauigkeit unterteilt.

Die Ergebnisse zeigten hohe Erfolgsquoten: Das Modell erreichte eine perfekte Genauigkeit für alle Materialien, wenn die Proben eine Größe von mehr als 10 mm x 10 mm hatten. Bei aus Zuckerrohr oder Palmblättern gewonnenen Materialien mit einer Größe von 10 x 10 mm oder weniger betrug die Fehlklassifizierungsrate jedoch 20 % bzw. 40 %.

Bei der Betrachtung von Teilen mit einer Größe von 5 mm x 5 mm wurden einige Materialien zuverlässiger identifiziert als andere: Bei LDPE- und PBAT-Teilen betrug die Fehlklassifizierungsrate 20 %; und beide aus Biomasse gewonnenen Materialien wurden mit einer Rate von 60 % (Zuckerrohr) und 80 % (Palmblatt) falsch identifiziert. Das Modell war jedoch in der Lage, PLA-, PP- und PET-Teile unabhängig von den Probenmessungen fehlerfrei zu identifizieren.

„Derzeit werden die meisten kompostierbaren Kunststoffe beim Recycling herkömmlicher Kunststoffe als Kontaminanten behandelt, was ihren Wert mindert. Trommel- und Dichtesortierung werden zum Sieben von Kompost eingesetzt und reduzieren das Vorhandensein anderer Materialien. Allerdings ist der Schadstoffgehalt des aktuellen Screening-Prozesses unannehmbar hoch“, erklärte Miodownik. „Die Vorteile kompostierbarer Verpackungen kommen erst zum Tragen, wenn sie industriell kompostiert werden und nicht in die Umwelt gelangen oder andere Abfallströme oder den Boden verschmutzen.“

Um die Genauigkeit zu verbessern, testete ein Team von Wissenschaftlern, darunter Nutcha Teneepanichskul, Prof. Helen Hailes und Miodownik vom Plastic Waste Innovation Hub der UCL, verschiedene Arten konventioneller, kompostierbarer und biologisch abbaubarer Kunststoffe und nutzte dabei Hyperspektralbildgebung (HSI) für die Entwicklung von Klassifizierungsmodellen. HSI ist eine bildgebende Technik, die beim Scannen die unsichtbare chemische Signatur verschiedener Materialien erkennt und so eine pixelweise chemische Beschreibung einer Probe erstellt. Zur Interpretation dieser Beschreibungen und zur Materialidentifizierung wurden KI-Modelle eingesetzt.

Bei Recycling- und industriellen Kompostierungsprozessen kommt es häufig zu Missmanagement von Kunststoffen, weshalb zuverlässige Sortiermechanismen unerlässlich sind. „Derzeit ist die Geschwindigkeit der Identifizierung zu gering, um sie im industriellen Maßstab umzusetzen“, betonte Miodownik. „Wir können und werden es jedoch verbessern, da die automatische Sortierung eine Schlüsseltechnologie ist, um kompostierbare Kunststoffe zu einer nachhaltigen Alternative zum Recycling zu machen.“

Referenz: „Automatische Identifizierung und Klassifizierung kompostierbarer und biologisch abbaubarer Kunststoffe mithilfe hyperspektraler Bildgebung“ von Nutcha Taneepanichskul, Helen C. Hailes und Mark Miodownik, 14. März 2023, Frontiers in Sustainability.DOI: 10.3389/frsus.2023.1125954