Ieguvumi:
- Spēja aprēķināt faktisko novirzīšanas ātrumu, ievietojot atkritumu plūsmas atkritumu hierarhijā (novēršana pirmajā vietā) un atskaitot piesārņojumu
- Spēja apstiprināt bīstamo atkritumu klasi ar drošības datu lapu un likumdošanu un piemērot disciplīnu neizmantot mākslīgā intelekta atkritumu kodeksa ieteikumu kā galīgo lēmumu.
- Iespēja samazināt emisijas un izmaksas, izveidojot savākšanas maršrutu un plūsmas optimizāciju ar kodu un pārbaudot to ar vietas ierobežojumiem
Atkritumi ir jūtamākā vides apsaimniekošanas joma: tie ir redzami, sverami, transportēti un, ja tiek nepareizi apsaimniekoti, tiešā veidā piesārņo. Taču mūsdienu pieeja uzskata, ka atkritumi ir ne tikai "problēma, kas jānovērš", bet gan kā resurss, ko var atgriezt ciklā. Šajā nodaļā jūs uzzināsit par atkritumu hierarhiju, aprites ekonomiku, atkritumu klasifikāciju un savākšanas optimizāciju, izmantojot AI, un izsekojamību.
Vispirms jēdzieni. Atkritumu hierarhija ir prioritāšu secība darbā ar atkritumiem: vispirms novēršana (neražošana), tad samazināšana, atkārtota izmantošana, pārstrāde, enerģijas reģenerācija un visbeidzot apglabāšana (apglabāšana poligonā/sadedzināšana). Aprites ekonomika ir sistēma, kas ir pretēja modelim "ņem-make-dispose", kurā produkti un materiāli tiek izmantoti atkārtoti, vienlaikus saglabājot to vērtību pēc iespējas ilgāk. Novirzīšanas koeficients ir procentuālā daļa no kopējā atkritumu apjoma, kas novirzīts no poligona (pārstrāde/komposts).
Padoms: Visvērtīgākais tonis atkritumu apsaimniekošanā ir tonis, kas nekad netiek ražots. Izmantojiet mākslīgo intelektu ne tikai “kā šķirot atkritumus”, bet arī “kā es varu izvairīties no šiem atkritumiem” (dizains, iepakojums, procesa maiņa); Hierarhijas augšgalam vienmēr ir prioritāte.
Atkritumu klasifikācija ar AI
Lielākais pārstrādes ienaidnieks ir piesārņojums — pārstrādājama materiāla piesārņojums ar nepareizām vielām; Viens netīrs konteiners var pārvērst visu ķīpu atkritumos. Attēlu atpazīšanas AI var atšķirt materiālus (plastmasas, papīra, metāla, stikla veidu) atkritumu plūsmā no attēla un paātrināt atdalīšanu. Teksta mākslīgais intelekts palīdz kartēt atkritumu kodus (piemēram, bīstamo atkritumu klasifikāciju) ar pareizo kodu un sakārtot atkritumu deklarācijas. Bet materiāla veida un bīstamības klases galīgais apstiprinājums — īpaši ar bīstamajiem atkritumiem — ir ekspertam; Nepareiza klasifikācija ir juridisks pārkāpums.
Optimizācija: savākšana un maršruts
Atkritumu savākšanas transportlīdzekļi sadedzina degvielu un rada emisijas. Maršruta optimizācija plāno īsāko/mazāk degvielu taupošu maršrutu ar konteineru noslogojuma datiem (pilnus vispirms, tukšos izlaižot). AI un optimizācijas algoritmi var iestatīt šo plānu tā, lai samazinātu izmaksas un emisijas.
Soli pa solim: atkritumu sanācijas pētījums
1. Kartē savu atkritumu plūsmu. Kuri atkritumi nāk no kurienes, cik daudz un kādā klasē?
2. Vieta hierarhijā. Vai katrai plūsmai tiek īstenota profilakse, pārstrāde vai apglabāšana?
3. Izmēriet piesārņojuma un novirzīšanas ātrumu. Cik daudz no tā, kas attiecas uz pārstrādi, faktiski tiek pārstrādāts?
4. Atrodi iespēju. Lielākā strāva, augstākās izmaksas, vienkāršākā profilakse.
5. Optimizējiet. Šķirošana, maršrutēšana, piegādātāja/iepakojuma maiņa.
6. Monitor un dokumentēt. Saglabāt atkritumu datus; Uzturēt juridisko deklarāciju un izsekojamības ķēdi.
Šeit AI; Tas ir spēcīgs atkritumu datu klasificēšanā, plūsmas analīzē, maršruta optimizācijas kodā un paziņojumu sastādīšanā. Bet bīstamības klases apstiprinājums, likumīgais atkritumu kods un galīgais lēmums ir eksperta ziņā.
trīs mini futrāļi
1. gadījums — nepareizs atkritumu kods. Vienā objektā bija AI šķiroti ķīmiskie atkritumi; AI ievietoja to kodā, kas izskatās saprātīgs, bet ir nekaitīgs. Kad eksperts pārbaudīja atkritumu drošības datu lapu (DDL), viņš redzēja, ka viela patiešām ir bīstamo atkritumu kategorijā. Atbrīvošanās ar nepareizu kodu nozīmēja lielus naudas sodus un vides piesārņojumu. AI izvade bija sākums, SDS apstiprinājums bija obligāts.
2. gadījums — piesārņojuma izmaksas. Viens birojs lepojās ar savu otrreizējās pārstrādes līmeni, bet 30% no objektā nonākušā materiāla tika noraidīti piesārņojuma dēļ; tāpēc "pārstrādes" rādītājs patiesībā bija ļoti zems. Viņiem bija AI, kas no attēla datiem atklāja piesārņojuma avotus (kurš lodziņš, kurš vienums visvairāk); Visizplatītākais piesārņotājs bija pārtikas atliekas. Vienkārša atsevišķa organiskā lodziņš palielināja faktisko novirzīšanas līmeni no 58% līdz 81%.
3. gadījums — maršruta saglabāšana. Pašvaldība lika AI veikt maršruta optimizāciju ar konteineru noslogojuma sensora datiem; Kods ģenerēja maršrutu, kas apiet tukšos konteinerus. Paņemšanas attālums tika samazināts par 22%, kas nozīmēja tiešu degvielas un izmešu samazinājumu. Autovadītāji apstiprināja maršrutu pilotā, pēc tam to izskrēja.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Kā es varu samazināt atkritumu daudzumu?
Kāpēc tas ir vājš: Nav atkritumu veida, daudzuma, plūsmas un ierobežojumu. Parādās vispārējs "pārstrādes" saraksts, nav prioritātes.
Spēcīga uzvedne:
Jūsu loma: atkritumu apsaimniekošanas speciālists. Tālāk analizējiet ikgadējo atkritumu plūsmas tabulu (veids, daudzums tonnās, pašreizējā apglabāšanas metode). Novietojiet katru plūsmu atkritumu hierarhijā un sarindojiet vislielāko vides/izmaksu iespēju secībā profilakse > atkārtota izmantošana > otrreizēja pārstrāde. Atzīmējiet tos, kas varētu būt bīstamie atkritumi, ar "Jāapstiprina SDS"; NEVILTOJIET bīstamības klasi. Dati: [tabula]
Četras kopējamas veidnes
1) Atkritumu plūsmas prioritātes noteikšana:
Jūsu loma: atkritumu eksperts. Novērtējiet šādas atkritumu plūsmas (veids, tonna, metode) atbilstoši atkritumu hierarhijai. Iesakiet katram augstākā līmeņa (profilakse→izslēgšana) iespēju. Atzīmējiet tos, kas var būt bīstami, neveidojiet klasi. Aprēķiniet novirzīšanas līmeni. Dati: [šeit]
2) Atkritumu koda/klases iepriekšēja kartēšana (apstiprināta):
Kartējiet šādus atkritumu vienumus ar iespējamo atkritumu kodu/klasi. Norādiet atbilstību ar piezīmi "nav pārliecinošs, pārbaudiet ar SDS/likumdošanu"; NEVEIDOJIET bīstamības klasi. Atzīmējiet arī preci, par kuru neesat pārliecināts. Preces: [saraksts]
3) Piesārņojuma pamatcēloņa analīze:
Tālāk analizējiet otrreizējās pārstrādes noraidīšanas/piesārņojuma datus. Atrodiet visbiežāk sastopamos piesārņotājus un avotus; Iesakiet vienkāršu profilakses iejaukšanos katram. Aprēķiniet faktisko nosūtīšanas līmeni (atskaitot piesārņojumu). Dati: [šeit]
4) Savākšanas maršruta optimizācijas ietvars:
Jūsu loma: operāciju analītiķis. Izmantojot tālāk norādītos konteinera atrašanās vietas un noslogojuma datus, uzrakstiet izpildāmu Python ietvaru maršruta optimizācijai, kurā prioritāte ir pilnam konteineram, bet tukšos konteinerus izlaiž (piemēram, attāluma matrica + vienkārša heiristika). Izveidojiet arī ietaupījumu prognozi. Dati: [šeit]
Biežas kļūdas
- Pārlēkšana uz hierarhijas augšdaļu. Tūlīt pārejiet uz pārstrādi, nedomājot par profilaksi.
- Neņemot vērā piesārņojumu. “Savākts” un “patiesi pārveidots” ir atšķirīgi.
- Bīstamības klases pielāgošana AI. SDS un normatīvais apstiprinājums ir obligāts; nepareizas klases noziegums.
- Nereģistrē izsekojamības ķēdi. Jādokumentē, kur nonāk atkritumi.
- Maršruta optimizācijas pielietošana bez lauka. Modelī ir jāievada draivera un vietnes ierobežojumi.
Uzmanību: bīstamo atkritumu nepareiza klasifikācija un nereģistrēta apglabāšana ir viens no noziegumiem pret vidi, kam paredzētas vissmagākās sankcijas. Nekad neizmantojiet AI izvadi kā galīgo atkritumu kodu; Vienmēr apstipriniet, izmantojot drošības datu lapu un piemērojamos atkritumu noteikumus.
Rezumējot
Atkritumu apsaimniekošana; Tas koncentrējas uz hierarhiju (pirmkārt profilakse), piesārņojumu un izsekojamību. AI; Tas ir spēcīgs paātrinātājs klasifikācijā, plūsmas analīzē, piesārņojuma pamatcēloņos un maršruta optimizēšanā. Bet bīstamības klase, likumīgais atkritumu kods un galīgais lēmums par apglabāšanu ir eksperta ziņā. Izmēriet “faktiski konvertēto”, nevis “iekasēto” summu; Visvērtīgākais tonis ir tonis, kas netiek ražots.
Lietojumprogrammas uzdevums
Tabulējiet iestādes ikgadējās atkritumu plūsmas (vismaz pieci veidi, tonnāža). Izmantojot pirmo veidni, lieciet AI noteikt prioritātes atbilstoši hierarhijai un aprēķināt maršrutēšanas ātrumu. Pēc tam izmantojiet 3. modeli ar piesārņojuma datu paraugu, lai atklātu atšķirību starp “savākto” un “faktisko maršrutēšanu”. Atzīmējiet katru potenciāli bīstamo vienumu un atzīmējiet, kā jūs to apstiprināsit.
kontrolsaraksts
- [ ] Katru atkritumu plūsmu es ievietoju hierarhijā, un mana pirmā doma bija profilakse.
- [ ] Es aprēķināju faktisko nosūtīšanas līmeni, atskaitot piesārņojumu.
- [ ] Bīstamo atkritumu klasi apstiprināju ar SDS/likumdošanu, es to neizdomāju.
- [ ] Es reģistrēju izsekojamības un juridiskās deklarācijas datus.
- [ ] Es pārbaudīju maršruta optimizāciju ar vietnes ierobežojumiem.
- [ ] Esmu sarindojis iespējas pēc izmaksām un ietekmes uz vidi.