اختصاصی بسپار/ گفت و گو با مایکل کوستر: مرتب سازی با هوش مصنوعی، روشی هوشمند برای بازیافت پلاستیک
گروه ترجمه و تولید محتوا در بسپار/ ایران پلیمر هوش مصنوعی و بازیافت پلاستیک – دو مفهومی که در نگاه اول دارای اشتراک اندکی هستند، اما در عمل همزیستی چشمگیری را شکل میدهند. STEINERT و RE Plano گواه این موضوع هستند که به لطف هوش مصنوعی در غلبه بر چالشهای مرتب سازی پلی اتیلن و پلی پروپیلن موفق شده اند و راه را برای راه حلهای نوآورانهی بازیافت هموار میکنند.
مایکل کوستر در مصاحبه ای با K-MAG در مورد همکاری، فناوری مرتب سازی نوآورانه و میزان بهبود کیفیت و کارایی بازیافت پلاستیک توسط فرآیندهای کنترل شده با هوش مصنوعی صحبت میکند.
آقای کوستر، مشارکت بین STEINERT و RE Plano چگونه به وجود آمد و چه اهدافی را با اجرای فناوریهای مرتبسازی با هوش مصنوعی دنبال میکنید؟
مایکل کوستر: به منظور فعال کردن برنامههای حلقه بسته برای پلاستیکهای PP و PE، مانند مواردی که برای PET وجود دارد، RE Plano به دنبال شریکی بود که بتواند این مواد را بر اساس رنگ و مواد با کیفیت مناسب دستهبندی کند. این کار با ترکیب حسگر دوربینهای رنگی و NIR در سامانههای مرتب سازی STEINERT UniSort امکان پذیر است و به لطف برنامههای مرتب سازی مبتنی بر هوش مصنوعی حتی قابل اعتمادتر و کارآمدتر است.
چالشهای موجود در مرتب سازی قطعات پلاستیکی مانند پلی اتیلن و پلی پروپیلن چیست و فناوری مبتنی بر هوش مصنوعی چگونه به غلبه بر آنها کمک میکند؟
مایکل کوستر: مواد خارجی در جریان مواد وجود دارد که با استفاده از فناوریهای معمولی قابل دسته بندی نیستند. یک نمونه از این مواد کارتریجهای سیلیکونی ساخته شده از HDPE است که میتواند حاوی باقی مانده سیلیکون باشد و در نتیجه محصول مرتب سازی پلی اتیلن را آلوده کند. سامانههای مرتب سازی STEINERT میتوانند این مواد را با استفاده از برنامههای مرتب سازی مبتنی بر هوش مصنوعی جدا کنند. همین امر در مورد بسته بندیهای تک لایه و چند لایه نیز صدق میکند. علاوه بر این، قابلیت اطمینان مرتب سازی مواد سفید و دارای رنگ طبیعی را نیز میتوان بهبود بخشید.
فناوری هوشمند Object.Identifier STEINERT ترکیبی از فناوریهای مختلف پیشرفته است. میتوانید در این خصوص بیشتر به ما بگویید؟
مایکل کوستر: در سامانههای مرتبسازی UniSort ما از یک NIR و یک دوربین رنگی استفاده میکنیم که به یک نقطه روی تسمه نقاله نگاه میکنند. ما به این حسگر فیوژن میگوییم. از آنجایی که اطلاعات هر دو حسگر کاملاً همپوشانی دارند (زیرا مواد روی تسمه نقاله نمی توانند بین حسگر1 و حسگر 2 حرکت کنند)، این اطلاعات بهترین داده برای یک هوش مصنوعی است تا برنامههای مرتب سازی ما را از آن تولید کند. ما همچنین از دوربین NIR تصویربرداری فراطیفی استفاده میکنیم. این وضوح فضایی و طیفی در طیف NIR در مقایسه با اسکنرهای نقطه به نقطه معمولی چندین برابر است. اطلاعات اضافی به دست آمده همچنین به تولید برنامههای مرتب سازی قابل اعتماد از سوی هوش مصنوعی کمک میکند.
چه مزایایی نسبت به روشهای مرتب سازی معمولی دارد؟
مایکل کوستر: برنامههای مرتبسازی جدید امکان پذیر شده اند و برنامههای موجود را میتوان با قابلیت اطمینان بیشتری اجرا کرد.
آیا میتوانید برخی از نتایج یا موفقیتهای خاصی را که از زمان اجرای فناوری STEINERT در RE Plano به دست آمده است، به اشتراک بگذارید؟
مایکل کوستر: مشابه کارخانه RE Plano در اینجا قبلا وجود نداشت، به همین دلیل است که هیچ پیشرفتی را نمی توان در مقایسه با آن نام برد. با این حال، خلوص بیش از 97٪ در این کارخانه از مزایای مهم است و اولین بار است که خلوص مشابه با چرخه PET بدست میآید؛ و اینکه بازیافت PP و PE در مقایسه با صنعت بهبود یافته است.
چه توصیه ای به شرکتهای دیگر در صنعت بازیافت پلاستیک میکنید که علاقه مند به اجرای فناوریهای مرتب سازی مبتنی بر هوش مصنوعی هستند؟ آیا چالشها یا موانع خاصی وجود دارد که باید از آن آگاه باشند؟
مایکل کوستر: چالش اصلی موادی هستند که با هم سازگاری و هم خوانی ندارند. برای آموزش هوش مصنوعی، مواد باید از قبل در مرکز آزمایش اسکن شوند. این فرآیند پیچیدهتر از مواد معمولی است. با این حال، ما قبلاً این کار را برای بسیاری از محصولات مانند کارتریجهای سیلیکونی انجام داده ایم.
شما شخصاً چه انگیزهای برای کار در زمینه بازیافت پلاستیک دارید؟
مایکل کوستر: یافتن تعادل بین کاهش پلاستیک از یک سو و استفاده پایدار از پلاستیکهای قابل بازیافت از سوی دیگر مهم است. تقاضای فزاینده برای پلاستیکهای باکیفیت مانند پلاستیکهایی که در بستهبندی مواد غذایی یا صنعت خودروسازی استفاده میشوند و … باعث افزایش تقاضا برای بازیافت پلاستیک میشود. کارهای جدید و هیجان انگیزی در انتظار ما هستند، زیرا ما مسئولیت بزرگی در قبال آیندهی زمین و فرزندانمان داریم!
