Autore: Riccardo Biella, software engineer di Paradox Engineering

 

La produzione annuale di rifiuti aumenterà del 70% a 3,4 miliardi di tonnellate entro il 2050, sostiene la Banca Mondiale. A questo tasso di crescita, avremo bisogno di circa 3 mondi per assorbire e smaltire la nostra spazzatura senza compromettere la nostra salute e l'ambiente.

Le città sono sempre più alla ricerca di soluzioni innovative per migliorare la raccolta dei rifiuti solidi urbani e il loro trattamento per preservare sia la salute pubblica che la vivibilità urbana. In Paradox Engineering, abbiamo esteso la nostra piattaforma PE Smart Urban Network per includere un'applicazione Smart Waste applicazione per i manager delle città e dei servizi pubblici urbani.

La novità è che stiamo integrando l'intelligenza artificiale e il Machine Learning algoritmi per migliorare questa soluzione e renderla ancora più performante. Mentre gli algoritmi tradizionali convertono l'input in output utilizzando alcune regole prefissate, abbiamo scelto il Machine Learning per costruire un modello predittivo accurato basato su dati campione.

Il primo passo è equipaggiare i bidoni con sensori Paradox Engineering-MinebeaMitsumi 6LoWPAN che permettono agli operatori dei rifiuti urbani di raccogliere e monitorare i dati sul livello di riempimento, la data e l'ora dell'ultima raccolta dei rifiuti e le informazioni sull'ubicazione dei bidoni.

Grazie a Machine Learning, possiamo far evolvere il sistema da una piattaforma di mera raccolta dati a una soluzione con capacità previsionali: il sistema riceve i dati dai sensori di riempimento dei bidoni intelligenti ed è in grado di elaborarli, fornendo una stima della data in cui il contenitore raggiungerà la sua capacità massima.

Sapevate che i bidoni vengono generalmente svuotati quando sono pieni solo al 40%? Con il nostro sistema di previsione, gli operatori possono inviare i camion solo quando e dove i bidoni sono quasi pieni, ottimizzando così la raccolta dei rifiuti solidi, riducendo il numero di camion e il chilometraggio ad essi associato, che a sua volta diminuisce l'inquinamento e il traffico.

Il sistema di previsione del livello di riempimento dei bidoni sfrutta una rete neurale profonda che è addestrata su un dataset contenente dati storici di bidoni intelligenti. Le caratteristiche considerate durante l'addestramento del software sono basate sul livello di riempimento corrente correlato ai dati temporali, così come i dati di localizzazione geografica.

Una logica più complessa sarà presto integrata per insegnare al bidone a identificare punti rilevanti di interesse nelle vicinanze, come supermercati, stadi, stazioni o ospedali - e prevedere il conferimento dei rifiuti su variabili come la densità delle persone, il calendario, le festività, le vacanze e altro.

Le tecniche di Continual Learning permettono al modello di evolvere continuamente combinando nuovi dati e conoscenze accumulate. Questo significa che, analizzando i modelli di riempimento, gli operatori possono anche prendere decisioni guidate dai dati sulla quantità, la capacità e la posizione dei container. I bidoni possono essere posizionati per adattarsi a diversi scenari urbani e adattarsi in pochi giorni alle condizioni mutevoli, ovvero abitudini o comportamenti diversi dei residenti, come l' aumento dei rifiuti legati all'imballaggio a causa dell'aumento del commercio elettronico e delle consegne a domicilio in tempi pandemici.

Grazie a PE Smart Urban Network e agli algoritmi di Machine Learning, le città possono davvero migliorare la raccolta e la gestione dei rifiuti, migliorando la vivibilità e proteggendo la salute pubblica e l'ambiente.

 

Per saperne di più sulla nostra applicazione Smart Waste: scaricate il nostro white paper (registrazione gratuita richiesta), e contattate i nostri esperti Machine Learning