包装フィルムや容器包装を含む堆肥化可能なプラスチックは、リサイクル工程において従来のプラスチック廃棄物を汚染する可能性があります。
現在、科学者たちは、従来型のプラスチックの中から堆肥化可能なプラスチックを識別できる機械学習の手法を開発しました。
研究結果では、一部の素材は他よりも確実に識別されたものの、高い成功率が示されたと、Frontiersは報じています。
使い捨てプラスチックは至る所にあります。食品容器、コーヒーカップ、ビニール袋などです。堆肥化可能なプラスチックと呼ばれるこれらのプラスチックの一部は、生分解する性質を持つよう設計されることがあり、管理された条件下で分解されます。しかし、従来のプラスチックと見分けがつかないことが多く、誤ってリサイクルされることで、プラスチック廃棄物の流れを汚染し、リサイクル効率を低下させます。同様に、リサイクル可能なプラスチックが堆肥化可能なものと誤認されることも多く、その結果、堆肥が汚染されます。
ユニバーシティ・カレッジ・ロンドン（UCL）の研究者らは、Frontiers in Sustainabilityに論文を発表しました。この研究では、機械学習を用いて、堆肥化可能なプラスチックや生分解性プラスチックの各種類を自動的に選別し、従来のプラスチックと区別しました。
「精度は非常に高く、将来的には産業用のリサイクル施設や堆肥化施設でも実用的に利用することが可能になります」と、同研究の責任著者であるマーク・ミオドウニク教授は述べています。
世界経済フォーラムはプラスチック汚染に対して何に取り組んでいますか。
完全な精度に迫る
研究者らは、50mm×50mmから5mm×5mmの間の寸法を持つ、さまざまな種類のプラスチックを用いました。従来型のプラスチック試料には、食品容器や飲料ボトルによく使用されるPPとPET、そしてビニール袋や包装材などに使用されるLDPEが含まれていました。堆肥化可能なプラスチック試料には、カップの蓋、ティーバッグ、雑誌の包装フィルムに使用されるPLAとPBAT、そして包装材の製造に用いられる、いずれもバイオマス由来の素材であるパームリーフとサトウキビが含まれていました。試料は、分類モデルの構築に用いる訓練用データセットと、精度の確認に用いる検証用データセットに分けられました。
研究結果では高い成功率が示されました。モデルは、試料の寸法が10mm×10mmを超える場合、全素材について完全な精度を達成しました。一方、10mm×10mm以下のサトウキビ由来またはパームリーフ由来の素材については、誤分類率がそれぞれ20％および40％でした。
5mm×5mmの寸法の断片について見ると、素材によって識別の確実性に差がありました。LDPEとPBATの断片では誤分類率が20％でした。また、バイオマス由来の2種類の素材は、サトウキビが60％、パームリーフが80％の割合で誤って識別されました。ただし、モデルは試料の寸法に関係なく、PLA、PP、PETの断片を誤りなく識別することができました。
目に見えない領域まで
「現在、堆肥化可能なプラスチックの大部分は、従来のプラスチックのリサイクルにおいて汚染物質として扱われ、その価値を下げています。トロンメルや密度による選別は、堆肥をふるいにかけ、他の素材の混入を減らすために適用されています。しかし、現行のふるい分け工程における汚染物質の残存率は、許容できないほど高いのです」とミオドウニク教授は説明しました。「堆肥化可能な包装の利点は、産業用の堆肥化処理が行われ、環境に流出したり、他の廃棄物の流れや土壌を汚染したりしない場合にのみ実現されます。」
精度を向上させるため、UCLのプラスチック廃棄物イノベーション・ハブに所属する、ナッチャ・テネパニチスクル氏、ヘレン・ヘイルズ教授、ミオドウニク教授らの研究チームは、分類モデルの開発にハイパースペクトルイメージング（HSI）を用い、従来型、堆肥化可能、生分解性の各種プラスチックを検証しました。HSIは、材料を走査しながら、各素材の目に見えない化学的特徴を検出し、試料の画素ごとの化学的記述を作成する画像技術です。これらの記述を解釈し、素材を識別するためにAIモデルが用いられました。
リサイクルおよび産業用堆肥化の工程におけるプラスチックの不適切な管理は依然として多く、確実な選別の仕組みが不可欠です。ミオドウニク教授は、「現在、識別の速度は産業規模での導入には遅すぎます」と指摘しています。しかし、「自動選別は、堆肥化可能なプラスチックをリサイクルに代わる持続可能な選択肢とするための重要な技術であるため、改善できますし、改善していきます」と述べています。
