El análisis de residuos basado en IA cierra una brecha de datos que durante mucho tiempo ha desafiado el reciclaje de plástico.

El muestreo manual proporciona información detallada sobre los objetos de los residuos, pero normalmente cubre menos del 1% del material de una planta. Los separadores ópticos, que utilizan sensores de infrarrojo cercano (NIR, por sus siglas en inglés) para identificar tipos de polímeros, tienen dificultades para identificar envases con fundas, plásticos negros, objetos aptos para alimentos y envases compuestos. Como resultado, gran parte de ese material valioso se pierde en vertederos e incineradores.

El análisis de residuos basado en IA complementa la tecnología existente y los procesos manuales al identificar los residuos como un ser humano: visualmente. Al automatizar ese proceso, la IA proporciona datos de composición en tiempo real para el 99 % restante del material omitido por los muestreadores manuales.

Cómo el análisis de residuos basado en IA rastrea la rentabilidad de las plantas

La rentabilidad de una Instalación de Recuperación de Plásticos (IRP) depende de un delicado equilibrio entre las tasas de rendimiento, la pureza del producto y la minimización de la pérdida de material valioso en residuos.

Al recopilar datos en tiempo real sobre la composición de los materiales, el análisis de residuos basado en IA proporciona visibilidad instantánea de los indicadores de rendimiento clave que generan ingresos de una planta:

• Disponibilidad de la planta
• Rendimiento de producción
• Rendimiento de clasificación
• Tasa de pérdida
• Pureza del producto

Los operadores de las plantas están aprovechando estos conocimientos para tomar tres acciones clave que les ayuden a impulsar la rentabilidad:

1. Optimizar las tasas de rendimiento y el rendimiento de clasificación.
2. Maximizar la capacidad de la planta y las pérdidas de residuos.
3. Monitorear con precisión la calidad del material final.

1. Optimice las tasas de rendimiento y el rendimiento de clasificación

Aumentar la disponibilidad de la planta y la tasa de rendimiento de una IRP genera ganancias. Ambos contribuyen a un mayor rendimiento de clasificación (la cantidad de valor que una planta captura del material total que procesa), que es una medida de la función más esencial de una IRP: la recuperación de recursos.

Cuando se implementan unidades de supervisión por IA como Greyparrot Analyzer en una IRP, los operadores de las plantas obtienen acceso a información en vivo sobre la disponibilidad de la planta, las tasas de rendimiento y la composición del flujo de residuos, desde la entrada hasta la salida del producto final.

Los datos detallados de composición de residuos en las líneas de entrada y salida permiten a los operadores realizar un seguimiento de cuánto valor extraen del material que reciben: comparando la cantidad de material valioso en la cinta de alimentación con la cantidad capturada en las líneas de productos, lo que brinda a los operadores una imagen clara del rendimiento.

Con el análisis de residuos basado en IA, ni siquiera tienen que hacer ese cálculo ellos mismos: en cambio, sistemas como Greyparrot Analyzer lo hacen automáticamente. El Panel de control de la planta de Greyparrot proporciona una vista unificada de los Indicadores Clave de Rendimiento (ICR) de una planta en una sola pantalla. Al transformar los datos sin procesar en conocimientos prácticos, permite a los operadores adaptarse más rápido y alcanzar nuevos niveles de eficiencia y rentabilidad a través de principios de gestión eficiente.

Cómo una IRP del mundo real utiliza la IA para aumentar el rendimiento.

Una IRP en el Reino Unido instaló un Analyzer en su cinta de alimentación para medir la cantidad de material valioso que ingresa a su planta, proporcionando una lectura de referencia del máximo rendimiento posible. También instalaron tres Analyzers en líneas de productos clave (PET, PEAD y aluminio) para recopilar datos precisos sobre la cantidad de material que recuperaron al final del proceso de clasificación.

Utilizando análisis de residuos basado en IA, la planta midió el rendimiento de estos tres materiales, comparando la cantidad de artículos valiosos en la etapa de alimentación con la cantidad de artículos separados exitosamente. Este monitoreo constante permitió a los operadores realizar un seguimiento del rendimiento y evaluar cómo los cambios en las mezclas de alimentación y las tasas de rendimiento afectaron el rendimiento.

Luego utilizaron esa información para adaptar sus operaciones a proveedores específicos, modular las tasas de rendimiento y ajustar las mezclas de alimentación para maximizar la cantidad de valor que recuperaban.

"Greyparrot nos permite recopilar mucha información valiosa de nuestras plantas de clasificación y mejorar nuestro conocimiento de los envases, las tecnologías de clasificación y el rendimiento de clasificación de la instalación".

Vincent Mooij, director de SUEZ.circpack®, ahora parte del grupo Veolia

2. Maximice la capacidad de la planta y reduzca las pérdidas

Otra forma de aumentar el rendimiento de la clasificación y, por consiguiente, los beneficios, es maximizar la capacidad de la planta, reduciendo al mismo tiempo las pérdidas. Las líneas de rechazo de la IRP son una fuente oculta de pérdida de valor, y los operadores que monitorean las bandas de residuos junto con las líneas de alimentación y de productos están realizando efectivamente un “examen” en sus plantas: cuanto más materiales valiosos haya en los residuos, más atención necesitarán los procesos de clasificación para aumentar el rendimiento.

Cómo una IRP del mundo real utiliza la IA para maximizar la capacidad y reducir las pérdidas

Otra de las principales IRP del Reino Unido dependía de controles visuales para mezclar el material de alimentación, lo que daba como resultado una composición inconsistente que sobrecargaba la maquinaria de clasificación y provocaba que grandes cantidades de material valioso terminaran en las líneas de rechazo.

Para diagnosticar el desafío, instalaron tres unidades Analyzer en puntos clave: líneas de entrada, residuos y salida de producto. Utilizando el portal Analyzer, revisaron datos en vivo que revelaron cómo los cambios en los materiales de alimentación afectaron directamente la pureza y los residuos de la salida. Durante cinco años, esta ineficiencia provocó una pérdida de 8,2 millones de libras esterlinas para la planta.

Los datos también revelaron que una mezcla de alimentación equilibrada maximizaba la capacidad de sus máquinas clasificadoras existentes y daba como resultado un 18 % menos de material valioso en su línea de rechazo. Sus operadores pudieron controlar las fluctuaciones y reducir pérdidas futuras en respuesta, y lograr ahorros significativos.

Con las unidades Analyzer implementadas en sus plantas, su equipo ahora puede monitorear continuamente toda la operación de clasificación desde la sala de control, realizando ajustes frecuentes para mantener un rendimiento estable.

“No existe ninguna obligación en el código de prácticas de IRM [en el Reino Unido] de tomar muestras de las líneas de rechazo; que es uno de los muestreos más importantes en lo que respecta al rendimiento de la planta. Un flujo constante de datos en toda la planta sería beneficioso a la hora de identificar áreas de optimización”.

Jonathan Caesar, ingeniero técnico superior de planta en Suez Reino Unido

3. Monitoree con precisión la calidad del material final

Las IRP que pueden proporcionar datos precisos sobre la pureza del producto a menudo exigen precios más altos por su material, pero ese beneficio adicional puede perderse debido al alto costo de los controles de calidad manuales.

El análisis de residuos basado en IA es una alternativa escalable y rentable que cumple con los requisitos de precisión de los recicladores. Los sistemas como Greyparrot Analyzer también pueden diferenciar entre materiales de grado alimenticio y no alimenticio, lo que ayuda a los operadores a cumplir con normativas estrictas, como las de la Autoridad Europea de Seguridad Alimentaria (EFSA).

Cómo una IRP del mundo real utiliza la IA para realizar un monitoreo de la pureza del producto

Con los Analyzer, los operadores pueden controlar la pureza en tiempo real mediante alertas en vivo que avisan cuando la pureza desciende por debajo de los umbrales de calidad preseleccionados.

Una gran empresa de gestión de residuos de Europa confía en estrictos niveles de pureza del 98 % para sus flujos de producción finales de plástico. Su equipo utiliza alertas para tomar medidas inmediatas cuando la calidad disminuye y evitar arruinar una bala entera.

Cuando una alerta reciente indicó una caída en la pureza, detuvieron la planta. Al diagnosticar el problema con los datos de rendimiento en el portal del Analyzer y actuar para solucionarlo, lograron que la planta volviera a estar operativa en 12 minutos. Sin las alertas, habrían contaminado toda la producción del día y solo habrían descubierto el problema mediante inspecciones de calidad manuales en una etapa mucho más tardía.

Cómo la IA llena la brecha de informes de grado alimenticio que dejan el NIR y las marcas de agua digitales

Otra gran empresa de gestión de residuos del Reino Unido utiliza con éxito el análisis de residuos basado en IA para informar datos de pureza de grado alimenticio a la EFSA, garantizando el cumplimiento y los altos estándares de sus materiales de salida.

En el Reino Unido y Europa, el material reciclado de grado alimenticio debe satisfacer los estrictos estándares regulatorios de la EFSA: no más del 5 % de los residuos plásticos utilizados para el reciclaje pueden provenir de objetos que no sean de grado alimenticio.

Por lo tanto, diferenciar entre materiales de grado alimenticio y no alimenticio es crucial, pero sigue siendo un desafío para las herramientas y procesos existentes.

Si bien la tecnología NIR proporciona una valiosa identificación de polímeros, carece de la capacidad cognitiva para diferenciar entre artículos de grado alimenticio y no alimenticio. El análisis de residuos basado en IA llena ese vacío crítico al analizar información visual 62 veces más rápido (y 250 veces más barato) que los clasificadores manuales.

“Hace quince años adoptamos la tecnología NIR, la mejor tecnología en ese momento. Los requisitos ahora han cambiado, particularmente cuando se trata de distinguir entre material de grado alimenticio y no alimenticio. La IA cierra la brecha que NIR no puede y nos dice para qué se utilizaron los objetos de desecho. Amplía completamente lo que podemos hacer en términos de clasificación”.

Miguel Rosa, responsable técnico de Viridor

Los sistemas de marcas de agua digitales como HolyGrail 2.0 ofrecen datos detallados sobre el ciclo de vida de productos específicos, lo que ayuda a rastrear su uso en aplicaciones alimenticias y no alimenticias. Sin embargo, al igual que las clasificadoras manuales, su implementación a gran escala es costosa. Si bien las marcas de agua digitales siguen siendo valiosas para casos de uso específicos, la IA logra resultados similares a un costo menor y a mayor escala.

Al aprovechar el análisis de residuos basado en IA para rastrear la pureza del producto, las plantas pueden garantizar el cumplimiento normativo, maximizar la eficiencia operativa y evitar poner en peligro la rentabilidad con costosas soluciones de certificación de calidad.

¿Por qué elegir el análisis de residuos de Greyparrot?

Solo en 2023, Greyparrot Analyzers rastreó más de 25 mil millones de objetos de desecho en 20 países, y empresas como Veolia, SUEZ, KSI, A2A, Biffa, Viridor, Berry Global y más confiaron en nuestros datos. Ese mismo año, nuestros datos globales mostraron que más de una cuarta parte de la línea de rechazo promedio era plástico recuperable, un costo de oportunidad enorme para el sector y el medio ambiente.

En lugar de crear soluciones robóticas, hemos centrado nuestros esfuerzos en desarrollar el reconocimiento de residuos mediante IA más preciso posible. Como resultado, hemos resuelto algunos de los desafíos de monitoreo de plásticos más complejos de nuestros clientes, con una biblioteca de reconocimiento en crecimiento que incluye 43 tipos de plásticos duros y 9 categorías de flexibles. Greyparrot Analyzer puede rastrear e informar sobre materiales que suponen un desafío para la tecnología como NIR (incluidos plásticos negros y películas flexibles) al tiempo que identifica con precisión el estado de grado alimenticio de cada objeto. Para ayudarlos a convertir esa información en acción, hemos desarrollado los paneles de datos sobre residuos más intuitivos del sector, que permiten a los operadores realizar un monitoreo de las operaciones y los ICR de una planta completa desde una sola pantalla.

Los operadores y recicladores de IRP de todo el mundo están utilizando esas características para mejorar la eficiencia de clasificación, la calidad del producto y la economía más amplia del reciclaje de plásticos.

Si está listo para comenzar a introducir el análisis de residuos basado en IA en su planta de recuperación de plásticos, puede aprender a elegir el proveedor adecuado en solo 4 pasos, o reserve una asesoría con nuestro equipo.