വേസ്റ്റ് മാനേജ്‌മെൻ്റ് ആൻഡ് സർക്കുലർ എക്കണോമി: വർഗ്ഗീകരണം, ഒപ്റ്റിമൈസേഷൻ, ട്രെയ്‌സിബിലിറ്റി

നേട്ടങ്ങൾ:

• മാലിന്യ ശ്രേണിയിൽ മാലിന്യ സ്‌ട്രീമുകൾ സ്ഥാപിച്ച് (ആദ്യം തടയൽ) മലിനീകരണം കുറയ്ക്കുന്നതിലൂടെ യഥാർത്ഥ വഴിതിരിച്ചുവിടൽ നിരക്ക് കണക്കാക്കാനുള്ള കഴിവ്
• സുരക്ഷാ ഡാറ്റ ഷീറ്റും നിയമനിർമ്മാണവും ഉപയോഗിച്ച് അപകടകരമായ മാലിന്യ ക്ലാസ് സ്ഥിരീകരിക്കാനുള്ള കഴിവ്, അന്തിമ തീരുമാനമായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ വേസ്റ്റ് കോഡ് ശുപാർശ ഉപയോഗിക്കാതിരിക്കാനുള്ള അച്ചടക്കം പ്രയോഗിക്കുക.
• കോഡ് ഉപയോഗിച്ച് കളക്ഷൻ റൂട്ടും ഫ്ലോ ഒപ്റ്റിമൈസേഷനും സ്ഥാപിച്ച് സൈറ്റിൻ്റെ നിയന്ത്രണങ്ങൾ ഉപയോഗിച്ച് അത് പരിശോധിച്ച് ഉദ്‌വമനവും ചെലവും കുറയ്ക്കാനുള്ള കഴിവ്

പാരിസ്ഥിതിക മാനേജ്മെൻ്റിൻ്റെ ഏറ്റവും മൂർത്തമായ മേഖലയാണ് മാലിന്യം: അത് ദൃശ്യമാണ്, തൂക്കം, ഗതാഗതം, തെറ്റായി കൈകാര്യം ചെയ്താൽ നേരിട്ട് മലിനമാക്കുന്നു. എന്നാൽ ആധുനിക സമീപനം മാലിന്യത്തെ ഒരു "ഉന്മൂലനം ചെയ്യേണ്ട പ്രശ്നം" ആയിട്ടല്ല, മറിച്ച് ചക്രത്തിലേക്ക് തിരികെ കൊണ്ടുവരാൻ കഴിയുന്ന ഒരു വിഭവമായാണ് കാണുന്നത്. ഈ യൂണിറ്റിൽ, മാലിന്യ ശ്രേണി, വൃത്താകൃതിയിലുള്ള സമ്പദ്‌വ്യവസ്ഥ, മാലിന്യ വർഗ്ഗീകരണം, AI ഉപയോഗിച്ചുള്ള ശേഖരണ ഒപ്റ്റിമൈസേഷൻ, ട്രെയ്‌സിബിലിറ്റി എന്നിവ നിങ്ങൾ പഠിക്കും.

ആദ്യം ആശയങ്ങൾ. മാലിന്യങ്ങൾ കൈകാര്യം ചെയ്യുന്നതിനുള്ള മുൻഗണനാ ക്രമമാണ് മാലിന്യ ശ്രേണി. സർക്കുലർ എക്കണോമി എന്നത് "ടേക്ക്-മേക്ക്-ഡിസ്പോസ്" മോഡലിന് വിപരീതമായ ഒരു സംവിധാനമാണ്, അതിൽ ഉൽപ്പന്നങ്ങളും വസ്തുക്കളും കഴിയുന്നത്ര കാലം അവയുടെ മൂല്യം സംരക്ഷിച്ചുകൊണ്ട് വീണ്ടും ഉപയോഗിക്കുന്നു. മാലിന്യ നികത്തലിൽ നിന്ന് (റീസൈക്ലിംഗ്/കമ്പോസ്റ്റ്) വഴിതിരിച്ചുവിട്ട മൊത്തം മാലിന്യത്തിൻ്റെ ശതമാനമാണ് ഡൈവേർഷൻ നിരക്ക്.

നുറുങ്ങ്: മാലിന്യ സംസ്കരണത്തിലെ ഏറ്റവും മൂല്യവത്തായ ടോൺ ഒരിക്കലും ഉൽപ്പാദിപ്പിക്കപ്പെടാത്ത ടോൺ ആണ്. "ഞാൻ എങ്ങനെയാണ് മാലിന്യം വേർതിരിക്കുന്നത്" എന്നതിന് മാത്രമല്ല, "ആദ്യമായി ഈ മാലിന്യം എങ്ങനെ ഒഴിവാക്കാം" (ഡിസൈൻ, പാക്കേജിംഗ്, പ്രോസസ്സിംഗ് മാറ്റം) എന്നതിനും AI ഉപയോഗിക്കുക; ശ്രേണിയുടെ മുകൾഭാഗം എല്ലായ്പ്പോഴും മുൻഗണന നൽകുന്നു.

AI ഉപയോഗിച്ച് മാലിന്യ വർഗ്ഗീകരണം

പുനരുപയോഗത്തിൻ്റെ ഏറ്റവും വലിയ ശത്രു മലിനീകരണമാണ് - തെറ്റായ പദാർത്ഥങ്ങൾ ഉപയോഗിച്ച് പുനരുപയോഗിക്കാവുന്ന വസ്തുക്കളുടെ മലിനീകരണം; ഒരു വൃത്തികെട്ട കണ്ടെയ്നറിന് ഒരു ബേലിനെ മുഴുവൻ മാലിന്യമാക്കി മാറ്റാൻ കഴിയും. ഇമേജ് റെക്കഗ്നിഷൻ അധിഷ്‌ഠിത AI-ക്ക് മാലിന്യ സ്‌ട്രീമിലെ വസ്തുക്കളെ (പ്ലാസ്റ്റിക്, പേപ്പർ, മെറ്റൽ, ഗ്ലാസ്) ചിത്രത്തിൽ നിന്ന് വേർതിരിച്ചറിയാനും വേർതിരിക്കുന്നത് ത്വരിതപ്പെടുത്താനും കഴിയും. മാലിന്യ കോഡുകൾ (ഉദാ. അപകടകരമായ മാലിന്യ വർഗ്ഗീകരണം) ശരിയായ കോഡിലേക്ക് മാപ്പ് ചെയ്യാനും മാലിന്യ പ്രഖ്യാപനങ്ങൾ സംഘടിപ്പിക്കാനും ടെക്‌സ്‌റ്റ് അടിസ്ഥാനമാക്കിയുള്ള AI സഹായിക്കുന്നു. എന്നാൽ മെറ്റീരിയലിൻ്റെ തരത്തിൻ്റേയും ഹാസാർഡ് ക്ലാസിൻ്റേയും അന്തിമ സ്ഥിരീകരണം-പ്രത്യേകിച്ച് അപകടകരമായ മാലിന്യങ്ങൾ-വിദഗ്ധർക്കുള്ളതാണ്; തരംതിരിവ് നിയമപരമായ കുറ്റമാണ്.

ഒപ്റ്റിമൈസേഷൻ: ശേഖരണവും റൂട്ടും

മാലിന്യം ശേഖരിക്കുന്ന വാഹനങ്ങൾ ഇന്ധനം കത്തിക്കുകയും മലിനീകരണം ഉണ്ടാക്കുകയും ചെയ്യുന്നു. കണ്ടെയ്‌നർ ഒക്യുപ്പൻസി ഡാറ്റ ഉപയോഗിച്ച് ഏറ്റവും കുറഞ്ഞ/കുറഞ്ഞ ഇന്ധനക്ഷമതയുള്ള റൂട്ടാണ് റൂട്ട് ഒപ്റ്റിമൈസേഷൻ ആസൂത്രണം ചെയ്യുന്നത് (പൂർണ്ണമായവ ആദ്യം, ശൂന്യമായവ ഒഴിവാക്കുക). AI, ഒപ്റ്റിമൈസേഷൻ അൽഗോരിതങ്ങൾ എന്നിവയ്ക്ക് ചെലവും പുറന്തള്ളലും കുറയ്ക്കുന്ന രീതിയിൽ ഈ പ്ലാൻ സജ്ജീകരിക്കാനാകും.

ഘട്ടം ഘട്ടമായി: മാലിന്യ നിർമാർജന പഠനം

1. നിങ്ങളുടെ മാലിന്യ സ്ട്രീം മാപ്പ് ചെയ്യുക. ഏത് മാലിന്യം എവിടെ നിന്ന്, എത്ര, ഏത് ക്ലാസിൽ വരുന്നു?

2. ശ്രേണിയിൽ സ്ഥാപിക്കുക. ഓരോ സ്ട്രീമിനും പ്രതിരോധം, പുനരുപയോഗം അല്ലെങ്കിൽ നീക്കം ചെയ്യൽ എന്നിവ നടപ്പിലാക്കുന്നുണ്ടോ?

3. മലിനീകരണവും വഴിതിരിച്ചുവിടൽ നിരക്കും അളക്കുക. പുനരുപയോഗം ചെയ്യാൻ പോകുന്നവയിൽ എത്രത്തോളം റീസൈക്കിൾ ചെയ്യപ്പെടുന്നു?

4. അവസരം കണ്ടെത്തുക. ഏറ്റവും വലിയ കറൻ്റ്, ഏറ്റവും ഉയർന്ന ചിലവ്, ഏറ്റവും എളുപ്പമുള്ള പ്രതിരോധം.

5. ഒപ്റ്റിമൈസ് ചെയ്യുക. സോർട്ടിംഗ്, റൂട്ടിംഗ്, വിതരണക്കാരൻ/പാക്കേജിംഗ് മാറ്റം.

6. നിരീക്ഷിക്കുകയും പ്രമാണിക്കുകയും ചെയ്യുക. മാലിന്യ ഡാറ്റ സംരക്ഷിക്കുക; നിയമപരമായ പ്രഖ്യാപനവും കണ്ടെത്താവുന്ന ശൃംഖലയും നിലനിർത്തുക.

ഇവിടെ AI; മാലിന്യ ഡാറ്റ, ഫ്ലോ വിശകലനം, റൂട്ട് ഒപ്റ്റിമൈസേഷൻ കോഡ്, സ്റ്റേറ്റ്‌മെൻ്റ് ഡ്രാഫ്റ്റിംഗ് എന്നിവയെ തരംതിരിക്കുന്നതിൽ ഇത് ശക്തമാണ്. എന്നാൽ ഹസാർഡ് ക്ലാസ് സ്ഥിരീകരണം, നിയമപരമായ മാലിന്യ കോഡ്, അന്തിമ തീരുമാനം എന്നിവ വിദഗ്ധനാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - തെറ്റായ മാലിന്യ കോഡ്. ഒരു സ്ഥാപനത്തിൽ AI തരംതിരിക്കുന്ന ഒരു രാസമാലിന്യം ഉണ്ടായിരുന്നു; AI ഇത് ന്യായമായതും എന്നാൽ നിരുപദ്രവകരവുമായ കോഡിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. വിദഗ്ധർ മാലിന്യത്തിൻ്റെ സുരക്ഷാ ഡാറ്റ ഷീറ്റ് (എസ്ഡിഎസ്) പരിശോധിച്ചപ്പോൾ, ഈ പദാർത്ഥം യഥാർത്ഥത്തിൽ അപകടകരമായ മാലിന്യ വിഭാഗത്തിൽ പെട്ടതാണെന്ന് അദ്ദേഹം കണ്ടു. തെറ്റായ കോഡ് ഉപയോഗിച്ച് നീക്കം ചെയ്യുന്നത് കനത്ത പിഴയും പരിസ്ഥിതി മലിനീകരണവും അർത്ഥമാക്കുന്നു. AI ഔട്ട്പുട്ട് ഒരു തുടക്കമായിരുന്നു, SDS സ്ഥിരീകരണം നിർബന്ധമായിരുന്നു.

കേസ് 2 - മലിനീകരണത്തിൻ്റെ വില. ഒരു ഓഫീസ് അതിൻ്റെ റീസൈക്ലിംഗ് നിരക്ക് വീമ്പിളക്കിയിരുന്നു, എന്നാൽ മലിനീകരണം കാരണം സൗകര്യത്തിലെത്തിയ മെറ്റീരിയലിൻ്റെ 30% നിരസിക്കപ്പെട്ടു; അതിനാൽ "റീസൈക്ലിംഗ്" കണക്ക് യഥാർത്ഥത്തിൽ വളരെ കുറവായിരുന്നു. ഇമേജ് ഡാറ്റയിൽ നിന്ന് മലിനീകരണ സ്രോതസ്സുകൾ (ഏത് ബോക്സ്, ഏത് ഇനം ഏറ്റവും കൂടുതൽ) കണ്ടുപിടിക്കാൻ അവർക്ക് AI ഉണ്ടായിരുന്നു; ഭക്ഷണ അവശിഷ്ടങ്ങളായിരുന്നു ഏറ്റവും സാധാരണമായ മലിനീകരണം. ഒരു ലളിതമായ പ്രത്യേക ഓർഗാനിക് ബോക്സ് യഥാർത്ഥ റഫറൽ നിരക്ക് 58% ൽ നിന്ന് 81% ആയി ഉയർത്തി.

കേസ് 3 - റൂട്ട് സേവിംഗ്. ഒരു മുനിസിപ്പാലിറ്റിക്ക് കണ്ടെയ്നർ ഒക്യുപൻസി സെൻസർ ഡാറ്റ ഉപയോഗിച്ച് റൂട്ട് ഒപ്റ്റിമൈസേഷൻ നടത്താൻ AI ഉണ്ടായിരുന്നു; ശൂന്യമായ പാത്രങ്ങളെ മറികടക്കുന്ന ഒരു റൂട്ട് കോഡ് സൃഷ്ടിച്ചു. പിക്കപ്പ് ദൂരം 22% കുറഞ്ഞു, അതായത് ഇന്ധനത്തിലും ഉദ്‌വമനത്തിലും നേരിട്ടുള്ള കുറവ്. ഡ്രൈവർമാർ പൈലറ്റിൽ റൂട്ട് സാധൂകരിക്കുകയും പിന്നീട് അത് പുറത്തെടുക്കുകയും ചെയ്തു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

എൻ്റെ മാലിന്യങ്ങൾ എങ്ങനെ കുറയ്ക്കാം?

എന്തുകൊണ്ട് ഇത് ദുർബലമാണ്: മാലിന്യ തരം, അളവ്, ഒഴുക്ക്, നിയന്ത്രണങ്ങൾ എന്നിവയില്ല. ഒരു പൊതു "റീസൈക്കിൾ" ലിസ്റ്റ് ദൃശ്യമാകുന്നു, മുൻഗണനയില്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ പങ്ക്: മാലിന്യ സംസ്കരണ വിദഗ്ധൻ. താഴെയുള്ള വാർഷിക മാലിന്യ ഫ്ലോ ടേബിൾ വിശകലനം ചെയ്യുക (തരം, അളവ്, ടണ്ണിലെ അളവ്, നിലവിലെ നീക്കം ചെയ്യൽ രീതി). ഓരോ സ്ട്രീമും മാലിന്യ ശ്രേണിയിൽ സ്ഥാപിക്കുക, പ്രതിരോധം > പുനരുപയോഗം > പുനരുപയോഗം എന്ന ക്രമത്തിൽ ഏറ്റവും വലിയ പാരിസ്ഥിതിക/ചെലവ് അവസരങ്ങൾ റാങ്ക് ചെയ്യുക. അപകടകരമായ മാലിന്യമായേക്കാവുന്നവ "SDS മുഖേന സ്ഥിരീകരിച്ചിരിക്കണം" എന്ന് അടയാളപ്പെടുത്തുക; ഹസാർഡ് ക്ലാസ് വ്യാജമാക്കരുത്. ഡാറ്റ: [പട്ടിക]

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) മാലിന്യ പ്രവാഹത്തിൻ്റെ മുൻഗണന:

നിങ്ങളുടെ പങ്ക്: മാലിന്യ വിദഗ്ധൻ. മാലിന്യ ശ്രേണി അനുസരിച്ച് ഇനിപ്പറയുന്ന മാലിന്യ സ്ട്രീമുകൾ (തരം, ടൺ, രീതി) വിലയിരുത്തുക. ഓരോന്നിനും ഉയർന്ന തലത്തിലുള്ള (പ്രിവൻഷൻ→ ഉന്മൂലനം) അവസരം നിർദ്ദേശിക്കുക. അപകടകരമായേക്കാവുന്നവ അടയാളപ്പെടുത്തുക, ക്ലാസ് ഉണ്ടാക്കരുത്. റഫറൽ നിരക്ക് കണക്കാക്കുക. ഡാറ്റ: [ഇവിടെ]

2) വേസ്റ്റ് കോഡ്/ക്ലാസ് പ്രീ-മാപ്പിംഗ് (സ്ഥിരീകരിച്ചത്):

ഇനിപ്പറയുന്ന പാഴ് വസ്തുക്കൾ സാധ്യമായ വേസ്റ്റ് കോഡ്/ക്ലാസ്സിലേക്ക് മാപ്പ് ചെയ്യുക. "നിർണ്ണായകമല്ല, SDS/നിയമനിർമ്മാണം ഉപയോഗിച്ച് സ്ഥിരീകരിക്കുക" എന്ന കുറിപ്പോടെ പൊരുത്തം നൽകുക; അപകട ക്ലാസ് ഉണ്ടാക്കരുത്. നിങ്ങൾക്ക് ഉറപ്പില്ലാത്ത ഇനവും അടയാളപ്പെടുത്തുക. ഇനങ്ങൾ: [ലിസ്റ്റ്]

3) മലിനീകരണ മൂലകാരണ വിശകലനം:

താഴെയുള്ള റീസൈക്ലിംഗ് നിരസിക്കൽ/മലിനീകരണ ഡാറ്റ വിശകലനം ചെയ്യുക. ഏറ്റവും സാധാരണമായ മലിനീകരണങ്ങളും ഉറവിട പോയിൻ്റുകളും കണ്ടെത്തുക; ഓരോന്നിനും ഒരു ലളിതമായ പ്രതിരോധ ഇടപെടൽ നിർദ്ദേശിക്കുക. യഥാർത്ഥ റഫറൽ നിരക്ക് (മൈനസ് മലിനീകരണം) കണക്കാക്കുക. ഡാറ്റ: [ഇവിടെ]

4) കളക്ഷൻ റൂട്ട് ഒപ്റ്റിമൈസേഷൻ ചട്ടക്കൂട്:

നിങ്ങളുടെ റോൾ: ഓപ്പറേഷൻസ് അനലിസ്റ്റ്. ഇനിപ്പറയുന്ന കണ്ടെയ്‌നർ ലൊക്കേഷനും ഒക്യുപ്പൻസി ഡാറ്റയും ഉപയോഗിച്ച്, റൂട്ട് ഒപ്റ്റിമൈസേഷനായി ഒരു എക്‌സിക്യൂട്ടബിൾ പൈത്തൺ ഫ്രെയിംവർക്ക് എഴുതുക, അത് മുഴുവൻ കണ്ടെയ്‌നറുകൾക്കും മുൻഗണന നൽകുകയും ശൂന്യമായവ ഒഴിവാക്കുകയും ചെയ്യുന്നു (ഉദാ. ദൂരം മാട്രിക്സ് + ലളിതമായ ഹ്യൂറിസ്റ്റിക്). സമ്പാദ്യ പ്രവചനവും ഉണ്ടാക്കുക. ഡാറ്റ: [ഇവിടെ]

സാധാരണ തെറ്റുകൾ

• ശ്രേണിയുടെ മുകളിലേക്ക് കുതിക്കുന്നു. പ്രതിരോധത്തെ കുറിച്ച് ആലോചിക്കാതെ നേരെ റീസൈക്ലിങ്ങിലേക്ക് കുതിക്കുന്നു.
• മലിനീകരണം കണക്കാക്കുന്നില്ല. "ശേഖരിച്ചതും" "യഥാർത്ഥത്തിൽ രൂപാന്തരപ്പെട്ടതും" വ്യത്യസ്തമാണ്.
• അപകട ക്ലാസ് AI-യിലേക്ക് പൊരുത്തപ്പെടുത്തുന്നു. എസ്ഡിഎസും റെഗുലേറ്ററി സ്ഥിരീകരണവും നിർബന്ധമാണ്; തെറ്റായ ക്ലാസ് കുറ്റകൃത്യം.
• ട്രെയ്‌സിബിലിറ്റി ചെയിൻ രേഖപ്പെടുത്തുന്നില്ല. മാലിന്യം എവിടേക്കാണ് പോകുന്നതെന്ന് രേഖപ്പെടുത്തണം.
• റൂട്ട് ഒപ്റ്റിമൈസേഷൻ ഫീൽഡ് ഫ്രീ പ്രയോഗിക്കുന്നു. ഡ്രൈവർ, സൈറ്റ് നിയന്ത്രണങ്ങൾ മോഡലിൽ നൽകണം.

ശ്രദ്ധിക്കുക: അപകടകരമായ മാലിന്യങ്ങളുടെ തെറ്റായ വർഗ്ഗീകരണവും രജിസ്റ്റർ ചെയ്യാത്ത സംസ്കരണവും ഏറ്റവും കടുത്ത ഉപരോധങ്ങളുള്ള പാരിസ്ഥിതിക കുറ്റകൃത്യങ്ങളിൽ ഒന്നാണ്. അന്തിമ മാലിന്യ കോഡായി AI ഔട്ട്‌പുട്ട് ഒരിക്കലും ഉപയോഗിക്കരുത്; സുരക്ഷാ ഡാറ്റ ഷീറ്റും ബാധകമായ മാലിന്യ നിയന്ത്രണങ്ങളും ഉപയോഗിച്ച് എല്ലായ്പ്പോഴും സ്ഥിരീകരിക്കുക.

ചുരുക്കത്തിൽ

മാലിന്യ സംസ്കരണം; ഇത് ശ്രേണി (പ്രിവൻഷൻ ഫസ്റ്റ്), മലിനീകരണം, കണ്ടെത്തൽ എന്നിവയിൽ കേന്ദ്രീകരിക്കുന്നു. AI; വർഗ്ഗീകരണം, ഒഴുക്ക് വിശകലനം, മലിനീകരണ മൂലകാരണം, റൂട്ട് ഒപ്റ്റിമൈസേഷൻ എന്നിവയിൽ ഇത് ശക്തമായ ആക്സിലറേറ്ററാണ്. എന്നാൽ അപകടകരമായ ക്ലാസ്, നിയമപരമായ മാലിന്യ കോഡ്, അന്തിമ നിർമാർജന തീരുമാനം എന്നിവ വിദഗ്ധനാണ്. "ശേഖരിച്ച" എന്നതിനേക്കാൾ "യഥാർത്ഥത്തിൽ പരിവർത്തനം ചെയ്ത" തുക അളക്കുക; ഉൽപ്പാദിപ്പിക്കപ്പെടാത്ത ടോൺ ആണ് ഏറ്റവും മൂല്യവത്തായ ടോൺ.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു സ്ഥാപനത്തിൻ്റെ വാർഷിക മാലിന്യ പ്രവാഹങ്ങൾ (കുറഞ്ഞത് അഞ്ച് തരം, ടൺ) പട്ടികപ്പെടുത്തുക. ഒന്നാം ടെംപ്ലേറ്റ് ഉപയോഗിച്ച്, ശ്രേണി അനുസരിച്ച് AI മുൻഗണന നൽകുകയും റൂട്ടിംഗ് നിരക്ക് കണക്കാക്കുകയും ചെയ്യുക. "ശേഖരിച്ചതും" "യഥാർത്ഥ റൂട്ടിംഗും" തമ്മിലുള്ള വ്യത്യാസം വെളിപ്പെടുത്തുന്നതിന് മലിനീകരണ ഡാറ്റയുടെ സാമ്പിൾ ഉപയോഗിച്ച് പാറ്റേൺ 3 പ്രയോഗിക്കുക. അപകടസാധ്യതയുള്ള ഓരോ ഇനവും അടയാളപ്പെടുത്തി നിങ്ങൾ അത് എങ്ങനെ സ്ഥിരീകരിക്കുമെന്ന് ശ്രദ്ധിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഓരോ മാലിന്യ പ്രവാഹവും ഞാൻ ശ്രേണിയിൽ സ്ഥാപിച്ചു, പ്രതിരോധം എൻ്റെ ആദ്യ ചിന്തയാണ്.
• [ ] മലിനീകരണം കുറച്ചാണ് ഞാൻ യഥാർത്ഥ റഫറൽ നിരക്ക് കണക്കാക്കിയത്.
• [ ] ഞാൻ SDS/നിയമനിർമ്മാണം ഉപയോഗിച്ച് അപകടകരമായ മാലിന്യ ക്ലാസ് സ്ഥിരീകരിച്ചു, ഞാൻ അത് ഉണ്ടാക്കിയില്ല.
• [ ] ഞാൻ കണ്ടെത്താവുന്നതും നിയമപരമായ പ്രഖ്യാപന ഡാറ്റയും രേഖപ്പെടുത്തി.
• [ ] സൈറ്റ് പരിമിതികൾ ഉപയോഗിച്ച് ഞാൻ റൂട്ട് ഒപ്റ്റിമൈസേഷൻ പരിശോധിച്ചു.
• [ ] ചെലവും പാരിസ്ഥിതിക ആഘാതവും അനുസരിച്ച് ഞാൻ അവസരങ്ങളെ റാങ്ക് ചെയ്തിട്ടുണ്ട്.