به‌کارگیری هوش مصنوعی و رباتیک در شناسایی و جداسازی ریزپلاستیک‌ها از پسماندهای تر: یک الگوی نوین در مدیریت پسماند

داود ابراهیمی¹ فاطمه سلیمانی² سیدرضا کراری³

1) کارشناس ارشد مهندسی عمران گرایش مهندسی محیط زیست، دانشگاه پیام نور واحد شیراز، ایران -
2) کارشناس ارشد مهندسی عمران گرایش مهندسی محیط زیست، دانشگاه پیام نور واحد شیراز، ایران -
3) کارشناس ارشد مهندسی عمران گرایش مهندسی حمل و نقل، دانشگاه آزاد اسلامی واحد تهران جنوب، ایران -

کد IOI مقاله : ABFF-ABDFHE
محل انتشار : نهمین کنگره بین المللی توسعه کشاورزی، منابع طبیعی، محیط زیست و گردشگری ایران(9icsda.ir)
چکیده :
    آلودگی ناشی از ریزپلاستیک‌ها (ذرات کوچکتر از ۵ میلی‌متر) در پسماندهای تر، به یک چالش جهانی و تهدیدی جدی برای اکوسیستم‌ها، زنجیره غذایی و سلامت انسان تبدیل شده است. این ذرات که عمدتاً ناشی از تجزیه بسته‌بندی‌های پلاستیکی و محصولات یکبارمصرف هستند، به دلیل اندازه میکروسکوپی و پراکنش وسیع، به چالشی پیچیده و سخت‌درمان در مدیریت پسماندهای ارگانیک تبدیل شده‌اند. روش‌های سنتی جداسازی مانند الک کردن، شناورسازی و جداسازی دستی، به دلیل ناکارآمدی ذاتی در شناسایی و جداسازی ذرات با اندازه‌ها، اشکال، رنگ‌ها و ترکیب‌های شیمیایی مختلف، و همچنین وابستگی زیاد به نیروی انسانی و مصرف بالای انرژی، عمدتاً ناکارآمد، پرهزینه و غیرقابل گسترش به مقیاس صنعتی هستند. این کاستی‌ها منجر به آلودگی محصولات نهایی مانند کمپوست و بیوگاز شده و مانع جدی در تحقق اقتصاد چرخه‌ای محسوب می‌شوند. در پاسخ به این شکاف فناورانه، این مقاله به بررسی و تحلیل یک سامانه هوشمند یکپارچه و انقلابی می‌پردازد که با ترکیب و همگرایی بینایی رایانه‌ای پیشرفته (شامل تصویربرداری طیف‌نگار و فلورسانس فرابنفش)، الگوریتم‌های یادگیری ژرف (شامل شبکه‌های عصبی کانولوشنی پیشرفته و مدل‌های YOLO )و رباتیک دقیق (شامل سامانه‌های پنوماتیک و ربات‌های گیره‌دار)، قادر به شناسایی، طبقه‌بندی و جداسازی ریزپلاستیک‌ها از ترکیب پیچیده پسماندهای تر با دقت، سرعت و کارایی بی‌سابقه‌ای است. بر اساس یافته‌های این پژوهش و شبیه‌سازی‌های انجام‌شده در شرایط شبیه‌سازی شده به محیط واقعی، این سامانه هوشمند می‌تواند به دقت تشخیص (Precision) بیش از ۹۸٪ و دقت جداسازی فیزیکی ۹۵٪ دست یابد و سرعت پردازش پسماند را تا ۱۰ برابر روش‌های متعارف افزایش دهد. این سامانه همچنین قابلیت شناسایی و تفکیک انواع پلیمرهای رایج (مانند PET, PP, PE )را دارا می‌باشد. علاوه بر تشریح معماری سامانه و اجزای تشکیل‌دهنده آن، این پژوهش به تحلیل عمیق چالش‌های فنی-اقتصادی پیش‌رو (از جمله هزینه سخت‌افزاری، نیاز به داده‌های آموزشی و پیچیدگی محیط عملیاتی) می‌پردازد و راهکارهای عملی و کاربردی برای فائق آمدن بر این موانع و تسهیل تجاری‌سازی و گسترش این فناوری دگرگون‌ساز ارائه می‌نماید. در نهایت، چشم‌اندازهای آینده از جمله توسعه سامانه‌های همه‌کاره و کاهش بیشتر هزینه‌ها مورد بحث قرار می‌گیرد. این فناوری نه تنها پاسخی مستقیم به یک معضل زیستمحیطی است، بلکه گامی بلند به سوی ایجاد زیرساخت‌های مدیریت پسماند هوشمند و پایدار در قرن بیست و یکم محسوب می‌شود.

کلمات کلیدی : ریزپلاستیک‌ها پسماند تر هوش مصنوعی یادگیری ژرف بینایی ماشین رباتیک مدیریت پسماند اقتصاد چرخه‌ای