راه‌حل‌های طراحی هوشمند برای مدیریت پسماند در جامعه

نقش اتاق طبقه‌بندی پسماند در جوامع هوشمند

تعریف اتاق طبقه‌بندی پسماند به عنوان یک مرکز اصلی برای جداسازی پسماند

این تأسیسات مانند مراکز تخصصی عمل می‌کنند که در آن‌ها مردم زباله‌های خود را به دسته‌های مختلفی مانند مواد قابل بازیافت، مواد آلی و زباله معمولی تقسیم می‌کنند. این مراکز از همان سطل‌های رنگی معروف ما و همچنین ایستگاه‌های هوشمند جداسازی که با هوش مصنوعی کار می‌کنند، استفاده می‌کنند. بر اساس تحقیقی که سال گذشته منتشر شده، محله‌هایی که از این مراکز مرکزی جداسازی استفاده می‌کنند، نتایج بسیار بهتری در جداسازی تمیز زباله دارند - حدود ۷۲ درصد بهبود نسبت به مناطقی که جداسازی در خانه انجام می‌شود. این سیستم به این صورت کار می‌کند که رایانه‌ها تصاویر ثبت‌شده توسط دوربین‌های نصب‌شده در سقف را تحلیل می‌کنند تا اشیاء قرار گرفته در ظرف‌های اشتباه را شناسایی کنند. هنگامی که اشتباهی رخ می‌دهد، چراغ‌های کوچکی روشن می‌شوند و گاهی حتی صداهایی پخش می‌شود تا افراد را از اشتباهشان آگاه کند. بسیاری از این مراکز همچنین صفحه‌های نمایش دارند که اطلاعاتی درباره مقدار زباله‌ای که افراد تولید می‌کنند نمایش می‌دهند، که این امر به ارتباط بین فرآیند فیزیکی جداسازی و تغییر عادات در طول زمان کمک می‌کند.

ادغام اینترنت اشیا و حسگرها برای نظارت لحظه‌ای

امروزه مراکز تفکیک زباله با سنسورهای وزنی متصل و دوربین‌های فراطیفی پیشرفته‌ای تجهیز شده‌اند که می‌توانند هر ثانیه بیش از ۱۵۰ نقطه از پسماند را اسکن کنند. وقتی این سنسورهای مختلف با هم کار می‌کنند، در عمل تصاویر لحظه‌ای از محتوای واقعی زباله ایجاد می‌کنند و به تیم‌های تمیزکاری بلافاصله اطلاع می‌دهند اگر چیز غیرمعمولی در مخلوط مشاهده شود. به عنوان مثال، سنسورهای التراسونیک که نشان می‌دهند زمانی که سطل‌ها دارند پر می‌شوند، به برنامه‌ریزی جمع‌آوری‌ها حدود یک روز پیش از موعد کمک می‌کنند تا کامیون‌ها دیر به موقع نیایند. شهرهایی که این سیستم را آزمایش کرده‌اند، حدود دو سوم کاهش در مشکلات سرریز زباله نسبت به روش‌های قدیمی داشته‌اند. و حتی بهتر از آن، واحدهای پردازش محلی بیشتر محاسبات را مستقیماً در محل انجام می‌دهند، بدین معنا که همه چیز حتی در صورت قطعی اینترنت در برخی نقاط به خوبی ادامه می‌یابد.

مطالعه موردی: واحدهای تفکیک خودکار در مناطق مسکونی شانگهای

در سال 2022، شانگهای پروژهٔ جامعه هوشمند خود را راه‌اندازی کرد که در نتیجه آن 340 اتاق طبقه‌بندی در سراسر شهر ایجاد شد. این اتاق‌ها مجهز به بازوی رباتیکی هستند که قادر به شناسایی انواع مختلف پلاستیک‌ها از طریق تحلیل پلیمرها می‌باشند. با بررسی اطلاعات از پایگاه‌های داده شهری، این ماشین‌ها توانستند هفت نوع پلاستیک را با دقت حدود 94٪ جداسازی کنند. این امر به بازیابی موادی که در غیر این صورت به زباله تبدیل می‌شدند کمک کرد و قیمت بهتری در مراکز بازیافت برای آنها فراهم آورد. محله‌هایی که در این برنامه شرکت داشتند، در طی هشت ماه تقریباً نیمی از زباله‌های باقی‌مانده خود را کاهش دادند. آنچه این سیستم را جالب می‌سازد، توانایی آن در یادگیری و تطبیق است. هر هفته، این سیستم نحوه جداسازی اقلام را بر اساس عادات مردم در دور ریختن وسایل در فصول مختلف و تغییرات در طراحی بسته‌بندی محصولات تنظیم می‌کند.

طراحی متمرکز بر کاربر برای بهبود مشارکت و پایبندی عمومی

افزودن ویژگی‌های ارگونومیک مانند پرده‌های هوای ضد بو همراه با ایستگاه‌های مرتب‌سازی قابل تنظیم، تفاوت واقعی در میان بزرگسالان مسن ایجاد کرد و مشارکت روزانه آن‌ها را تقریباً ۵۷٪ افزایش داد. عناصر تعاملی بازی نیز واقعاً تأثیر شگرفی داشتند. جداول رده‌بندی محله و نشانه‌های دیجیتال پاداش مردم را ماه به ماه به این سیستم بازمی‌گرداند. آزمایش‌ها نشان داد که میزان مشارکت در طول یک سال کامل در مناطق مختلف آب‌وهوایی بالاتر از ۸۰٪ باقی ماند. برای افراد دارای ناتوانی بینایی، برچسب‌های لمسی همراه با متون براویل و نمادهای پررنگ و کنتراست بالا تفاوت بزرگی ایجاد کردند. این به‌روزرسانی‌های دسترسی‌پذیری تلاش‌های اشتباه در دفع زباله را حدود ۹۲٪ کاهش داد که با توجه به تعداد زیاد اشتباهات احتمالی، بسیار قابل توجه است.

سطل‌های هوشمند و سیستم‌های نظارت بر زباله در زمان واقعی

جامعه‌های مدرن در حال افزودن سطل‌های هوشمند به اتاق‌های طبقه‌بندی زباله هستند که ظرفیت‌های منفعل دفع پسماند را به دارایی‌های تولیدکننده داده تبدیل می‌کنند. این سیستم‌ها دو چالش مهم شهری را حل می‌کنند: جلوگیری از وقوع سرریز شدن و بهینه‌سازی منابع جمع‌آوری از طریق نظارت دیجیتال.

سنسورهای پری سطح چگونه از سرریز شدن جلوگیری می‌کنند و مزاحمت بو را کاهش می‌دهند

سنسورهای داخل درب سطل‌های زباله می‌توانند حدود هر ۲ تا ۱۵ دقیقه بررسی کنند که سطل تا چه اندازه پر شده و هنگام رسیدن به حدود سه‌چهارم ظرفیت، هشدار ارسال کنند. این هشدارها به تیم‌های تمیزکاری فرصت می‌دهند تا قبل از اینکه مواد غذایی فاسد شروع به تولید گاز متان کنند، سطل‌ها را تخلیه کنند، که طبق داده‌های سال گذشته آژانس حفاظت از محیط زیست (EPA)، این گاز ۲۸ برابر بدتر از دی‌اکسید کربن معمولی برای محیط زیست است. وقتی سئول این فناوری را آزمایش کرد، سطل‌های زباله‌اش برای مدت‌های طولانی‌تری تمیز باقی ماندند. شهر همچنین کاهش چشمگیری در بوهای نامطبوع داشت و شکایات از حدود ۱۷ مورد در ماه در هر محله به تنها ۳ مورد پس از اجرای این سطل‌های هوشمند کاهش یافت.

تحلیل داده‌های زمان واقعی برای پیش‌بینی روندها در تولید پسماند

سطل‌های زباله هوشمند نحوه دورریختن اشیاء توسط مردم را در طول زمان و فضا ردیابی می‌کنند و افزایش‌های منظمی مانند حجم بالای پسماند بسته‌بندی در روزهای آخر هفته در محله‌ها یا جریان زیاد مواد قابل کمپوست کردن پس از استراحت ناهار در مناطق اداری را شناسایی می‌کنند. این داده‌ها به سیستم‌های یادگیری ماشینی داده می‌شوند که قادرند با دقت حدود ۸۹ درصد، پر شدن سطل‌ها را تا دو روز آینده پیش‌بینی کنند. این امر به تیم‌های مدیریت پسماند کمک می‌کند تا برنامه‌ریزی بهتری داشته باشند و زمان مناسب اعزام کامیون‌ها را قبل از سرریز شدن سطل‌ها تشخیص دهند. شهرها به تدریج شاهد مزایای واقعی این رویکرد پیش‌بینانه در جمع‌آوری زباله هستند.

هشدارهای مبتنی بر اینترنت اشیا و تأثیر آن‌ها بر کارایی پاسخگویی شهرداری‌ها

هنگامی که سنسورهای سطح پری ظرفیت بحرانی را تشخیص می‌دهند، شبکه‌های اینترنت اشیا به‌صورت خودکار وسایل نقلیه جمع‌آوری مجاور را دوباره مسیریابی می‌کنند و در عین حال علائم عمومی را به‌روزرسانی می‌کنند تا نقاط جایگزین برای دفع زباله پیشنهاد شوند. ادغام هشدارها توسط بارسلونا با سیستم‌های مدیریت ترافیک، زمان توقف بی‌فایده کامیون‌های زباله را در عرض ۱۸ ماه ۲۷٪ و تمیزکاری‌های اضطراری سرریز را ۶۳٪ کاهش داد.

تصمیم‌گیری مبتنی بر هوش مصنوعی در لجستیک جمع‌آوری زباله

مدل‌های یادگیری ماشین پیش‌بینی‌کننده برای پیش‌بینی سطح پری سطل‌ها

سیستم‌های مدیریت پسماند امروزه با استفاده از تکنیک‌های یادگیری ماشین مانند شبکه‌های عصبی مصنوعی (ANN) و درخت‌های تصمیم‌گیری، هوشمندتر شده‌اند. این سیستم‌های هوشمند می‌توانند زمان پر شدن سطل‌های زباله را با دقت حدود ۸۵ تا ۹۲ درصد در محله‌های شهری پیش‌بینی کنند، مطابق گزارش ScienceDirect از سال ۲۰۲۴. با بررسی عادات گذشته دفع زباله، تأثیر فصل‌ها بر تولید پسماند و رویدادهای محلی، این مدل‌ها پیش‌بینی‌هایی برای سه روز آینده ارائه می‌دهند. این امر به مقامات شهری کمک می‌کند تا از سرریز شدن زباله‌دان‌ها بسیار بهتر از روش‌های قدیمی مبتنی بر برنامه‌ریزی زمانی جلوگیری کنند و سرریزها را تقریباً نصف کنند. قابل توجه است که در دوره‌های تعطیلات، عملکرد شبکه‌های عصبی تقریباً ۳۰ درصد بهتر از مدل‌های رگرسیون خطی است، به‌ویژه در مناطق مسکونی پرجمعیت. این تفاوت برای شهرهایی که باید حجم زیادی از زباله را مدیریت کنند، اهمیت بسیار زیادی دارد.

برنامه‌ریزی پویای چرخه‌های جمع‌آوری بر اساس پیش‌بینی تقاضا

داده‌های زمان‌واقعی حاصل از سنسورهای اتاق‌های دسته‌بندی زباله و سطل‌های هوشمند به موتورهای مسیریابی تطبیقی تغذیه می‌شوند که هر ۹۰ دقیقه یکبار مأموریت کامیون‌ها را محاسبه می‌کنند. هنگامی که شانگهای این روش را در سال ۲۰۲۳ اجرا کرد، مصرف دیزل را ۱۸٪ و جمع‌آوری‌های پس از ساعت کاری را ۳۳٪ کاهش داد. اکنون سیستم‌ها به‌طور خودکار مناطقی را اولویت‌بندی می‌کنند که نشان‌دهندهٔ:

• نرخ پری ۸۰٪ یا بیشتر در حجره‌های ضایعات آلی
• هشدارهای مکرر عدم انطباق از سنسورهای مواد ترکیبی
• رویدادهای آب‌وهوایی آینده که الگوهای دفع را تحت تأثیر قرار می‌دهند

تعادل بین دقت و ریسک: بررسی وابستگی بیش از حد به پیش‌بینی‌های هوش مصنوعی

شهرهایی که از هوش مصنوعی برای مدیریت پسماند استفاده می‌کنند، طبق گزارش پونمون در سال ۲۰۲۳، هر سال حدود ۷۴۰٫۰۰۰ دلار صرفه‌جویی کرده‌اند، اما وقتي بيش از حد به این مدل‌ها اعتماد کنیم، خطرات مشخصی وجود دارد. به عنوان مثال تابستان گذشته بارسلونا را در نظر بگیرید. سیستم هوشمند مسیریابی آنها به طور کامل از این موضوع غافل بود که موج گرما چقدر فرآیند فاسد شدن مواد غذایی را تسریع می‌کند، که این امر منجر به از دست دادن ۱۲ بار جمع‌آوری در سرتاسر شهر شد. اکنون اکثر شهرهای پیشرو از سیستم‌های ترکیبی استفاده می‌کنند. زمانی که سیستم هوش مصنوعی پیشنهاداتی ارائه می‌دهد که بسیار با حالت عادی متفاوت است، یک فرد واقعی ابتدا آنها را بررسی می‌کند. همچنین در رویدادهای آب‌وهوایی شدید، ماشین‌های جمع‌آوری زباله را به صورت دستی هدایت می‌کنند و همیشه اطمینان حاصل می‌کنند که زباله‌های بیمارستان‌ها و مدارس بدون توجه به شرایط، به موقع جمع‌آوری شوند. این ترکیب از اتوماسیون و نظارت انسانی باعث می‌شود تقریباً ۹ از هر ۱۰ تصمیم توسط ماشین‌ها گرفته شود، اما همچنان امکان دخالت انسان در مواقع لازم فراهم باشد. دستورالعمل‌های مدیریت هوشمند پسماند SWANA پیشنهاد می‌کند که مداخلات دستی کمتر از ۹٪ باشد، که این شهرها تقریباً دقیقاً به هدف خود رسیده‌اند.

فناوری‌های بهینه‌سازی مسیر که مصرف سوخت و انتشارات را کاهش می‌دهند

سیستم‌های مدیریت پسماند امروزی از تکنیک‌های یادگیری ماشین برای مطالعهٔ جریان ترافیک، ظرفیت کامیون‌ها و سطوح واقعی پری زباله‌دان‌ها استفاده می‌کنند که به برنامه‌ریزان کمک می‌کند تا مسیرهای جمع‌آوری بهتری طراحی کنند و هم زمان صرفه‌جویی کنند و مصرف بی‌هدف سوخت را کاهش دهند. طبق تحقیقات شرکت مککینزی اند کمپانی که در سال ۲۰۲۴ منتشر شد، این راه‌حل‌های هوشمند مسیریابی معمولاً کیلومتر کارکرد ناوگان را بین ۲۰ تا ۳۰ درصد کاهش می‌دهند که بدیهی است به معنای سوزاندن دیزل کمتر و انتشار آلاینده‌های کمتر در کل است. به عنوان مثال، زمانی که نرم‌افزار برنامه‌ریزی مسیر، دور زدن از سمت راست را در خیابان‌های شهری نسبت به چرخش به چپ ترجیح می‌دهد، این ترفند ساده در واقع زمان توقف موتور (ایدل) را به‌طور قابل توجهی کاهش می‌دهد. برخی آزمایش‌های اولیه نشان داده‌اند که تنها با این روش می‌توان مصرف سوخت را حدود ۱۲ درصد کاهش داد. تمام این بهبودها دقیقاً با آنچه بسیاری از جوامع در هنگام صحبت دربارهٔ تبدیل شدن به شهرهای هوشمند به دنبال آن هستند، هماهنگ است، به‌ویژه از آنجا که خود مراکز مرتب‌سازی زباله نیز بخاطر این ارتقاء‌های فناوری، عملیات سبزتری پیدا می‌کنند.

زمان‌بندی مجدد پویا با استفاده از داده‌های زنده سنسورها

سطل‌های هوشمند که به اینترنت متصل هستند، هر حدود ۱۵ دقیقه یک‌بار اطلاعاتی درباره میزان پری خود ارسال می‌کنند. این امر به نرم‌افزار لجستیک اجازه می‌دهد تا در حالی که کارگران هنوز در حال جمع‌آوری زباله هستند، مسیرهای کامیون‌ها را تغییر دهد. آزمایشی که سال گذشته در بارسلونا انجام شد، نتایج واقعی را نشان داد. سنسورها به رانندگان امکان دادند تا روزانه حدود ۴۷ تغییر در مسیر ایجاد کنند و از طریق این کار، حدود ۸۹ مورد سرریز شدن سطل‌ها تا پایان ماه جلوگیری شد. حذف توقف‌های غیرضروری، عامل اصلی کاهش ۱۸ درصدی هزینه‌های سوخت در سیستم مدیریت پسماند شهر در طول یک سال بود. این سیستم‌ها همچنین می‌دانند که چه زمانی باید کامیون‌ها را از مناطق شلوغ جلوگیری کنند تا زمانبندی تحویل به مراکز بازیافت رعایت شود و از مصرف اضافی دیزل جلوگیری گردد.

مطالعه موردی: سیستم یکپارچه مدیریت پسماند شهر هوشمند بارسلونا

در سال ۲۰۲۲، بارسلونا با اتصال حدود ۱۲۰۰ سطل زباله هوشمند به یک مرکز کنترل مبتنی بر هوش مصنوعی، دگرگونی بزرگی در مدیریت پسماند آغاز کرد و نخستین شهر اروپا شد که دارای یک سیستم جمع‌آوری زباله کاملاً واکنش‌گرا است. قسمت هوشمندانه این سیستم ترکیب سطح پر شدن سطل‌های زباله در زمان واقعی با پیش‌بینی‌های آب و هوای محلی و برنامه رویدادهای عمومی برای برنامه‌ریزی مسیرهاست. در نتیجه، امروزه کامیون‌های جمع‌آوری زباله با دقت حدود ۹۴٪ به مقصد می‌رسند. این موضوع در عمل چه معنا دارد؟ میلیومتر کارکرد روزانه کامیون‌ها حدود ۲۲٪ کاهش یافته که معادل کاهش انتشار کربن ناشی از حذف حدود ۸۷ خودروی سواری معمولی از جاده‌ها در هر سال است. این بهبود کارایی به مراکز تفکیک پسماند شهر نیز کمک بزرگی می‌کند. با زمان‌بندی دقیق‌تر در جمع‌آوری‌ها، زباله‌های به‌درستی تفکیک‌شده بدون اینکه به دلیل تأخیر در جمع‌آوری با هم مخلوط شوند، به مقصد مورد نظر می‌رسند.

‫سوالات متداول‬

هدف اتاق تفکیک زباله چیست؟

اتاق دسته‌بندی زباله به عنوان یک مرکز اصلی عمل می‌کند که در آن ساکنان می‌توانند پسماندهای خود را به دسته‌های مختلفی مانند مواد قابل بازیافت، مواد آلی و زباله عمومی تقسیم کنند. این امر کارایی فرآیندهای بازیافت را افزایش داده و دفع نادرست زباله را کاهش می‌دهد.

سطل‌های هوشمند و حسگرهای اینترنت اشیا (IoT) چگونه مدیریت پسماند را بهبود می‌بخشند؟

سطل‌های هوشمند از حسگرهای اینترنت اشیا (IoT) برای نظارت بر سطح زباله و معیارهای محیطی استفاده می‌کنند و داده‌های لحظه‌ای را به سیستم‌های مدیریت پسماند ارسال می‌کنند. این امر به جلوگیری از سرریز شدن و بهینه‌سازی برنامه‌های جمع‌آوری کمک می‌کند و در نهایت تأثیرات زیست‌محیطی را کاهش می‌دهد.

هوش مصنوعی در لجستیک جمع‌آوری پسماند چه نقشی دارد؟

از هوش مصنوعی برای تحلیل الگوهای تولید زباله و پیش‌بینی نیازهای آتی دفع پسماند استفاده می‌شود. مدل‌های یادگیری ماشین در پیش‌بینی زمان پر شدن سطل‌ها کمک می‌کنند و این امر امکان تخصیص بهتر منابع و بهینه‌سازی مسیر وسایل نقلیه جمع‌آوری پسماند را فراهم می‌آورد.

آیا سیستم‌های خودکار می‌توانند کاملاً جایگزین مداخله انسانی در مدیریت پسماند شوند؟

اگرچه سیستم‌های خودکار به‌طور قابل توجهی مدیریت پسماند را ساده می‌کنند، با این حال نظارت انسانی همچنان ضروری است. این امر تضمین می‌کند که مدل‌ها دقیق باشند و در صورت بروز شرایط غیرمنتظره مانند حوادث آب‌وهوایی شدید یا تعطیلات عمومی بتوان اصلاحات لازم را انجام داد.