I ricercatori dell’University College di Londra (UCL) hanno sviluppato un metodo di apprendimento automatico che consente di separare i rifiuti di plastica compostabili da quelli convenzionali con una precisione “molto elevata”. Le plastiche monouso sono ovunque: contenitori per alimenti, tazze da caffè, sacchetti di plastica. Alcune di queste plastiche, chiamate plastiche compostabili, possono essere progettate per biodegradarsi in condizioni controllate. Tuttavia, spesso hanno un aspetto identico alle plastiche convenzionali, vengono riciclate in modo errato e contaminano i flussi di rifiuti in plastica e riducono l’efficienza del riciclaggio. Allo stesso modo, le plastiche riciclabili vengono spesso scambiate per quelle compostabili, con conseguente inquinamento del compost. I ricercatori dell’UCL hanno utilizzato l’apprendimento automatico, processo di intelligenza artificiale in cui i computer possono apprendere dalle esperienze, senza essere esplicitamente programmati, per classificare automaticamente diversi tipi di plastica compostabili e biodegradabili e distinguerle da quelle convenzionali.
L’imaging iperspettrale
In uno studio pubblicato su Frontiers in Sustainability, i ricercatori hanno utilizzato l’imaging iperspettrale (HSI) per sviluppare il modello di classificazione. L’HSI è una tecnica di imaging che rileva la firma chimica invisibile di diversi materiali durante la scansione, producendo una descrizione chimica pixel per pixel di un campione. In parole povere, è una tecnica che aggiunge una terza dimensione colorata a un’immagine riflessa che è quella che contiene i dati spettrali del bersaglio. I campioni di plastica convenzionale comprendevano PP e PET, spesso utilizzati per contenitori per alimenti e bottiglie per bevande, nonché LDPE, usato, tra l’altro, per sacchetti di plastica e imballaggi. I campioni di plastica compostabile comprendevano PLA e PBAT, utilizzati per coperchi di tazze, bustine di tè e involucri di riviste, nonché foglie di palma e canna da zucchero, entrambi materiali derivati da biomassa utilizzati per produrre imballaggi. I campioni sono stati suddivisi in un set “di addestramento”, utilizzato per costruire modelli di classificazione, e in un set di test, utilizzato per verificare l’accuratezza.
I risultati hanno mostrato alti tassi di successo: Il modello ha raggiunto un’accuratezza perfetta per tutti i materiali quando i campioni misuravano più di 10 mm per 10 mm. Per i materiali derivati dalla canna da zucchero o dalla foglia di palma che misuravano 10 mm per 10 mm o meno, invece, il tasso di errore di classificazione era rispettivamente del 20% e del 40%. Per quanto riguarda i pezzi di 5 mm per 5 mm, alcuni materiali sono stati identificati in modo più affidabile di altri: per i pezzi di LDPE e PBAT il tasso di errore di classificazione è stato del 20%, mentre entrambi i materiali derivati da biomasse sono stati identificati in modo errato con tassi del 60% (canna da zucchero) e dell’80% (foglia di palma). Il modello è stato tuttavia in grado di identificare senza errori i pezzi di PLA, PP e PET, indipendentemente dalle misure del campione.
