El autor: Riccardo Biella, software engineer en Paradox Engineering

 

La producción anual de residuos aumentará en 70% hasta los 3.400 millones de toneladas en 2050, según el Banco Mundial. A este ritmo de crecimiento, necesitaremos unos 3 mundos para absorber y eliminar nuestra basura sin comprometer nuestra salud y el medio ambiente.

Las ciudades son cada vez más buscando soluciones innovadoras para mejorar la recogida de residuos sólidos urbanos y tratamiento para preservar tanto la salud pública como la habitabilidad urbana. En Paradox Engineering, hemos ampliado nuestra plataforma insignia PE Smart Urban Network para incluir un Smart Waste ; para los gestores de la ciudad y de los servicios públicos.

La noticia es, estamos integrando la Inteligencia Artificial y Machine Learning algoritmos para mejorar esta solución y hacer que tenga un mayor rendimiento. Mientras que los algoritmos tradicionales convierten la entrada en la salida utilizando algunas reglas dadas, elegimos el aprendizaje automático para construir un modelo predictivo preciso basado en datos de muestra.

El primer paso es equipar las papeleras con sensores Paradox Engineering-MinebeaMitsumi 6LoWPAN y permiten a los operadores municipales de residuos recoger y controlar los datos sobre el nivel de llenado, la fecha y la hora de la última recogida de residuos y la información sobre la ubicación de los contenedores.

Gracias a Machine LearningEstamos hacer evolucionar el sistema de una plataforma de recogida de datos brutos a una solución de predicción procesableEl sistema de predicción de nivel de contenedores puede recibir datos de los sensores de llenado de los contenedores inteligentes y procesarlos, proporcionando una estimación de la fecha en que el contenedor alcanzará su límite de capacidad.

¿Sabía que las papeleras suelen vaciarse cuando sólo están llenas 40%? Con nuestro sistema de predicción del nivel de llenado de los contenedores, los operadores pueden enviar camiones sólo cuando y donde los contenedores están cerca de estar llenosDe este modo, se optimiza la recogida de residuos sólidos, reduciendo el número de camiones y el kilometraje asociado a ellos, lo que a su vez disminuye la contaminación y la congestión.

El sistema de predicción del nivel de llenado de los contenedores aprovecha una red neuronal profunda que se entrena con un conjunto de datos que contiene datos históricos de bines inteligentes. Las características consideradas durante el entrenamiento del software se basan en el nivel de llenado actual correlacionado con los datos de tiempo, así como los datos de localización geográfica.

Pronto se integrará una lógica más compleja para enseñar a la papelera a identificar los puntos de interés cercanoscomo supermercados, estadios, estaciones u hospitales - y predecir la entrada de residuos en función de variables como la densidad de población, el calendario, las festividades, las épocas de vacaciones, etc.

Las técnicas de aprendizaje continuo permiten que el modelo evolucione continuamente combinando los nuevos datos y el conocimiento acumulado. Esto significa que, analizando los patrones de llenado, Los operadores también pueden tomar decisiones basadas en datos sobre la cantidad, la capacidad y la ubicación de los contenedores. Las papeleras pueden colocarse para adaptarse a diferentes escenarios urbanos y adaptarse en pocos días a las condiciones cambiantesde los residentes, es decir, diferentes hábitos o comportamientos, como el aumento de la basura relacionada con los envases debido al auge del comercio electrónico y la entrega a domicilio en tiempo de pandemia.

Gracias a la red urbana inteligente PE y a los algoritmos de aprendizaje automático, las ciudades pueden mejorar realmente la recogida y gestión de residuosLa mejora de la habitabilidad, protegiendo al mismo tiempo la salud pública y el medio ambiente.

 

Más información sobre nuestra aplicación Smart Waste: descargue nuestro white paper (es necesario registrarse gratuitamente), y contacta con nuestro Expertos en aprendizaje automático