ਲਾਭ:
- ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਲੜੀ (ਰੋਕਥਾਮ ਪਹਿਲਾਂ) ਵਿੱਚ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀਆਂ ਧਾਰਾਵਾਂ ਰੱਖ ਕੇ ਅਤੇ ਗੰਦਗੀ ਨੂੰ ਘਟਾ ਕੇ ਅਸਲ ਡਾਇਵਰਸ਼ਨ ਦਰ ਦੀ ਗਣਨਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਸੁਰੱਖਿਆ ਡੇਟਾ ਸ਼ੀਟ ਅਤੇ ਕਾਨੂੰਨ ਦੇ ਨਾਲ ਖਤਰਨਾਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਸਿਫਾਰਸ਼ ਨੂੰ ਅੰਤਿਮ ਫੈਸਲੇ ਵਜੋਂ ਨਾ ਵਰਤਣ ਦੇ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
- ਕੋਡ ਦੇ ਨਾਲ ਸੰਗ੍ਰਹਿ ਰੂਟ ਅਤੇ ਵਹਾਅ ਅਨੁਕੂਲਨ ਸਥਾਪਤ ਕਰਕੇ ਅਤੇ ਸਾਈਟ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਨਾਲ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਕੇ ਨਿਕਾਸ ਅਤੇ ਲਾਗਤਾਂ ਨੂੰ ਘਟਾਉਣ ਦੀ ਸਮਰੱਥਾ
ਕੂੜਾ ਵਾਤਾਵਰਣ ਪ੍ਰਬੰਧਨ ਦਾ ਸਭ ਤੋਂ ਠੋਸ ਖੇਤਰ ਹੈ: ਇਹ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਤੋਲਿਆ ਜਾਂਦਾ ਹੈ, ਲਿਜਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ, ਜੇਕਰ ਗਲਤ ਪ੍ਰਬੰਧਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪ੍ਰਦੂਸ਼ਿਤ ਹੁੰਦਾ ਹੈ। ਪਰ ਆਧੁਨਿਕ ਪਹੁੰਚ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਸਿਰਫ਼ "ਮੁਕੰਮਲ ਕਰਨ ਦੀ ਸਮੱਸਿਆ" ਵਜੋਂ ਨਹੀਂ ਦੇਖਦੀ ਹੈ, ਸਗੋਂ ਇੱਕ ਸਰੋਤ ਵਜੋਂ ਦੇਖਦੀ ਹੈ ਜੋ ਚੱਕਰ ਵਿੱਚ ਵਾਪਸ ਜਾ ਸਕਦੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਕੂੜੇ ਦੀ ਲੜੀ, ਸਰਕੂਲਰ ਅਰਥਵਿਵਸਥਾ, ਕੂੜਾ ਵਰਗੀਕਰਣ ਅਤੇ AI ਦੇ ਨਾਲ ਸੰਗ੍ਰਹਿ ਅਨੁਕੂਲਨ, ਅਤੇ ਟਰੇਸੇਬਿਲਟੀ ਸਿੱਖੋਗੇ।
ਸੰਕਲਪ ਪਹਿਲਾਂ. ਰਹਿੰਦ-ਖੂੰਹਦ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਕੂੜੇ ਦੀ ਲੜੀ ਪਹਿਲ ਦਾ ਕ੍ਰਮ ਹੈ: ਪਹਿਲਾਂ ਰੋਕਥਾਮ (ਕੋਈ ਵੀ ਪੈਦਾ ਨਹੀਂ ਕਰਨਾ), ਫਿਰ ਕਟੌਤੀ, ਮੁੜ ਵਰਤੋਂ, ਰੀਸਾਈਕਲਿੰਗ, ਊਰਜਾ ਰਿਕਵਰੀ ਅਤੇ ਅੰਤ ਵਿੱਚ ਨਿਪਟਾਰੇ (ਲੈਂਡਫਿਲ/ਇਨਸਿਨਰੇਸ਼ਨ)। ਸਰਕੂਲਰ ਅਰਥਵਿਵਸਥਾ ਇੱਕ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ "ਟੇਕ-ਮੇਕ-ਡਿਸਪੋਜ਼" ਮਾਡਲ ਦੇ ਉਲਟ ਹੈ, ਜਿਸ ਵਿੱਚ ਉਤਪਾਦਾਂ ਅਤੇ ਸਮੱਗਰੀਆਂ ਨੂੰ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਉਹਨਾਂ ਦੇ ਮੁੱਲ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ ਦੁਬਾਰਾ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਡਾਇਵਰਸ਼ਨ ਦਰ ਲੈਂਡਫਿਲ (ਰੀਸਾਈਕਲਿੰਗ/ਕੰਪੋਸਟ) ਤੋਂ ਦੂਰ ਮੋੜਿਆ ਕੁੱਲ ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਪ੍ਰਤੀਸ਼ਤ ਹੈ।
ਸੰਕੇਤ: ਰਹਿੰਦ-ਖੂੰਹਦ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਸਭ ਤੋਂ ਕੀਮਤੀ ਟੋਨ ਉਹ ਟੋਨ ਹੈ ਜੋ ਕਦੇ ਪੈਦਾ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। AI ਦੀ ਵਰਤੋਂ ਸਿਰਫ਼ “ਮੈਂ ਕੂੜੇ ਨੂੰ ਕਿਵੇਂ ਵੱਖ ਕਰਾਂ” ਲਈ ਨਹੀਂ ਸਗੋਂ “ਮੈਂ ਇਸ ਕੂੜੇ ਨੂੰ ਪਹਿਲੀ ਥਾਂ ਤੋਂ ਕਿਵੇਂ ਬਚਾਂਗਾ” (ਡਿਜ਼ਾਈਨ, ਪੈਕੇਜਿੰਗ, ਪ੍ਰਕਿਰਿਆ ਤਬਦੀਲੀ) ਲਈ ਵੀ ਵਰਤੋ; ਲੜੀ ਦਾ ਸਿਖਰ ਹਮੇਸ਼ਾ ਤਰਜੀਹ ਲੈਂਦਾ ਹੈ।
AI ਨਾਲ ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਵਰਗੀਕਰਨ
ਰੀਸਾਈਕਲਿੰਗ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਦੁਸ਼ਮਣ ਗੰਦਗੀ ਹੈ - ਗਲਤ ਪਦਾਰਥਾਂ ਨਾਲ ਰੀਸਾਈਕਲ ਕਰਨ ਯੋਗ ਸਮੱਗਰੀ ਦਾ ਗੰਦਗੀ; ਇੱਕ ਗੰਦਾ ਕੰਟੇਨਰ ਇੱਕ ਪੂਰੀ ਗੱਠ ਨੂੰ ਕੂੜੇ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ। ਚਿੱਤਰ ਮਾਨਤਾ-ਅਧਾਰਿਤ AI ਚਿੱਤਰ ਤੋਂ ਰਹਿੰਦ-ਖੂੰਹਦ ਵਿੱਚ ਸਮੱਗਰੀ (ਪਲਾਸਟਿਕ, ਕਾਗਜ਼, ਧਾਤ, ਕੱਚ ਦੀ ਕਿਸਮ) ਨੂੰ ਵੱਖ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਵੱਖ ਹੋਣ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ। ਟੈਕਸਟ-ਅਧਾਰਿਤ AI ਕੂੜੇ ਦੇ ਕੋਡਾਂ (ਜਿਵੇਂ ਕਿ ਖਤਰਨਾਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਵਰਗੀਕਰਣ) ਨੂੰ ਸਹੀ ਕੋਡ ਵਿੱਚ ਮੈਪ ਕਰਨ ਅਤੇ ਕੂੜੇ ਦੇ ਘੋਸ਼ਣਾਵਾਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਪਰ ਸਮੱਗਰੀ ਦੀ ਕਿਸਮ ਅਤੇ ਖਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ-ਖਾਸ ਕਰਕੇ ਖਤਰਨਾਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਨਾਲ-ਦੀ ਅੰਤਮ ਪੁਸ਼ਟੀ ਮਾਹਰ ਦੀ ਹੈ; ਗਲਤ ਵਰਗੀਕਰਨ ਇੱਕ ਕਾਨੂੰਨੀ ਜੁਰਮ ਹੈ।
ਅਨੁਕੂਲਨ: ਸੰਗ੍ਰਹਿ ਅਤੇ ਰੂਟ
ਕੂੜਾ ਇਕੱਠਾ ਕਰਨ ਵਾਲੇ ਵਾਹਨ ਬਾਲਣ ਨੂੰ ਸਾੜਦੇ ਹਨ ਅਤੇ ਨਿਕਾਸ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਰੂਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਕੰਟੇਨਰ ਆਕੂਪੈਂਸੀ ਡੇਟਾ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਛੋਟੇ/ਘੱਟ ਤੋਂ ਘੱਟ ਈਂਧਨ-ਕੁਸ਼ਲ ਰੂਟ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਿਹਾ ਹੈ (ਪੂਰੇ ਪਹਿਲਾਂ, ਖਾਲੀ ਨੂੰ ਛੱਡ ਕੇ)। ਏਆਈ ਅਤੇ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਇਸ ਯੋਜਨਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਸਥਾਪਤ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਲਾਗਤ ਅਤੇ ਨਿਕਾਸ ਦੋਵਾਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਇਲਾਜ ਦਾ ਅਧਿਐਨ
1. ਆਪਣੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਮੈਪ ਕਰੋ। ਕਿਹੜਾ ਕੂੜਾ ਕਿੱਥੋਂ, ਕਿੰਨਾ ਤੇ ਕਿਸ ਜਮਾਤ ਵਿੱਚ ਆਉਂਦਾ ਹੈ?
2. ਦਰਜਾਬੰਦੀ ਵਿੱਚ ਰੱਖੋ। ਕੀ ਹਰੇਕ ਧਾਰਾ ਲਈ ਰੋਕਥਾਮ, ਰੀਸਾਈਕਲਿੰਗ ਜਾਂ ਨਿਪਟਾਰੇ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ?
3. ਗੰਦਗੀ ਅਤੇ ਡਾਇਵਰਸ਼ਨ ਦਰ ਨੂੰ ਮਾਪੋ। ਰੀਸਾਈਕਲਿੰਗ ਲਈ ਕਿੰਨੀ ਕੁ ਚੀਜ਼ ਅਸਲ ਵਿੱਚ ਰੀਸਾਈਕਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ?
4. ਮੌਕਾ ਲੱਭੋ। ਸਭ ਤੋਂ ਵੱਡਾ ਮੌਜੂਦਾ, ਸਭ ਤੋਂ ਵੱਧ ਲਾਗਤ, ਸਭ ਤੋਂ ਆਸਾਨ ਰੋਕਥਾਮ।
5. ਅਨੁਕੂਲ ਬਣਾਓ। ਛਾਂਟੀ, ਰੂਟਿੰਗ, ਸਪਲਾਇਰ/ਪੈਕੇਜਿੰਗ ਤਬਦੀਲੀ।
6. ਨਿਗਰਾਨੀ ਅਤੇ ਦਸਤਾਵੇਜ਼. ਕੂੜਾ ਡਾਟਾ ਬਚਾਓ; ਕਾਨੂੰਨੀ ਘੋਸ਼ਣਾ ਅਤੇ ਟਰੇਸੇਬਿਲਟੀ ਚੇਨ ਬਣਾਈ ਰੱਖੋ।
ਇੱਥੇ AI; ਇਹ ਵੇਸਟ ਡੇਟਾ, ਵਹਾਅ ਵਿਸ਼ਲੇਸ਼ਣ, ਰੂਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਕੋਡ ਅਤੇ ਸਟੇਟਮੈਂਟ ਡਰਾਫਟ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ। ਪਰ ਖਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਪੁਸ਼ਟੀ, ਕਾਨੂੰਨੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਕੋਡ ਅਤੇ ਅੰਤਮ ਫੈਸਲਾ ਮਾਹਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਗਲਤ ਵੇਸਟ ਕੋਡ। ਇੱਕ ਸਹੂਲਤ ਵਿੱਚ AI ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਰਸਾਇਣਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਸੀ; AI ਨੇ ਇਸਨੂੰ ਕੋਡ ਵਿੱਚ ਪਾਇਆ ਜੋ ਜਾਇਜ਼ ਲੱਗਦਾ ਹੈ ਪਰ ਨੁਕਸਾਨ ਰਹਿਤ ਹੈ। ਜਦੋਂ ਮਾਹਰ ਨੇ ਕੂੜੇ ਦੀ ਸੁਰੱਖਿਆ ਡੇਟਾ ਸ਼ੀਟ (SDS) ਦੀ ਜਾਂਚ ਕੀਤੀ, ਤਾਂ ਉਸਨੇ ਦੇਖਿਆ ਕਿ ਪਦਾਰਥ ਅਸਲ ਵਿੱਚ ਖਤਰਨਾਕ ਕੂੜੇ ਦੀ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸੀ। ਗਲਤ ਕੋਡ ਨਾਲ ਨਿਪਟਾਰੇ ਦਾ ਮਤਲਬ ਭਾਰੀ ਜੁਰਮਾਨਾ ਅਤੇ ਵਾਤਾਵਰਣ ਪ੍ਰਦੂਸ਼ਣ ਸੀ। AI ਆਉਟਪੁੱਟ ਇੱਕ ਸ਼ੁਰੂਆਤ ਸੀ, SDS ਪੁਸ਼ਟੀ ਜ਼ਰੂਰੀ ਸੀ।
ਕੇਸ 2 - ਗੰਦਗੀ ਦੀ ਲਾਗਤ। ਇੱਕ ਦਫ਼ਤਰ ਨੇ ਇਸਦੀ ਰੀਸਾਈਕਲਿੰਗ ਦਰ ਦੀ ਸ਼ੇਖੀ ਮਾਰੀ, ਪਰ ਸਹੂਲਤ 'ਤੇ ਪਹੁੰਚਣ ਵਾਲੀ 30% ਸਮੱਗਰੀ ਨੂੰ ਗੰਦਗੀ ਕਾਰਨ ਰੱਦ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ; ਇਸ ਲਈ "ਰੀਸਾਈਕਲਿੰਗ" ਦਾ ਅੰਕੜਾ ਅਸਲ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਸੀ। ਉਹਨਾਂ ਕੋਲ ਚਿੱਤਰ ਡੇਟਾ ਤੋਂ AI ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਾਲੇ ਗੰਦਗੀ ਸਰੋਤਾਂ (ਕਿਹੜਾ ਬਾਕਸ, ਕਿਹੜੀ ਚੀਜ਼ ਸਭ ਤੋਂ ਵੱਧ) ਸੀ; ਸਭ ਤੋਂ ਆਮ ਗੰਦਗੀ ਭੋਜਨ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਸੀ। ਇੱਕ ਸਧਾਰਨ ਵੱਖਰੇ ਜੈਵਿਕ ਬਾਕਸ ਨੇ ਅਸਲ ਰੈਫਰਲ ਦਰ ਨੂੰ 58% ਤੋਂ 81% ਤੱਕ ਵਧਾ ਦਿੱਤਾ ਹੈ।
ਕੇਸ 3 - ਰੂਟ ਸੇਵਿੰਗ। ਇੱਕ ਨਗਰਪਾਲਿਕਾ ਕੋਲ ਕੰਟੇਨਰ ਆਕੂਪੈਂਸੀ ਸੈਂਸਰ ਡੇਟਾ ਦੇ ਨਾਲ AI ਪਰਫਾਰਮ ਰੂਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸੀ; ਕੋਡ ਨੇ ਇੱਕ ਰੂਟ ਤਿਆਰ ਕੀਤਾ ਜੋ ਖਾਲੀ ਕੰਟੇਨਰਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ। ਪਿਕਅਪ ਦੂਰੀ 22% ਘਟਾ ਦਿੱਤੀ ਗਈ ਸੀ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਬਾਲਣ ਅਤੇ ਨਿਕਾਸ ਵਿੱਚ ਸਿੱਧੀ ਕਮੀ। ਡਰਾਈਵਰਾਂ ਨੇ ਪਾਇਲਟ ਵਿੱਚ ਰੂਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ, ਫਿਰ ਇਸਨੂੰ ਰੋਲ ਆਊਟ ਕੀਤਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਂ ਆਪਣੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਕਿਵੇਂ ਘਟਾਵਾਂ?
ਇਹ ਕਮਜ਼ੋਰ ਕਿਉਂ ਹੈ: ਕੋਈ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਕਿਸਮ, ਮਾਤਰਾ, ਪ੍ਰਵਾਹ ਅਤੇ ਪਾਬੰਦੀਆਂ ਨਹੀਂ। ਇੱਕ ਆਮ "ਰੀਸਾਈਕਲ" ਸੂਚੀ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ, ਕੋਈ ਤਰਜੀਹ ਨਹੀਂ ਹੈ.
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕੂੜਾ ਪ੍ਰਬੰਧਨ ਮਾਹਰ। ਹੇਠਾਂ ਦਿੱਤੀ ਗਈ ਸਾਲਾਨਾ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਪ੍ਰਵਾਹ ਸਾਰਣੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ (ਕਿਸਮ, ਟਨ ਵਿੱਚ ਮਾਤਰਾ, ਮੌਜੂਦਾ ਨਿਪਟਾਰੇ ਦਾ ਤਰੀਕਾ)। ਹਰੇਕ ਸਟ੍ਰੀਮ ਨੂੰ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਲੜੀ ਵਿੱਚ ਰੱਖੋ ਅਤੇ ਰੋਕਥਾਮ > ਮੁੜ ਵਰਤੋਂ > ਰੀਸਾਈਕਲਿੰਗ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੇ ਵਾਤਾਵਰਨ/ਲਾਗਤ ਮੌਕੇ ਦਾ ਦਰਜਾ ਦਿਓ। ਉਹਨਾਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ ਜੋ ਖਤਰਨਾਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਹੋ ਸਕਦੇ ਹਨ "SDS ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ"; ਖਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ ਨੂੰ ਜਾਅਲੀ ਨਾ ਬਣਾਓ। ਡੇਟਾ: [ਸਾਰਣੀ]
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਵੇਸਟ ਸਟ੍ਰੀਮ ਦੀ ਤਰਜੀਹ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਰਹਿੰਦ-ਖੂੰਹਦ ਮਾਹਰ। ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਲੜੀ ਦੇ ਅਨੁਸਾਰ ਹੇਠ ਲਿਖੀਆਂ ਕੂੜੇ ਦੀਆਂ ਧਾਰਾਵਾਂ (ਕਿਸਮ, ਟਨ, ਵਿਧੀ) ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਹਰੇਕ ਲਈ ਉੱਚ ਪੱਧਰੀ (ਰੋਕਥਾਮ→ ਖਾਤਮੇ) ਦੇ ਮੌਕੇ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਉਹਨਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜੋ ਖਤਰਨਾਕ ਹੋ ਸਕਦੇ ਹਨ, ਕਲਾਸ ਨਾ ਬਣਾਓ। ਰੈਫਰਲ ਰੇਟ ਦੀ ਗਣਨਾ ਕਰੋ। ਡੇਟਾ: [ਇੱਥੇ]
2) ਵੇਸਟ ਕੋਡ/ਕਲਾਸ ਪ੍ਰੀ-ਮੈਪਿੰਗ (ਪੁਸ਼ਟੀ ਕੀਤੀ):
ਹੇਠ ਲਿਖੀਆਂ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀਆਂ ਵਸਤੂਆਂ ਨੂੰ ਸੰਭਾਵਿਤ ਕੂੜਾ ਕੋਡ/ਸ਼੍ਰੇਣੀ ਨਾਲ ਮੈਪ ਕਰੋ। ਨੋਟ ਦੇ ਨਾਲ ਮੈਚ ਦਿਓ "ਨਿਰਪੱਖ ਨਹੀਂ, SDS/ਵਿਧਾਨ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰੋ"; ਖ਼ਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ ਨਾ ਬਣਾਓ। ਉਸ ਆਈਟਮ ਨੂੰ ਵੀ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜਿਸ ਬਾਰੇ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ। ਆਈਟਮਾਂ: [ਸੂਚੀ]
3) ਗੰਦਗੀ ਦੇ ਮੂਲ-ਕਾਰਨ ਵਿਸ਼ਲੇਸ਼ਣ:
ਹੇਠਾਂ ਰੀਸਾਈਕਲਿੰਗ ਅਸਵੀਕਾਰ/ਦੂਸ਼ਣ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ। ਸਭ ਤੋਂ ਆਮ ਗੰਦਗੀ ਅਤੇ ਸਰੋਤ ਬਿੰਦੂ ਲੱਭੋ; ਹਰੇਕ ਲਈ ਇੱਕ ਸਧਾਰਨ ਰੋਕਥਾਮ ਦਖਲ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਅਸਲ ਰੈਫਰਲ ਰੇਟ (ਘਟਾਓ ਗੰਦਗੀ) ਦੀ ਗਣਨਾ ਕਰੋ। ਡੇਟਾ: [ਇੱਥੇ]
4) ਕਲੈਕਸ਼ਨ ਰੂਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਫਰੇਮਵਰਕ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਓਪਰੇਸ਼ਨ ਐਨਾਲਿਸਟ। ਹੇਠਾਂ ਦਿੱਤੇ ਕੰਟੇਨਰ ਟਿਕਾਣੇ ਅਤੇ ਆਕੂਪੈਂਸੀ ਡੇਟਾ ਦੇ ਨਾਲ, ਰੂਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਲਈ ਇੱਕ ਐਗਜ਼ੀਕਿਊਟੇਬਲ ਪਾਈਥਨ ਫਰੇਮਵਰਕ ਲਿਖੋ ਜੋ ਪੂਰੇ ਕੰਟੇਨਰਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ ਅਤੇ ਖਾਲੀ ਨੂੰ ਛੱਡਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਦੂਰੀ ਮੈਟ੍ਰਿਕਸ + ਸਧਾਰਨ ਹਿਉਰਿਸਟਿਕ)। ਬੱਚਤ ਪੂਰਵ ਅਨੁਮਾਨ ਵੀ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਡੇਟਾ: [ਇੱਥੇ]
ਆਮ ਗਲਤੀਆਂ
- ਲੜੀ ਦੇ ਸਿਖਰ 'ਤੇ ਜੰਪ ਕਰਨਾ। ਰੋਕਥਾਮ ਬਾਰੇ ਸੋਚੇ ਬਿਨਾਂ ਸਿੱਧਾ ਰੀਸਾਈਕਲਿੰਗ ਵਿੱਚ ਜੰਪ ਕਰਨਾ।
- ਗੰਦਗੀ ਦੀ ਗਿਣਤੀ ਨਹੀਂ ਹੈ. "ਇਕੱਠੇ" ਅਤੇ "ਸੱਚਮੁੱਚ ਪਰਿਵਰਤਿਤ" ਵੱਖਰੇ ਹਨ।
- ਖ਼ਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ ਨੂੰ AI ਨਾਲ ਅਨੁਕੂਲ ਬਣਾਉਣਾ। SDS ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਪੁਸ਼ਟੀ ਲਾਜ਼ਮੀ ਹੈ; ਗਲਤ ਸ਼੍ਰੇਣੀ ਦਾ ਅਪਰਾਧ.
- ਟਰੇਸੇਬਿਲਟੀ ਚੇਨ ਨੂੰ ਰਿਕਾਰਡ ਨਹੀਂ ਕਰਨਾ। ਕੂੜਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ, ਇਸ ਦਾ ਦਸਤਾਵੇਜ਼ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਰੂਟ ਅਨੁਕੂਲਨ ਖੇਤਰ-ਮੁਕਤ ਲਾਗੂ ਕਰਨਾ। ਡਰਾਈਵਰ ਅਤੇ ਸਾਈਟ ਸੀਮਾਵਾਂ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਦਾਖਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਧਿਆਨ ਦਿਓ: ਖਤਰਨਾਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਗਲਤ ਵਰਗੀਕਰਨ ਅਤੇ ਗੈਰ-ਰਜਿਸਟਰਡ ਨਿਪਟਾਰੇ ਸਭ ਤੋਂ ਗੰਭੀਰ ਪਾਬੰਦੀਆਂ ਵਾਲੇ ਵਾਤਾਵਰਣ ਅਪਰਾਧਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹਨ। AI ਆਉਟਪੁੱਟ ਨੂੰ ਅੰਤਿਮ ਵੇਸਟ ਕੋਡ ਦੇ ਤੌਰ 'ਤੇ ਕਦੇ ਨਾ ਵਰਤੋ; ਸੁਰੱਖਿਆ ਡੇਟਾ ਸ਼ੀਟ ਅਤੇ ਲਾਗੂ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਨਿਯਮਾਂ ਨਾਲ ਹਮੇਸ਼ਾਂ ਪੁਸ਼ਟੀ ਕਰੋ।
ਸੰਖੇਪ ਵਿੱਚ
ਰਹਿੰਦ-ਖੂੰਹਦ ਪ੍ਰਬੰਧਨ; ਇਹ ਦਰਜਾਬੰਦੀ (ਪਹਿਲਾਂ ਰੋਕਥਾਮ), ਗੰਦਗੀ ਅਤੇ ਖੋਜਣਯੋਗਤਾ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ। AI; ਇਹ ਵਰਗੀਕਰਨ, ਪ੍ਰਵਾਹ ਵਿਸ਼ਲੇਸ਼ਣ, ਗੰਦਗੀ ਦੇ ਮੂਲ ਕਾਰਨ ਅਤੇ ਰੂਟ ਅਨੁਕੂਲਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਵੇਗ ਹੈ। ਪਰ ਖਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ, ਕਾਨੂੰਨੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਕੋਡ ਅਤੇ ਅੰਤਮ ਨਿਪਟਾਰੇ ਦਾ ਫੈਸਲਾ ਮਾਹਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। "ਇਕੱਠੀ" ਦੀ ਬਜਾਏ "ਅਸਲ ਵਿੱਚ ਰੂਪਾਂਤਰਿਤ" ਰਕਮ ਨੂੰ ਮਾਪੋ; ਸਭ ਤੋਂ ਕੀਮਤੀ ਟੋਨ ਉਹ ਟੋਨ ਹੈ ਜੋ ਪੈਦਾ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ.
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਕਿਸੇ ਸੰਸਥਾ ਦੀ ਸਾਲਾਨਾ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀਆਂ ਧਾਰਾਵਾਂ (ਘੱਟੋ-ਘੱਟ ਪੰਜ ਕਿਸਮਾਂ, ਟਨੇਜ) ਨੂੰ ਸਾਰਣੀਬੱਧ ਕਰੋ। 1st ਟੈਂਪਲੇਟ ਦੇ ਨਾਲ, AI ਨੂੰ ਲੜੀ ਦੇ ਅਨੁਸਾਰ ਤਰਜੀਹ ਦਿਓ ਅਤੇ ਰੂਟਿੰਗ ਦਰ ਦੀ ਗਣਨਾ ਕਰੋ। ਫਿਰ "ਇਕੱਠੇ ਕੀਤੇ" ਅਤੇ "ਅਸਲ ਰੂਟਿੰਗ" ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਲਈ ਗੰਦਗੀ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਨਮੂਨੇ ਦੇ ਨਾਲ ਪੈਟਰਨ 3 ਲਾਗੂ ਕਰੋ। ਹਰ ਇੱਕ ਸੰਭਾਵੀ ਖਤਰਨਾਕ ਆਈਟਮ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਅਤੇ ਨੋਟ ਕਰੋ ਕਿ ਤੁਸੀਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰੋਗੇ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਹਰ ਇੱਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਲੜੀ ਵਿੱਚ ਰੱਖਿਆ ਹੈ, ਜਿਸਦੀ ਰੋਕਥਾਮ ਮੇਰੀ ਪਹਿਲੀ ਸੋਚ ਹੈ।
- [ ] ਮੈਂ ਗੰਦਗੀ ਨੂੰ ਘਟਾ ਕੇ ਅਸਲ ਰੈਫਰਲ ਰੇਟ ਦੀ ਗਣਨਾ ਕੀਤੀ।
- [ ] ਮੈਂ SDS/ਵਿਧਾਨ ਨਾਲ ਖਤਰਨਾਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ, ਮੈਂ ਇਸਨੂੰ ਨਹੀਂ ਬਣਾਇਆ।
- [ ] ਮੈਂ ਟਰੇਸੇਬਿਲਟੀ ਅਤੇ ਕਾਨੂੰਨੀ ਘੋਸ਼ਣਾ ਡੇਟਾ ਨੂੰ ਰਿਕਾਰਡ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਸਾਈਟ ਸੀਮਾਵਾਂ ਦੇ ਨਾਲ ਰੂਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਲਾਗਤ ਅਤੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਦੁਆਰਾ ਮੌਕਿਆਂ ਨੂੰ ਦਰਜਾ ਦਿੱਤਾ ਹੈ।