NeuroPLASTICity

Inleiding

Voor het recyclen van plastics is scheiding van plastic materialen in het verwerkingscentrum van cruciaal belang, zowel op type polymeer als gebruikte additieven. Onvoldoende sortering leidt tot degradatie van het materiaal, omdat de kwaliteit van plastics sterk afhankelijk is van de zuiverheid van de materialen.

Probleemstelling

Door het ontbreken van kwalitatieve, snelle en goedkope scheidingsmethodes kan plastic afval momenteel maar matig gerecycled worden, met als gevolg dat alleen plastics waar het type redelijkerwijs van bekend is, zoals PET-flessen, worden gerecycled. De overige plastics belanden in landfills, worden verbrand of verwerkt in lage kwaliteit producten.

Doelstelling

Een efficiënte methode om in real-time plastics en hun additieven te kunnen classificeren zou daarom de recyclebaarheid van deze afvalproducten sterk kunnen verhogen. In dit haalbaarheidsproject willen we onderzoeken of het technisch en economisch haalbaar is om een softwaremodule te ontwikkelen die door middel van kunstmatige intelligentie plastics en de additieven kan classificeren aan de hand van hun infrarood signatuur.

Onderzoeksaanpak

We zullen op basis van:

1. Literatuuronderzoek
2. Desk research
3. Gesprekken met deskundigen
4. Trial and error onderzoek

verschillende deep learning modellen onderzoeken die vanuit FTIR spectra de verschillende plastics en de additieven kunnen classificeren. Daarnaast zullen we de bijbehorende IT-architectuur ontwerpen en de toepassing hiervan in de plastic afvalverwerking onderzoeken.

Economische haalbaarheid

Ook zullen we de economische haalbaarheid onderzoeken door middel van:

1. Marktverkenning
2. Concurrentieanalyse
3. Het opstellen van een waardepropositie

Met de verzamelde informatie zal een go/no go beslissing worden gemaakt om de softwaremodule verder te ontwikkelen.