Искусственный интеллект для управления отходами в умных городах: обзор

Растущее количество отходов, образующихся во всем мире, порождает проблемы загрязнения окружающей среды, управления отходами и вторичной переработки, что требует новых стратегий по улучшению экосистемы отходов, таких как использование искусственного интеллекта.

Здесь мы рассмотрим применение искусственного интеллекта при переработке отходов в энергию, умные мусорные баки, роботы-сортировщики отходов, модели образования отходов, мониторинг и отслеживание отходов, пиролиз пластика, различение ископаемых и современных материалов, логистику, утилизацию, незаконный сброс отходов, рекуперацию ресурсов, умные города, эффективность процессов, экономию средств, а также улучшение общественного здравоохранения.

Использование искусственного интеллекта в логистике отходов позволяет сократить расстояние транспортировки до 36,8%, снизить затраты до 13,35% и сэкономить время до 28,22%. Искусственный интеллект позволяет идентифицировать и сортировать отходы с точностью от 72,8 до 99,95%. Искусственный интеллект в сочетании с химическим анализом улучшает процесс пиролиза отходов, оценку выбросов углекислого газа и преобразование энергии. Мы также объясняем, как можно повысить эффективность и снизить затраты с помощью искусственного интеллекта в системах управления отходами для умных городов.

Вступление

Быстрая урбанизация, рост населения и экономическое развитие привели в последние годы к увеличению объема отходов, образующихся во всем мире. Согласно последним статистическим данным, в 2016 году во всем мире было произведено 2,01 миллиарда тонн твердых бытовых отходов. Ожидается, что к 2050 году этот показатель увеличится до 3,4 млрд тонн (Kaza et al., 2018). К сожалению, 33% твердых отходов обрабатываются не должным образом и утилизируются на незаконных свалках или неконтролируемых полигонах (Kaza et al., 2018). Неправильная утилизация отходов создает множество рисков для окружающей среды и здоровья, таких как загрязнение подземных вод, деградация земель, рост заболеваемости раком, детская смертность и врожденная инвалидность (Triassi et al., 2015). В прошлом практика обращения с отходами была более примитивной, когда небольшая группа людей собирала мусор с улиц и складывала его в специально отведенных местах (Бранколи и др., 2020). Как только грузовики наполнялись, отходы оставлялись в специально отведенных местах. Однако с появлением искусственного интеллекта отрасль обращения с отходами переживает значительные преобразования, направленные на достижение устойчивости и прибыльности.

Искусственный интеллект — это быстро развивающаяся технология, которая набирает популярность в различных отраслях промышленности, особенно в области обращения с отходами (Abdallah et al., 2020). Внедрение искусственного интеллекта и робототехники в проектирование и эксплуатацию городских мусороперерабатывающих заводов может революционизировать методы обращения с твердыми отходами, что приведет к повышению операционной эффективности и более устойчивым методам обращения с отходами (Goutam Mukherjee et al., 2021; Йигитканлар и Кугурулло, 2020). Несколько развитых стран, включая Австрию, Германию, Новую Зеландию, США, Великобританию, Японию, Сингапур, Швейцарию, Южную Корею и Канаду, уже начали внедрять технологии искусственного интеллекта для максимального использования ресурсов, эффективности и возможностей вторичной переработки на протяжении всего цикла обращения с твердыми отходами (Soni et al., 2019). Технологии искусственного интеллекта, особенно для сортировки и переработки твердых отходов, становятся все более важными в управлении отходами (Andeobu et al., 2022; Wilts et al., 2021).

Таким образом, искусственный интеллект имеет решающее значение при разработке моделей устойчивого обращения с отходами, особенно для перехода к “экономике замкнутого цикла с нулевыми отходами” с учетом социальных, экономических и экологических факторов (Osman et al., 2022). Управление отходами следует учитывать при изучении проблем, с которыми сталкиваются различные географические районы и секторы экономики, включая «умные города». Например, исследователи предложили различные модели устойчивого управления отходами, такие как модель для мегаполисов, которая рассматривает варианты обработки отходов, их вторичной переработки и повторного использования (Liamputtong 2009). Чтобы выбрать наилучшее местоположение для компонентов системы обращения с твердыми отходами, исследователи разработали другую модель, которая учитывает неопределенные темпы образования отходов, эксплуатационные расходы предприятия, транспортные расходы и доходы (Chadegani et al., 2013). Основываясь на данных группы по Англии, Лю и др. (2017) исследовали данные о свалках, обращении с отходами и экологической безопасности в Англии, включая причины незаконного захоронения отходов (Гутам Мукерджи и др., 2021; Йигитканлар и Кугурулло, 2020). Кроме того, Чжан и др. (2019) подчеркивалась необходимость новой школы управленческого мышления для перехода к “экономике замкнутого цикла с нулевыми отходами”.

Подводя итог, в этой статье дается обзор типов отходов, их образования и связанных с ними проблем, а также исследуются различные области применения искусственного интеллекта в управлении отходами. Эти приложения включают интеллектуальные мусорные системы, роботов-сортировщиков отходов, мониторинг отходов на основе датчиков и прогнозирующие модели образования отходов. Кроме того, в документе обсуждается, как искусственный интеллект может помочь контролировать и отслеживать отходы на протяжении всего процесса переработки, оптимизировать логистику и транспортировку переработанных отходов, выявлять и сокращать незаконные захоронения и методы обращения с отходами, а также анализировать химический состав отходов. Одним из уникальных достижений этой статьи является сочетание искусственного интеллекта и химического анализа отходов для улучшения процесса преобразования отходов в энергию. На рисунке 1 показаны ключевые концепции искусственного интеллекта в области обращения с отходами и содержание этой статьи.

Применение искусственного интеллекта в управлении отходами. На рисунке показаны пять ключевых аспектов: тип и образование отходов, использование искусственного интеллекта в управлении отходами, оптимизация транспортировки отходов на основе искусственного интеллекта, роль искусственного интеллекта в выявлении и сокращении незаконных свалок и методов обращения с отходами, а также использование искусственного интеллекта для анализа химического состава отходов. Это оптимизированное представление обеспечивает четкий и сжатый обзор основных тем, обсуждаемых в данном обзоре, подчеркивая потенциал искусственного интеллекта для революционного изменения практики обращения с отходами

Виды отходов и производство

Отходы являются серьезной экологической проблемой из-за их потенциального загрязнения воздуха, воды и почвы. Их образование в основном связано с деятельностью человека, такой как промышленное производство, строительство, сельскохозяйственная деятельность, выбросы загрязняющих веществ, потребление и утилизация отходов (Chen et al., 2023; Ukaogo et al., 2020). Это может привести к загрязнению окружающей среды, рискам для здоровья, экономическим потерям, а также потере ресурсов и затрат, связанных с обращением с отходами. Для решения этих проблем правительства и организации внедрили стратегии обращения с отходами, такие как переработка, компостирование, повторное использование, использование возобновляемых источников энергии и внедрение «зеленых» технологий. Более того, кампании по просвещению общественности и повышению осведомленности могут помочь сократить количество образующихся отходов и побудить людей делать более экологичный выбор (Osman et al., 2023).

Принципы классификации отходов различаются и могут включать категоризацию на основе материала, состояния или источника отходов (Peng et al., 2023). Основываясь на источниках отходов, исследования показали, что промышленные отходы являются основным источником отходов (Gaur et al., 2020). Эти отходы в основном состоят из летучих соединений, сточных вод, шлака и лома, образующихся в процессе промышленного производства, которые содержат много опасных веществ, таких как тяжелые металлы, органические загрязнители и радиоактивные материалы, что приводит к серьезному загрязнению окружающей среды (Patel et al., 2022; Tawfik et al., 2022). Кроме того, органические отходы образуются в результате переработки отходов сельского хозяйства, животноводства, сточных вод и пищевой промышленности. Этот тип отходов может быть использован для целей создания добавленной стоимости, компостирования или отправки на свалки (Ren et al., 2018). Органические отходы из окружающей среды также могут быть опасными, поскольку они содержат токсичные вещества, такие как аммиак и хлор, которые могут вызвать загрязнение воздуха, воды и почвы.

В соответствии со статьями об отходах отходы можно разделить на твердые отходы (Jha et al., 2022), опасные отходы (Jha et al., 2022), жидкие отходы (Меконнен, 2012), органические отходы (Шарма и др., 2019) и пригодные для вторичной переработки отходы (Рен и др., 2018). Твердые отходы в основном образуются в результате деятельности человека, такой как производство, сельское хозяйство и добыча полезных ископаемых, а методы обработки включают переработку, сжигание и захоронение на свалках (Бхатт и др., 2018). К твердым отходам относятся строительные, бытовые, промышленные, опасные, электронные, медицинские и сельскохозяйственные отходы (Peng et al., 2023; Vyas et al., 2022). Опасные отходы содержат токсичные, легковоспламеняющиеся, взрывоопасные, радиоактивные и коррозионные отходы, в основном из электронных и биомедицинских отходов (Akpan and Olukanni 2020). Жидкий шестивалентный хром, жидкие отходы ртути, коррозионные и щелочные жидкие отходы, жидкие отходы цианидов и жидкие отходы тяжелых металлов — все это примеры жидких отходов. В частности, коррозионные и щелочные жидкие отходы составляют 12,4%, органические жидкие отходы — 32,2%, а жидкие отходы тяжелых металлов — 47,9% (Хо и Чен, 2018). Если не принимать надлежащих мер контроля, большая часть жидких отходов является опасными промышленными отходами, которые могут значительно негативно повлиять на окружающую среду и здоровье населения (Тонг и Элимелех, 2016). Перерабатываемые отходы — это мусор, который может быть удален из потока отходов и использован в качестве сырья для создания новых продуктов, таких как бумага, стеклянные бутылки и керамика (Fenta, 2017). Некоторые методы переработки отходов включают биологическую повторную обработку, рекуперацию энергии и физическую повторную обработку (Waheeg et al., 2022).

Подводя итог, можно сказать, что виды отходов в основном включают твердые отходы, опасные отходы, жидкие отходы, органические отходы и отходы, пригодные для вторичной переработки. Основными источниками являются частные лица, промышленность, сельское хозяйство и транспорт. Методы обработки включают утилизацию, сжигание, захоронение на свалках, биологический и пиролиз.

Искусственный интеллект в управлении отходами

Использование искусственного интеллекта потенциально может произвести революцию в управлении муниципальными отходами за счет повышения эффективности сбора, переработки и классификации отходов. Технологии, основанные на искусственном интеллекте, такие как интеллектуальные мусорные баки, роботы-классификаторы, прогнозирующие модели и беспроводное обнаружение, позволяют осуществлять мониторинг мусорных баков, прогнозировать сбор отходов и оптимизировать производительность предприятий по переработке отходов. Подробные сведения приведены в таблице 1. Используя искусственный интеллект, муниципалитеты могут снизить затраты, повысить безопасность и уменьшить воздействие на окружающую среду, связанное с обращением с отходами.

Таблица 1 Применение искусственного интеллекта для управления отходами. Основные области применения искусственного интеллекта в управлении отходами включают интеллектуальные мусорные баки, роботов-сортировщиков мусора и модели прогнозирования. Классифицируйте и сравните сумму ключевой информации с сделанными выводами

Тип	Мера	Ключевая информация	Результаты / преимущества	Список литературы
Умный мусорный бак	Сенсорная сеть	1. Мониторинг мусорных баков 2. Сбор данных 3. Проанализируйте информацию 4. Планирование дорог	Используется для сбора муниципальных отходов	Хан и др. (2021); Муюнда и Ибрагим (2017); Нита и др. (2017)
	Ультразвуковые датчики	1. Мусор не будет переполняться 2. Крышка откроется автоматически 3. Автоматическое определение уровня мусора	Цифровое мусорное ведро	Правин и др. (2020 а); Виджая и др. (2017)
	Ультразвуковые датчики Интернет вещей	1. Разделение мусора 2. Подключение к Интернету 3. Мониторинг уровня мусора	Сеть мусорных баков	Карналим и др. (2020); Саранья и др. (2020); Мустафа и Азир (2017)
	Ультразвуковые датчики Красный внешний датчик	1. Определите мусор 2. Перемещайте прямые линии 3. Мониторинг уровня мусора	Мусорное ведро можно автоматически перемещать на глазах у людей	Павар и др. (2018); Раджати Джи и др. (2020)
Робот-сортировщик мусора	Карта высот, почти красное сверхзеркальное спектральное изображение	1. Разделите бетон, кирпичи / блоки и строительный раствор 2. Автоматическое распознавание объектов 3. Выбрасывайте в соответствующую зону переработки 4. Обращайтесь с тяжелыми предметами без предварительной обработки	Эффективность сортировки может достигать 2028 выборок в час, а точность идентификации линий составляет почти 100%	Кширсагар и др. (2022); Сяо и др. (2020)
	Компьютерное зрение, одновременная локализация и картографирование	1. Он может успешно обходить препятствия и осуществлять автоматическое патрулирование 2. Обнаружение вторсырья 3. Создайте трехмерную карту окружности для позиционирования робота, навигации и планирования пути	Была расширена применимость роботов-переработчиков и повышена надежность	Фенг и др. (2022); Ван и др. (2020)
	Глубокое обучение, одновременная локализация и картографирование	Реконструкция карты, навигация, изменение местоположения, обнаружение отходов и упорядочивание	Разница в ошибках невелика	Бобульски и Кубанек (2021b); Чанг и др. (2020); Чен и др. (2022b); Чжоу и др. (2021)
	Гиперспектральное изображение компьютерного зрения	1. Отрегулируйте захват 2. Нет необходимости в дополнительном электрическом газовом или пневматическом подключении для привода захвата	Три панорамирования и угловые захваты	Левезиель и др. (2022); Лю и др. (2021a); Ян и др. (2022b)
Прогнозирующая модель для производства отходов	Эксклюзивность предиктора Интегрированная декомпозиция эмпирического шаблона	1. Получена высокоточная модель прогнозирования твердых бытовых отходов 2. К анализу искусственной нейронной сети следует применять методы эксклюзивности предиктора и перекрестного прогнозирования	Значительно повысить точность крупномасштабного прогнозирования	Ганбари и др. (2023); Ву и др. (2020)
	Алгоритм случайного леса поддерживает векторные машины	Предложена радиочастотная модель, которая может улучшить эффективность прогнозирования с использованием небольших наборов данных классификации	Используйте небольшие категориальные наборы данных для повышения эффективности прогнозирования	Аббаси и Эль Хананде (2016); Аднан и др. (2017); Ча и др. (2021); Ча и др. (2020)
	Анализ основных компонентов	1. Преобразуйте переменные категории в непрерывные переменные 2. Улучшена производительность прогнозирования	Средняя информация о скорости образования отходов из наблюдаемых значений составила 1165,04 кг / квадратный метр, а прогнозируемое значение составило 1161,52 кг / квадратный метр	Ча и др. (2023); Ча и др. (2022); Миноглу и Комилис (2018)
	Модель регрессии с градиентным улучшением	Для прогнозирования еженедельного образования отходов была разработана регрессионная модель с улучшенным градиентом	Представляет тенденции производства отходов в Нью-Йорке и собирает исчерпывающие данные	Джонсон и др. (2017); Сунаяна и др. (2021)

Интеллектуальные системы

Обычные мусорные баки собирают исключительно отходы, и санитарные работники должны проводить ручные проверки, чтобы оценить уровень мусора в баках. Такой подход неэффективен при проведении плановых проверок утилизации отходов. Более того, из-за частого заполнения контейнеров на них, как правило, размножаются болезнетворные организмы и насекомые (Noiki et al., 2021). Поэтому разработка интеллектуальных систем мониторинга мусорных баков для управления мусором имеет важное значение при строительстве умных городов.

Многочисленные исследования интеллектуальных мусорных баков были сосредоточены на двух ключевых функциях: автоматической классификации отходов и мониторинге. Эти исследования предлагают потенциальное решение для городов по созданию эффективной системы сбора мусора. Интеллектуальный мусорный бак может быть создан с помощью системы на чипе, созданной модулем Espressif systems (ESP 8266), автоматически обнаруживающей объекты и устанавливающей пороговые значения внутри контейнера. Собранная информация затем может быть передана на другой узел для дальнейшего анализа и обработки (Praveen et al., 2020b). Например, Правин и др. (2020a) спроектировали мусорный бак с двумя основными выводами: триггерным выводом, подключенным к датчику, и эхо-выводом. Ультразвуковой датчик расположен в верхней и нижней частях крышки. Раджати Джи и др. (2020) разработали роботизированный мусорный бак с двумя датчиками, установленными на дне, который перемещается по прямой линии. С одной стороны в него встроен датчик препятствий, который может распознавать черный цвет и издавать звуковой сигнал, указывающий на то, что хранение бак полный. Кроме того, на краю бункера может быть установлен ультразвуковой датчик для определения уровня отходов (Mbom et al., 2022). Статус контейнера будет обновляться на веб-странице с помощью модуля wireless fidelity, показывая, заполнен он или пуст. Некоторые исследователи проектируют мусорные баки, которые отделяют мусор и отслеживают его с помощью Arduino и wireless fidelity (Samann 2017). Он оснащен автоматическим разделителем металлов и неметаллов. Используя NodeMCU, уровень в бункере можно отслеживать в режиме реального времени и отправлять в облако для дальнейшего анализа и обработки (Saranya et al., 2020).

Таким образом, исследование интеллектуальных мусорных баков в основном сосредоточено на автоматическом мониторинге уровня заполнения мусором и своевременном уведомлении пользователей. Информация в основном поступает с помощью датчиков и передается по сети. Интеллектуальные мусорные системы потенциально могут повысить эффективность сбора мусора, снизить распространение болезней и улучшить общую экологию города. Однако стоимость внедрения «умных» мусорных баков относительно высока, что затрудняет их широкое продвижение. Чтобы решить эту проблему, правительство могло бы рассмотреть возможность финансирования политики, направленной на снижение стоимости умных мусорных баков, что сделало бы их более доступными для широкой общественности. Кроме того, на регулярную работу этих бункеров могут влиять такие факторы окружающей среды, как температура и влажность. Таким образом, специально выделенный персонал должен регулярно проверять мусорные баки и обслуживать их. Поэтому крайне важно сосредоточиться на разработке и продвижении умных мусорных баков в будущем.
Роботы-сортировщики отходов

Классификация мусора настоятельно рекомендуется для обращения с твердыми бытовыми отходами, и использование роботов может существенно повысить эффективность классификации мусора. Однако роботам требуются продвинутые визуальные и операционные навыки для работы в сильно неоднородных, сложных и непредсказуемых промышленных средах для классификации мусора (Koskinopoulou et al., 2021). Недавние исследования были сосредоточены на повышении точности и эффективности роботов для классификации мусора, что требует разработки более совершенных датчиков и камер для идентификации различных типов отходов, а также усовершенствованных алгоритмов искусственного интеллекта для классификации отходов. Использование гиперспектральных изображений для определения местоположения интересующей целевой области является многообещающим подходом (Xiao et al., 2020). Основываясь на предыдущих исследованиях, роботы могут справляться со сложными полевыми условиями, добавляя технологию одновременной локализации и картографирования, а также методы сегментации экземпляров. Они могут автоматически собирать отходы строительства и сноса зданий (Wang et al., 2020). Технология глубокого обучения, такая как сегментация экземпляров, может точно определять контуры всех объектов на изображении, включая отходы строительства и сноса (Chen et al., 2022b). Учитывая сложность строительных площадок и большое количество образующихся строительных отходов, ручной сбор и классификация часто неэффективны и представляют угрозу безопасности. Следовательно, утилизация строительных отходов стала одним из направлений исследований. (Янг и др., 2023b).

В настоящее время исследователи изучают методы интеграции роботов-сортировщиков отходов в существующие системы управления отходами, такие как использование роботов для сортировки отходов перед их отправкой на свалки. В связи с этим исследования предложили параллельную модель робота, основная концепция которой вращается вокруг захвата, полностью интегрированного в аналогичную структуру робота с 4 степенями свободы (Leveziel et al., 2022). Исследователи также изучают возможность использования визуальных датчиков для повышения производительности роботов-сортировщиков отходов. Например, был разработан робот-сортировщик отходов с использованием методов глубокого обучения и оптических датчиков, которые могут точно идентифицировать и классифицировать различные типы отходов (Mao et al., 2022).

В заключение следует отметить, что роботы-сортировщики мусора обладают потенциалом значительно повысить эффективность обращения с отходами, снизить трудозатраты и повысить точность классификации мусора. Однако некоторые утверждают, что роботы-сортировщики отходов непрактичны из-за их высоких затрат на установку и техническое обслуживание по сравнению с традиционными методами сортировки отходов. Тем не менее, исследователи изучают более доступные способы создания роботов-сортировщиков отходов, такие как использование менее дорогих материалов или проектирование роботов, работающих в различных условиях. Кроме того, предпринимаются усилия по совершенствованию конструкции робота, датчиков, алгоритмов классификации отходов и роботизированных манипуляторов, чтобы сделать их более эффективными. Машины для сортировки отходов по-прежнему будут представлять большой интерес и в будущем будут играть значительную роль в реальном использовании.

Мониторинг отходов на основе датчиков

Мониторинг отходов на основе датчиков — это технология, которая использует датчики для отслеживания количества образующихся отходов, определения источников отходов и измерения эффективности стратегий обращения с отходами в конкретной области. Беспроводная сенсорная сеть — это сеть, состоящая из множества самоорганизующихся беспроводных датчиков, установленных в сети для мониторинга физических параметров системы или параметров окружающей среды (Gurram et al., 2022). Как показано на рис. 2, типичная архитектура беспроводной сенсорной сети для систем обработки твердых отходов включает в себя различные датчики, такие как датчики температуры, влажности, запаха, инфракрасные датчики, датчики газа и звука. Повысьте эффективность обращения с отходами.

 

Использование искусственного интеллекта в мусорном баке и роботизированной сортировке отходов. К ним относится мониторинг мусорных баков в режиме реального времени для оптимизации маршрутов сбора отходов и предотвращения переполнения мусорных баков. Кроме того, интеллектуальная сортировка мусора может повысить эффективность переработки и уменьшить загрязнение.

Напротив, роботизированная сортировка отходов может использовать роботизированные манипуляторы для сортировки отходов на предприятиях по переработке отходов, повышая скорость и точность сортировки при одновременном снижении потребности в ручном труде. Искусственный интеллект также можно использовать для прогнозного технического обслуживания, чтобы предвидеть, когда оборудование для сортировки отходов потребует технического обслуживания, сокращая время простоя и продлевая срок службы оборудования.

Наконец, оптимизация обращения с отходами с использованием искусственного интеллекта может учитывать такие факторы, как дорожное движение, погода и плотность населения, чтобы повысить эффективность сбора и переработки отходов.

Эти датчики можно использовать для мониторинга параметров в режиме реального времени, что позволяет лучше контролировать процесс переработки отходов. Например, можно разработать электронный нос с использованием датчиков для количественной оценки концентрации запаха в режиме реального времени, чтобы помочь в очистке сточных вод (Burgués et al., 2021). Кроме того, Сивапракасам и др. (2020) предложили использовать бесконтактный микроволновый датчик для мониторинга процесса расплавления стекла из ядерных отходов на месте в индукционных плавильных печах с холодным тиглем. Кроме того, они разработали инфракрасные датчики для определения уровня заполнения вагонов, газовые датчики для обнаружения опасных газов, датчики температуры, влажности и звуковые датчики для контроля шумового загрязнения.

Картикеян и др. (2017) предложили интеллектуальную систему мониторинга мусорных баков, основанную на структуре сети Zigbee, в которой терминальные узлы, установленные на мусорных баках, определяют уровень незаполненности. Raaju et al. (2019) предложили использовать устройство для сбора солнечной энергии для питания беспроводной сенсорной сети, чтобы увеличить срок службы узлов. Основным недостатком этой системы является ее неспособность отображать уровень заполнения мусорного бака в режиме реального времени. Джино Рамсон и др. (2017) предложили устройство беспроводного мониторинга на солнечной энергии с датчиком для измерения уровня в банке, когда она пуста, и передачи информации в устройство беспроводного мониторинга на солнечной энергии для решения этой проблемы. Автономная беспроводная сенсорная сеть с прямым подключением к системе управления твердыми отходами будет создана путем отправки данных, собранных с многочисленных сенсорных узлов, на центральную станцию мониторинга для анализа и визуализации (Ramson et al., 2021). Кроме того, в графическом интерфейсе пользователя создана прогрессивная шкала, символизирующая динамический уровень незаполненности мусорного бака.

Подводя итог, можно сказать, что развитие беспроводных сенсорных сетей шло быстрыми темпами, и были проведены многочисленные исследования по применению датчиков для мониторинга отходов, главным образом путем мониторинга уровня мусора и последующего использования сети для уведомления пользователей (Joshi et al., 2022). Во многих исследованиях сообщалось о применении различных методов, основанных на машинном обучении, в управлении отходами для прогнозирования и оптимизации образования, обнаружения, сбора, классификации и свойств твердых бытовых отходов.

Механизм показан на рис. 3.

Типичная структура беспроводной сенсорной сети для системы обращения с твердыми отходами. На мусорном баке установлен датчик. Когда поступает мусор, датчик может получать такую информацию, как запах, вес и влажность, чтобы классифицировать мусор. В то же время он может определять окружение мусорных баков и контролировать уровень заполнения мусорных баков. Пользователи могут отслеживать состояние мусорных баков на платформе в режиме реального времени, поскольку информация загружается через Интернет

Модели для прогнозирования образования отходов

Исследования моделей прогнозирования образования отходов в последнее время привлекают все большее внимание, и были предложены различные модели для лучшего прогнозирования количества образующихся отходов (Kolekar et al., 2016). Эти модели включают статистические, машинное обучение, глубокое обучение и нечеткие модели. Алгоритмы искусственного интеллекта считаются наиболее совершенными моделями для надежного прогнозирования образования отходов, поскольку они обладают уникальными возможностями (например, ввод данных, обучение и прогнозирование) (Coskuner et al., 2020).

Искусственные нейронные сети являются одной из нелинейных моделей, широко используемых для моделирования различных процессов обращения с городскими отходами благодаря их надежности, отказоустойчивости и способности описывать сложные взаимосвязи между переменными в системах с несколькими переменными (Cha et al., 2020). Алгоритмы машинного обучения, такие как многослойный персептрон искусственных нейронных сетей, алгоритмы регрессии опорных векторов, алгоритмы линейной регрессии, алгоритмы дерева решений и генетические алгоритмы, могут быть использованы для разработки моделей с лучшей прогностической производительностью на небольших наборах данных, состоящих в основном из категориальных переменных (Cha et al. 2022, 2017; Golbaz et al. 2019).. Для городов с историческими записями можно ссылаться на прошлые исторические данные и интегрировать их с несколькими наборами данных для создания регрессионной модели с повышением градиента. Например, Джонсон и др. (2017) разработали краткосрочную модель прогнозирования образования мусора в Нью-Йорке, достигнув средней точности в 88%. Для анализа моделей прогнозирования городских отходов в городах с ограниченными историческими данными может быть использован метод, включающий все прогнозирующие факторы, для оценки региональных различий и их влияния на прогнозирование отходов. Оценивая зависимость модели от прогнозирующих факторов, можно проанализировать влияние региональных различий на прогнозирование городских отходов (Wu et al., 2020).

В заключение следует отметить, что благодаря быстрому развитию искусственного интеллекта он широко используется в моделях прогнозирования образования отходов. Системы искусственного интеллекта, обычно используемые при обращении с отходами, включают искусственные нейронные сети, регрессию опорных векторов, линейную регрессию, деревья решений и генетические алгоритмы. Среди них искусственные нейронные сети были широко внедрены в приложениях для прогнозирования образования отходов, за которыми последовали машины опорных векторов.

Мониторинг и отслеживание отходов

Технологии искусственного интеллекта могут быть использованы для содействия более эффективной классификации отходов и их вторичной переработке. Методы машинного обучения могут быть использованы для определения типа отходов, таких как пластмассы, металлы, бумага и другие материалы, для более точной и эффективной переработки (Chen 2022). Системы, основанные на искусственном интеллекте, также могут отслеживать процесс утилизации на предмет аномалий, таких как неправильная классификация материалов или их загрязнение, и предупреждать соответствующий персонал о необходимости принятия корректирующих мер.

Кроме того, искусственный интеллект может оптимизировать процесс утилизации, анализируя данные, полученные в процессе утилизации, и предлагая улучшения (Pouyanfar et al., 2022). Кроме того, искусственный интеллект может сыграть важную роль в измерении и отслеживании отходов (Ponis et al., 2023). Это может помочь обеспечить наиболее эффективную переработку материалов.

Искусственный интеллект может значительно повысить эффективность сбора информации о загрязнении окружающей среды (Liu et al., 2021b). С развитием технологии больших данных применение искусственного интеллекта может быстро повысить эффективность сбора информации. Искусственный интеллект обладает мощными возможностями восприятия, которые позволяют более эффективно идентифицировать источник экологической информации и выносить основные суждения о текущей экологической ситуации. Например, искусственный интеллект может определять местоположение и размер источников шумового загрязнения с помощью распознавания звука и представлять шумовую ситуацию в районе с помощью спектрального анализа, чтобы лица, принимающие решения, могли интуитивно понимать распределение шума (Pan et al., 2018). Более того, искусственный интеллект также может обеспечить эффективное управление окружающей средой (Zhu et al., 2022). Установив интеллектуальные терминалы в каждом мусорном баке, можно получать различную информацию о состоянии в режиме реального времени и в дальнейшем анализировать и обрабатывать ее. Например, он может определить, заполнен ли мусорный бак, и использовать газовые датчики для классификации его по категориям, пригодным для вторичной переработки и не подлежащим вторичной переработке (Rabano et al., 2018). Это может снизить трудозатраты и повысить эффективность классификации, обеспечивая тем самым эффективное управление окружающей средой.

Использование искусственного интеллекта при переработке отходов получило широкое применение. Это включает оптимизацию маршрутов мусоровозов для сбора отходов, определение объектов по обращению с отходами, моделирование процесса преобразования отходов и интеграцию различных технологий, таких как радиочастотная идентификация (Чжоу и Пирамуту, 2013), глобальная система позиционирования (Идальго-Креспо и др., 2022) и географическая информационная система (Зевди и Йешанью, 2023), для слежения за грузовиками для сбора твердых отходов и контейнерами. Более того, методы машинного обучения и обработки изображений были объединены с этими технологиями для автоматического определения уровня контейнеров (Виторино де Соуза Меларе и др., 2017). Однако по-прежнему необходимы дальнейшие исследования для изучения интеграции технологий дистанционного зондирования и искусственного интеллекта. С одной стороны, необходимо использовать технологии дистанционного зондирования для быстрого обновления данных о бытовых отходах и реализации динамичного планирования управления городскими бытовыми отходами с помощью бизнес-системы, которая может постоянно обновляться и работать в течение длительного времени. Кроме того, крайне важно в дальнейшем внедрять опыт, накопленный специалистами в этой области, в систему для обеспечения интеллектуальной поддержки принятия решений по обращению с мусором.

Таким образом, быстрое развитие искусственного интеллекта позволило его приложению для мониторинга отходов стать новым направлением исследований. Разработка платформ искусственного интеллекта для мониторинга отходов является весьма востребованной темой исследований. Платформа искусственного интеллекта получает данные, собранные мониторами и датчиками, которые затем передаются на сервер искусственного интеллекта. Данные обрабатываются, оптимизируются и прогнозируются на платформе, создавая интеллектуальные модели прогнозирования обращения с отходами. Эти модели могут повысить качество и эффективность отслеживания загрязнения и решения экологических проблем, обеспечивая эффективные решения экологических проблем.

Химический анализ отходов с использованием искусственного интеллекта

Недавние применения машинного обучения вызвали значительный интерес в таких областях, как преобразование отходов в энергию (Ахмад и др., 2015), биоуголь для адсорбции металлов и органических соединений (Ашер и др., 2022; Даб-даб и Аль-Яари, 2021), переработка твердых бытовых отходов (Гутам Мукерджи и др., 2021), а также окисление микрозагрязнителей (Ascher et al., 2022). В таблице 2 обобщены последние применения искусственного интеллекта в химии отходов.

Таблица 2 Применение искусственного интеллекта в химии отходов. В этой таблице обобщены 13 статей и разделено применение искусственного интеллекта в химии отходов на три части, в основном это пиролиз отходов, прогнозирование выбросов углекислого газа и преобразование энергии. Также приводится краткое изложение ключевой информации

Поле	Ключевая информация	Ссылка
Пиролиз отходов	Привязка входных данных к соответствующим ответам может улучшить машинное обучение за счет понимания математических взаимосвязей между сложными процессами и алгоритмами. Исследование включает в себя входные переменные, такие как производительность подачи (кг / ч), температура пиролиза (° C) и время (ы) пребывания пара. Характеристики сырья, включая состав различных типов пластика, окончательный анализ и размер частиц (мм), также считаются входными факторами в исследовании	Ascher et al. (2022); Cheng et al. (2020); Mutlu and Yucel (2018); Yaka et al. (2022)
	Эти модели могут идентифицировать и оценивать катализаторы, которые оптимизируют выработку водорода при минимальном выходе диоксида углерода. Кроме того, эти модели могут быть использованы для оптимизации загрузки гетерокатализатора во время гидротермальной газификации и воспроизведения гидротермальной газификации биомассы, катализируемой гидроксидом натрия, для исследования воздействия процесса на окружающую среду
Оценка выбросов углерода	Состав источника углерода (биоуголь, ископаемый и инертный) имеет важное значение для определения выбросов парниковых газов при сжигании твердых отходов. Методы машинного обучения, такие как случайные леса и машины опорных векторов, могут выявлять скрытые связи и прогнозировать свойства групп твердых отходов. Содержание углерода в биологических источниках и окаменелостях может быть рассчитано в пересчете на массу с использованием инфракрасной спектроскопии и машинного обучения, что позволяет исследователям оценить влияние сжигания твердых отходов на сокращение выбросов углерода и существенную экономию рабочей силы и реагентов	Го и др. (2021); Шварцбек и др. (2018); Ван и др. (2021); Юань и др. (2021)
	При биологической переработке алгоритмы машинного обучения могут использоваться для отделения примесей от сырья, компоста и твердых отходов переработки. Это может помочь снизить возможные экологические риски и повысить рентабельность производства компоста и продуктов анаэробного сбраживания
Преобразование отходов в биоэнергию	Пористый углерод, получаемый из отходов биомассы, является сложным материалом, широко используемым в устойчивом управлении отходами и улавливании углерода. Производство электроэнергии на биогазе — это форма устойчивой энергии, питаемой биологическими отходами, производимыми людьми и животными. Это часть экономики замкнутого цикла и считается одной из наиболее энергоэффективных и экологически выгодных технологий производства биоэнергии. Однако производство энергии на биогазе требует длительного времени отклика и сложных входных данных, при этом отсутствуют средства для интеграции моделей машинного обучения и глубокого обучения	Чиу и др. (2022); Хуан и Коротеев (2021); Калхор и Ганди (2019); Лю и Карими (2020); Зайед и др. (2023)

Прогнозирование условий пиролиза для вторичной переработки пластмасс

В настоящее время в мировых системах обращения с отходами недостаточно возможностей для безопасной утилизации или вторичной переработки всех отходов пластмасс, что неизбежно увеличивает количество отходов пластмасс, выбрасываемых в окружающую среду (Osman et al., 2023). Считается, что каждый год в моря попадает 8 миллионов тонн микропластика и 1,5 миллиона тонн основного микропластика (Lau et al., 2020). В течение миллиардов лет отходы полимеров могут разлагаться в окружающей среде. Из-за неэффективного управления до и/или после использования и широко распространенного захоронения отходов пластмасс пиролиз как метод переработки может преодолеть серьезные экологические препятствия. Методы машинного обучения могут быть использованы для прогнозирования продуктов непрерывного и некаталитического процесса пиролиза пластиковых отходов.

Благодаря получению данных и опыту машинное обучение может мгновенно совершенствоваться, чтобы соотносить входные данные с соответствующими реакциями и понимать математические взаимосвязи между сложными процессами и алгоритмами (Ascher et al., 2022). Недавно сообщалось о нескольких алгоритмах для моделирования процессов пиролиза или газификации. К ним относятся искусственные нейронные сети, древовидные алгоритмы, такие как деревья решений и случайные леса, а также машины опорных векторов (Mutlu and Yucel 2018; Yaka et al., 2022). Методы искусственных нейронных сетей являются наиболее популярными методами машинного обучения, например, в контексте моделирования пиролиза с использованием взаимодействия смолы, кокса и постоянного газа для моделирования газификации биомассы. Методы искусственных нейронных сетей превосходят реалистичные модели газового баланса, которые предсказывают продукты газификации (Cheng et al., 2020). Древовидные методы и машины с опорными векторами были успешно внедрены в управление отходами. Ченг и др. (2020) предложили объединить случайные прогностические модели на основе лесов с оценкой жизненного цикла и экономическим анализом для всесторонней оценки различных видов сырья для пиролиза. Кроме того, машины опорных векторов широко используются в задачах прогнозирования пиролиза. Например, машины с опорными векторами работают лучше, чем искусственные нейронные сети, при R2, а корень означает квадрат ошибки при прогнозировании выхода пиролизного биоугля (Cao et al., 2016).

Исходные факторы размера частиц (миллиметры) позволяют классифицировать состав различных типов пластмасс, таких как полиэтилен, полипропилен, полистирол, поливинилхлорид и полиэтилентерефталат, в исследовании (Osman et al., 2023). Кроме того, в число факторов входили беззольные химические компоненты углерода, водорода, кислорода, азота и хлора. Однако сера не была выбрана, поскольку она, как правило, незначительна по сравнению с упомянутыми выше элементами. В качестве дополнительного триггера были приняты во внимание рабочие параметры, производительность подачи (килограммы/час), температура пиролиза (по Цельсию) и время пребывания пара (секунды). Поскольку они упоминались лишь в нескольких тщательно отобранных источниках, скорость нагрева и расход газа-носителя не были выбраны в качестве входных факторов. В тех случаях, когда официальные органы сообщали о диапазонах, в исследовании использовались средние значения входных переменных (Cheng et al., 2023).

Недавние исследования в области гидротермальной газификации отходов биомассы предложили модель машинного обучения для фильтрации и выбора катализаторов. Авторы использовали анализ основных компонентов и разделили набор данных на три подкатегории: некатализаторы, катализаторы щелочных металлов и катализаторы переходных металлов (Li et al., 2021a). Созданная модель дала обнадеживающие результаты при выборе и скрининге катализаторов для максимального производства водорода и снижения образования углекислого газа при гидротермальной газификации отбракованной биомассы. В сопоставимых исследованиях использовалось машинное обучение и система поддержки принятия технологических решений для оптимизации ввода гетерогенного катализатора во время гидротермальной газификации (Gopirajan et al., 2021). Модель продемонстрировала, что добавление катализатора оказало благоприятное влияние на выработку водорода.

Методы искусственной нейронной сети, использующие алгоритмы Левенберга–Марквардта и байесовской регуляризации, были использованы для анализа воздействия гидротермальной газификации отходов биомассы с использованием гидроксида натрия в качестве катализатора на окружающую среду. Fózer et al. (2021) показали, что модель, основанная на машинном обучении, может оптимизировать и прогнозировать состав катализатора со значением дисперсии 0,965. Использование натриевых катализаторов также увеличивает способность процесса вызывать глобальное потепление. Будущие исследования должны быть сосредоточены на эффективности катализаторов в процессах гидротермальной газификации и их воздействии на атмосферу.

В заключение следует отметить, что методы машинного обучения часто считаются “черными ящиками”, что затрудняет их применение для всестороннего изучения механизмов и путей пиролиза. Следовательно, будущие исследования должны интегрировать модели машинного обучения с традиционными методами моделирования, такими как кинетические исследования, чтобы предоставить более полную информацию о процессах реакции и маршрутах. Некоторые авторы предложили использовать выравнивание признаков для оценки поведения и применимости различных входных факторов (Ascher et al., 2022). Кроме того, будущие исследования должны прояснить непрозрачную природу алгоритмов машинного обучения, чтобы сделать их более доступными и облегчить быстрое изучение взаимосвязей между входными и целевыми переменными. Для создания более полных моделей следует разработать интегрированные прогностические модели для прогнозирования критических аспектов соответствующих переменных.

Идентификация современного и ископаемого углерода

Точное измерение выбросов углекислого газа необходимо для того, чтобы различать количество источников углерода в твердых отходах, включая биогенный и ископаемый углерод. С этой целью обычно используются три группы источников углерода, а именно “группа биогенного углерода”, “группа ископаемого углерода” и “группа инертного углерода”. Выбросы углекислого газа из бумаги, пищевых отходов и древесины Бюро береговой и геодезической съемки обычно считают углеродно-нейтральными. Однако выбросы углекислого газа из системы руководства по классификации грузов связаны с изменением климата (Schwarzböck et al., 2018). Следовательно, полученные результаты могут быть завышены, если выбросы углерода, получаемые из биомассы, не учитываются при расчете выбросов парниковых газов при сжигании твердых отходов. Следовательно, система классификации грузов и данные Бюро береговой и геодезической съемки являются важнейшими показателями для оценки того, насколько эффективно сжигание твердых отходов сокращает выбросы углекислого газа. Машинное обучение, инструмент для извлечения данных, который выявляет закономерности, продемонстрировало многообещающие результаты в решении сложных экологических проблем (He et al., 2021). Алгоритмы машинного обучения, такие как случайные леса и машины опорных векторов, стали мощными инструментами для выявления скрытых взаимосвязей, которые позволяют прогнозировать характеристики различных групп твердых отходов, используя установленные наборы данных и литературные данные. Однако есть три основные причины, по которым эти методы могут не получить широкого распространения: (1) ограниченный размер и качество данных могут снизить производительность (Li et al., 2021b); (2) плохая интерпретируемость может затруднить извлечение соответствующей информации (Visser et al., 2022); и (3) высокие требования к вычислениям могут привести к увеличению времени обработки (Yan et al., 2021).

Более того, многие исследования были сосредоточены только на одном или, самое большее, двух типах моделей, предоставляя ограниченные данные для сравнения точности прогнозирования различных моделей, основанных на одном и том же наборе данных об отходах (Wang et al., 2021). В случае отдельно взвешенного мусора инфракрасные спектры уменьшенного общего отражения для определения массового количества биогенного и ископаемого углерода, инфракрасное преобразование Фурье, могут быть использованы с помощью метода машинного обучения. Затем эта информация может быть использована для определения того, как сжигание твердых отходов повлияет на сокращение выбросов углекислого газа. Это позволяет значительно сэкономить трудозатраты и химикаты при получении быстрых и точных результатов. С этой точки зрения, данная стратегия может многое предложить в отношении экологических и коммерческих налоговых выгод. Отделяя загрязняющие вещества, такие как пластмассы и камни, от исходного сырья, компоста и твердого дигестата, алгоритм машинного обучения может быть использован в биообработке для снижения возможных экологических рисков и повышения рентабельности компостирования и продуктов анаэробного сбраживания (Guo et al., 2021).

Таким образом, точное измерение выбросов углерода из твердых отходов требует определения источников биогенного и ископаемого углерода. Алгоритмы машинного обучения, такие как случайные леса и машины опорных векторов, могут быть использованы для извлечения данных для идентификации источников углерода. Кроме того, сочетание инфракрасной спектроскопии с преобразованием Фурье с методами машинного обучения позволяет определить количество биогенного и ископаемого углерода. Такой подход позволяет экономить ресурсы и получать быстрые и точные результаты.

Превращение отходов в энергию

Биогаз для производства электроэнергии является возобновляемым источником энергии, который поступает из органических отходов, производимых людьми и животными, и является частью экономики замкнутого цикла (Farghali et al., 2022; Salguero-Puerta et al., 2019). По данным Международного энергетического агентства, в этом столетии потребление энергии возрастет в два-три раза, что приведет к расходованию многих ресурсов. Согласно данным за 2020 год, мировое предложение энергии составило 584 523 552 эксаджоуля. Из этого объема 29,47% было получено из нефти, 26,80% — из угля, 23,68% — из природного газа, 9,84% — из биотоплива и 5,21% — из возобновляемых источников (Farghali et al., 2023). Стимулирование использования возобновляемых источников энергии для выработки электроэнергии является одним из основных направлений роста. Среди различных методов производства энергии выработка энергии на биогазе считается одной из наиболее энергоэффективных и экологически благоприятных технологий производства биоэнергии. Ресурсы биогаза имеют высокие показатели использования, особенно в экономике замкнутого цикла. Например, в Европе производство энергии из биогаза превысило 6 миллионов тонн нефти, при этом ежегодный темп роста составляет более 20% (Chiu et al., 2022). Однако для производства биогаза требуются сложные исходные материалы и медленное время реакции. Хотя исследователи недавно начали использовать прогностические модели для анализа входных факторов производства биогаза, ключевые факторы не были проанализированы должным образом, что привело к несогласованным результатам. Чтобы максимизировать выработку биогаза, было внедрено машинное обучение для анализа и идентификации ключевых переменных, которые существенно влияют на результаты, устраняя необходимость в сложных вычислениях и снижая риск ошибок (Farghali et al., 2023; Pence et al., 2023).

В настоящее время существуют ограниченные подходы, которые сочетают глубокое обучение, машинное обучение и нейронные сети для получения метана, как показано на рис. 4. Некоторые текущие исследования направлены на разработку модели глубокого обучения для прогнозирования неисправностей в производстве энергии двигателем внутреннего сгорания, которая может помочь биогазовым установкам скорректировать свои планы технического обслуживания и устранения неполадок (Liu and Karimi, 2020). Кроме того, в нескольких исследованиях была разработана модель искусственных нейронных сетей для прогнозирования оптимальной выработки биогаза с использованием таких конкретных источников, как жмых сахарного тростника и бычий навоз (Ghatak and Ghatak, 2018) и анаэробное совместное сбраживание сточных вод пальмовых заводов (Zaied et al., 2023). Исследования по производству биогаза и их результаты используют глубокое обучение для анализа важных прогнозов отходов и выработки по сравнению с другими возобновляемыми источниками энергии. В исследованиях изучались и делались прогнозы по сбору мусора (Хуан и Коротеев, 2021), а некоторые — по прогнозированию объема производства, но вводимые и выводимые отходы редко объединяются. Предыдущие исследования были сосредоточены на прогнозирующих моделях с использованием методов машинного обучения, таких как искусственные нейронные сети, k-ближайшие соседи и машины опорных векторов. Однако влияние времени на работоспособность не учитывалось. Чтобы делать прогнозы, в этом исследовании используется модель временных рядов. Согласно литературному исследованию, глубокие нейронные сети с расширенной кратковременной памятью могут обрабатывать множество переменных, что делает их полезными для решения проблем с прогнозированием временных рядов (Bouktif et al., 2018).

 

Нейронная сеть для прогнозирования объема биогаза с использованием четырех входных атрибутов. Диаграмма имеет восемь скрытых слоев и один выходной слой для индуцирования прогнозирования биогаза. Он состоит из трех слоев: входного, скрытого и выходного

В заключение следует отметить, что производство электроэнергии на газообразном метане является возобновляемым источником энергии, который поступает из органических отходов, производимых людьми и животными, и является частью экономики замкнутого цикла. Модели машинного обучения и глубокого обучения используются для анализа и идентификации ключевых переменных, которые существенно влияют на выработку метана. Глубокие нейронные сети с расширенной кратковременной памятью используются для прогнозирования потерь на входе и выходе.

Логистика, транспортировка и переработка отходов

Логистика и транспортировка мусора являются важными компонентами управления отходами. Более того, система логистики и транспортировки отходов является важнейшим узлом, соединяющим источник отходов и их переработку (Xia et al., 2022). Однако существующие системы логистики и транспортировки отходов страдают от ряда недостатков. Во-первых, затраты, связанные с логистикой и транспортировкой отходов, непомерно высоки, особенно на этапе сбора. Согласно Сулемане и соавт. (2018), транспортные расходы, понесенные при сборе отходов, составляют примерно 70-80% от общих затрат на обращение с отходами. Во-вторых, кадровые ограничения приводят к неэффективности, такой как неорганизованные планы сбора и неадекватные транспортные средства (Andeobu et al., 2022). Поэтому были разработаны и внедрены решения, основанные на искусственном интеллекте, для оптимизации процессов логистики и транспортировки отходов (Abdallah et al., 2020). Это предполагает оптимизацию транспортировки отходов и логистики с четырех точек зрения: расстояние транспортировки, стоимость транспортировки, время транспортировки и эффективность.

Акдаш и др. (2021) представили метод маршрутизации транспортных средств с использованием алгоритма оптимизации колонии муравьев. Сначала наберите 110 баллов по конкретному городу в Турции. Затем преобразуйте координаты точек и импортируйте их в базу данных. Визуализируйте эти точки на карте и создайте матрицу расстояний. Наконец, алгоритм оптимизации колонии муравьев определяет кратчайший маршрут в матрице расстояний. Исследователи обнаружили, что 10-я итерация алгоритма оптимизации колонии муравьев позволяет сократить расстояние транспортировки на 13% для достижения оптимального решения. Кроме того, другие исследования показали, что использование алгоритмов поиска Дейкстры и Табу также может сократить расстояние транспортировки отходов (Rızvanoğlu et al., 2019). Во-первых, он использовал алгоритм Дейкстры для вычисления кратчайшего расстояния между двумя координатами. Алгоритм поиска по табу заключается в определении самого быстрого пути между двумя координатами. В ходе последующего эксперимента в определенном районе Турции, площадью 16 106 кв. м, было установлено 200 пунктов сбора отходов. Оптимизированы два варианта расстояния транспортировки и 80 пунктов сбора отходов, расстояние транспортировки составляет 5497 м. Рызваноглу и др. (2019) подтвердили, что поисковые алгоритмы Дейкстры и Табу могут сократить расстояние транспортировки на 28%. В целом, после внедрения алгоритма оптимизации колонии муравьев расстояния транспортировки отходов сократились в среднем на 13%. Кроме того, использование алгоритма поиска Дейкстры-Табу сократило расстояние транспортировки отходов на 28%.

Бабаи Тирколаи и др. (2019) представили алгоритм имитационного отжига для генерации начальных значений на основе случайного алгоритма. Алгоритм имитационного отжига используется для оптимизации, основанной на получении начального значения. Площадь в Иране в 330 квадратных километров и 43 узла переработки оптимизирована с использованием алгоритма имитационного отжига (Babaee Tirkolaee et al., 2019). Имитированный алгоритм отжига снизил общую стоимость на 13,3%.

Амаль и др. (2018) представили генетические алгоритмы для оптимизации маршрута движения транспортных средств. Сначала используйте географическую информационную систему, чтобы получить решение, включая маршрут транспортного средства, а затем используйте генетический алгоритм для оптимизации маршрута транспортного средства. Наконец, используйте скрипты ArcGIS и Python для представления оптимального решения. Позже, в эксперименте в городе Тунис, после десяти итераций генетического алгоритма время работы было сокращено с 15,2 до 10,91 часа. После оптимизации генетического алгоритма время работы транспортного средства сократилось на 28,22% (Amal et al., 2018). Кроме того, алгоритмы параллельного отжига также используются для оптимизации путей сбора транспортных средств (Zhang et al., 2020). Используя алгоритм параллельного отжига для оптимизации пути сбора отходов в районе Сюаньву, Пекин, Чжан и др. (2020) обнаружили, что оптимизированная схема алгоритма параллельного отжига может сократить время на 12% по сравнению с исходной схемой. Однако это исследование также имеет определенные ограничения. Например, сбор данных о скорости транспортного средства является фиксированным значением, что невозможно. В целом, алгоритмы генетического и параллельного отжига позволяют сократить время транспортировки на 28,22% и 12% соответственно. Однако оптимизация алгоритма параллельного отжига ограничена фиксированной скоростью транспортного средства.

Ахтар и др. (2017) предложили улучшенный алгоритм поиска с обратным отслеживанием для задач маршрутизации транспортных средств, смоделированных в рамках smart bins. Используйте алгоритм поиска с обратным отслеживанием для оптимизации на основе исходного маршрута. В то же время данные, предоставляемые интеллектуальным мусорным баком, используются для определения оптимального расстояния для уменьшения количества мусорных баков, тем самым сводя к минимуму расстояние. После четырех дней имитационных экспериментов Ахтар и др. (2017) обнаружили, что эффективность сбора отходов возросла на 36,78%. Алгоритмы и модели могут быть доработаны, если учесть больше ограничений и неопределенностей.

Кроме того, Новаковски и др. (2020) предложили алгоритм поиска гармонии для оптимизации маршрутов сбора транспортных средств. Применив алгоритм поиска harmony для оптимизации маршрутов транспортных средств для сбора электронных отходов в одном из регионов Польши, Новаковски и др. (2020) обнаружили, что алгоритм поиска harmony может увеличить количество посещаемых пунктов сбора на 5,4%. Таким образом, алгоритм поиска с обратным отслеживанием может повысить эффективность на 36,78%, а алгоритм поиска harmony может увеличить количество точек доступа на 5,4%. В таблице 3 обобщены результаты оптимизации искусственного интеллекта для логистики и транспортировки отходов.

Таблица 3 Оптимизация с помощью искусственного интеллекта логистики и транспортировки отходов. Тип искусственного интеллекта относится к тому, какая технология искусственного интеллекта используется для оптимизации. Тип отходов относится к тому, какие отходы транспортируются. Сокращение расстояния, стоимости и времени транспортировки относится к сокращению процесса транспортировки после оптимизации с помощью искусственного интеллекта по сравнению с тем, что было до оптимизации. Повышение эффективности сбора и количества пунктов сбора относится к увеличению процесса транспортировки после оптимизации с помощью искусственного интеллекта по сравнению с тем, что было до оптимизации. “–” означает не упомянутый