全球再生塑料资讯站再生塑料 · 循环经济← 全部资讯

回收技术

【美国】研究人员取得可能重塑塑料回收未来的突破性发现:“重大实用进步

责任编辑:Irene Shen2 分钟阅读
研究人员取得可能重塑塑料回收未来的突破性发现:“重大实用进步

要点

  • 全球每年生产4.96亿吨塑料,其中2.67亿吨被废弃。
  • CNN模型在拉曼散射光谱数据下对六种塑料分类准确率达100%。
  • ATR-FTIR测试下模型准确率为95%,适用于工业现场检测。
  • 美国每年约4000万吨塑料被丢弃,实际回收率仅为5%。
  • 塑料生产产生占全球变暖污染3%的排放。

全球每年生产4.96亿吨塑料,其中2.67亿吨被废弃,这一重量约相当于340万头成年蓝鲸的体重。

一项发表于《资源、保护与回收》(Resources, Conservation, and Recycling)期刊的最新研究指出,人工智能有望解决回收行业长期面临的一大难题:在塑料进入加工环节前,精准识别不同种类的塑料。

来自华盛顿和波多黎各的研究人员发现,将光谱分析技术与深度学习相结合,可显著提升塑料分拣的准确率。光谱分析是一种研究材料与光相互作用的技术。

现有回收系统往往难以区分聚对苯二甲酸乙二醇酯(PET)、高密度聚乙烯(HDPE)、聚氯乙烯(PVC)和聚丙烯等塑料类型,尤其是当物品沾染污渍、经过染色或含有添加剂时。此类误判常导致“降级回收”(downcycling),即塑料未被完全循环再生,而是被用于制造价值更低的产品。

为应对这一挑战,研究团队开发了一种基于卷积神经网络(CNN)的机器学习框架。卷积神经网络常用于图像处理模型。与传统需人工选取特征的方法不同,CNN能够直接从光谱数据中学习并识别塑料的化学特征。

在利用真实回收样本的拉曼散射光谱数据进行训练后,该模型对六种常见消费类塑料的分类准确率达到100%。研究人员随后采用傅里叶变换红外光谱(ATR-FTIR)测试了同一方法,该技术广泛应用于工业及现场检测场景。该模型的准确率为95%。

研究还对比了多种分析方法,评估了它们在识别消费类塑料与海洋垃圾方面的表现差异。海洋垃圾通常已高度降解,识别难度更大。

在真实环境条件下,卷积神经网络能够准确识别“染色塑料、含添加剂塑料,以及经历实际环境条件并发生劣化的塑料”。

研究人员表示,该模型计算需求较低,适用于对速度和成本要求极高的真实自动化大规模回收设施。

更精准的分拣有助于减少在环境中存续数百年的塑料废弃物。塑料水瓶的降解周期可达450年,而塑料吸管的使用寿命可长达200年。

塑料生产高度依赖石油和天然气,产生占全球变暖污染3%的排放;在其生命周期末端,无论是进入垃圾填埋场、海洋还是其他环境,塑料废弃物都会导致微塑料污染,进而污染空气和土壤,并威胁人类健康。

仅在美国,每年约有4000万吨塑料被丢弃,但实际回收率仅为5%。

尽管这项新技术有望显著改善回收效果,研究人员指出,其最佳应用方式是配合减少塑料整体使用的举措,例如选择无塑料替代方案。

然而,这一突破并非孤立存在;近期塑料科学与回收领域的进展还包括:用于将塑料转化为更高价值化学品的热解研究、可“吞噬”塑料瓶的微生物,以及能安全分解泡沫塑料的三氯化铁。

据该研究的作者称,基于卷积神经网络(CNN)的模型能够有效识别多种类型的塑料废弃物及其状态,这标志着“面向实际应用的重大实用进展”,有望很快提升回收率,并防止塑料废弃物进入填埋场和生态系统。

编辑观点

高精度AI分选技术将推动机械回收从“降级”向“同级”再生转变,提升rPET、rPP等再生料纯度。从业者应关注光谱传感器与AI算法的集成成本,评估其在现有分选线上的部署可行性,以应对日益严格的再生含量要求。

常见问题

CNN模型识别染色塑料准确率多少?

准确率达到100%。研究团队利用真实回收样本的拉曼散射光谱数据训练模型,在六种常见消费类塑料分类中实现完全准确,且能识别经历环境劣化的塑料。

ATR-FTIR测试下模型准确率如何?

准确率为95%。研究人员采用傅里叶变换红外光谱测试同一方法,该技术广泛应用于工业及现场检测场景,证明模型在工业级检测中仍保持高可靠性。

该模型对自动化回收设施有何优势?

计算需求较低,适用于高速低成本场景。研究人员指出该模型适合对速度和成本要求极高的真实自动化大规模回收设施,有助于提升分选效率并减少塑料进入填埋场。