1. Γενικά
Η διαχείριση των απορριμμάτων αποτελεί ένα από τα πιο δύσκολα και επίκαιρα περιβαλλοντικά προβλήματα που αντιμετωπίζει ο πλανήτης μας. Τα απορρίμματα ρυπαίνουν το περιβάλλον, καταλαμβάνουν πολύτιμο χώρο και επιβαρύνουν με μολυσματικά υπολείμματα το έδαφος και τον υδροφόρο ορίζοντα. Η διαδικασία της αποκομιδής είναι πολύ βασική, γιατί, όταν δεν επιτελείται την κατάλληλη χρονική στιγμή, οι κάδοι «ξεχειλίζουν» και είναι υπεύθυνοι για την υποβάθμιση των συνθηκών διαβίωσης και υγιεινής στις γειτονιές.
Η οργάνωση της αποκομιδής είναι ευθύνη των Δήμων των πόλεων και αυτό απαιτεί από αυτούς σημαντικό αριθμό πόρων, δηλαδή ανθρώπων, μηχανών και χρημάτων. Για να μπορέσουν να καλύψουν το οικονομικό κόστος αυτής της διαδικασίας, η πλειοψηφία των Δήμων των ανεπτυγμένων χωρών μετακυλύουν ένα τμήμα της στους δημότες τους, μέσα από τα Δημοτικά Τέλη, ενώ το υπόλοιπο το απαιτούν από τον Κρατικό Προϋπολογισμό.
Ως σήμερα, οι Δήμοι εστίαζαν την προσπάθειά τους για την εξοικονόμηση χρημάτων κατά την αποκομιδή, μόνο στην επιλογή βέλτιστης διαδρομής των απορριμματοφόρων οχημάτων, με τη χρήση συστήματος εντοπισμού θέσης - Global Positioning System (GPS). Δυστυχώς, όμως, αυτό δεν είναι αρκετό, αφού δεν αποτρέπει την ανάγκη φυσικής επίσκεψης στους κάδους και τον έλεγχο του επιπέδου «πλήρωσής» τους. Επομένως, η μη αυτοματοποιημένη διαδικασία οδηγεί σε σπατάλη χρόνου και χρήματος.
2. Tεχνολογίες Ιnternet of Things (IoT) and Artificial Intelligence (AI)
Η αυξανόμενη χρήση του Διαδικτύου των πραγμάτων (Internet of Things), αλλά και της συνδεσιμότητας μεταξύ μηχανών (Machine To Machine - M2M), μπορεί να συνεισφέρει καταλυτικά στη μείωση των λειτουργικών εξόδων της διαδικασίας αποκομιδής των απορριμμάτων, κατά τουλάχιστον 50%.
Εικόνα 1 : Βασική Αρχή «Έξυπνων» Κάδων συλλογής απορριμμάτων
Η μείωση θα είναι ακόμη μεγαλύτερη, αν επιπλέον εφαρμοσθεί και η τεχνική της Τεχνητής Νοημοσύνης Machine Learning (ML), όπου, μέσω μαθηματικών μοντέλων, μπορεί να προβλεφθεί με μεγάλη ακρίβεια όχι μόνο πόσο θα πληρωθεί ένας κάδος απορριμμάτων σε κάθε χρονική στιγμή του 24ώρου, αλλά ακόμα και το είδος των απορριμμάτων που αναμένονται. Για παράδειγμα:
‘Όταν οι κάδοι βρίσκονται κοντά σε πολυκαταστήματα, τότε αναμένεται στις εργάσιμες μέρες, που γίνεται παραλαβή εμπορευμάτων, να υπάρχουν μεγάλες χάρτινες κούτες, ενώ τις μη εργάσιμες μέρες ο κάδος αυτός είναι πιθανόν να μείνει κενός και, επομένως, δεν απαιτείται το απορριμματοφόρο όχημα να τον επισκεφθεί.
Αντίθετα, όταν αυτοί βρίσκονται σε νοσοκομεία, τότε η ανάγκη για «άδειασμα» του κάδου καλύπτει και τις 365 ημέρες του χρόνου. Έτσι, η περισυλλογή σκουπιδιών θα πρέπει να γίνεται πριν ξεχειλίσει ο κάδος και μολυνθεί το γύρω περιβάλλον.
Η πρόβλεψη αυτή είναι το αποτέλεσμα του σχηματισμού δομικών προτύπων (patterns) και βασίζεται στην «εκπαίδευση» του συστήματος μέσω των ιστορικών δεδομένων, που, όμως, ανανεώνονται κάθε φορά.
Για να είναι δυνατή η εφαρμογή αυτών των τεχνολογιών, απαιτείται η δημιουργία ένα «ευφυούς» δικτύου που θα αποτελείται από «έξυπνους» κάδους, συνδεδεμένους στο Διαδίκτυο, ένα Κέντρο Λειτουργίας Δικτύου, που θα περιλαμβάνει Servers για αποθήκευση δεδομένων, καθώς και μία «Ευφυής» Κεντρική Μονάδα Ελέγχου για την επεξεργασία αυτών με τη βοήθεια τεχνικών Τεχνητής Νοημοσύνης και τη λήψη αποφάσεων. Τμήμα αυτού του δικτύου θα είναι και τα απορριμματοφόρα οχήματα, εξοπλισμένα, όμως, με GPS, ώστε να ακολουθούν τη διαδρομή που θα τους υποδεικνύει η «Ευφυής» Κεντρική Μονάδα Ελέγχου.
Προκειμένου ένας κάδος απορριμμάτων να καταστεί «έξυπνος», θα πρέπει να εξοπλισθεί με τα ακόλουθα:
1. Σύστημα Γεωγραφικού Εντοπισμού της Θέσης (=Global Positioning System – GPS),
2. Αισθητήρα βάρους (Weight Sensor) που παρέχει πληροφορίες σχετικά με το βάρος των αποβλήτων,
Εικόνα 2 : Παραδείγματα «Έξυπνων» Κάδων συλλογής απορριμμάτων
3. Αισθητήρα πλήρωσης κάδου :
a. Αισθητήρα με Υπερήχους, που η λειτουργία του βασίζεται στην αρχή των υπερήχων. Δηλαδή, ο πομπός εκπέμπει ένα σύντομο παλμό υπερήχου, οποίος -αφού ανακλασθεί στα απορρίμματα που βρίσκονται μέσα στον κάδο- επιστρέφει και λαμβάνεται από τον δέκτη. Γνωρίζοντας τη σταθερή ταχύτητα διάδοσης του ήχου στον αέρα (περίπου 343 m/ sec), υπολογίζεται η απόσταση που το κύμα του ήχου έχει διανύσει, μέχρι να ληφθεί από τον δέκτη. Η υπολογιζόμενη αυτή απόσταση, σε συνδυασμό με τις γνωστές διαστάσεις του κάδου, εξάγουν με μεγάλη ακρίβεια το επίπεδο πλήρωσης του κάδου ως διαφορά των δύο όγκων, τον συνολικό όγκο, μείον τον όγκο που μένει να πληρωθεί.
b. Είτε Υπέρυθρης Ακτινοβολίας (Infrared Sensor), ο οποίος λειτουργεί με υπέρυθρη ακτινοβολία, που βασίζεται στην αρχή του φαινομένου Doppler,
4. Αισθητήρας κλίσης, ώστε να αποφευχθεί ο κίνδυνος ανατροπής του και, επομένως, μόλυνσης της περιοχής που βρίσκεται γύρω από τον κάδο,
5. Αισθητήρας πυρκαγιάς, για την έγκαιρη ειδοποίηση των Αρμοδίων Αρχών,
6. Κάμερα αναγνώρισης είδους απορριμμάτων. O «Έξυπνος» κάδος ανοίγει το καπάκι του μόνο όταν το είδος των απορριμμάτων αντιστοιχεί στον συγκεκριμένο κάδο. Τα είδη τέτοιων κάδων απεικονίζονται στην Εικόνα 3,
Εικόνα 3 : Είδος «Έξυπνων» κάδων, ανάλογα με το είδος του απορρίμματος
7. Hλιακές Κυψέλες και Μπαταρίες : Οι κάδοι αυτοί συνοδεύονται με μπαταρίες, οι οποίες φορτίζονται μέσω Ηλιακών Κυψελών, για να μπορούν να τροφοδοτούν με ενέργεια τους αισθητήρες.
Οι αισθητήρες του «έξυπνου» κάδου συλλέγουν τα δεδομένα και τα προωθούν ασύρματα, μέσω ενός ειδικού συστήματος Cloud Computing, στο Διαδίκτυο και από εκεί λαμβάνονται από την«Ευφυή» Κεντρική Μονάδα Ελέγχου, προκειμένου αυτά να επεξεργασθούν και να εξαχθούν οι κατάλληλες αποφάσεις.
Εικόνα 4 : Μοντέλο λειτουργίας «Έξυπνων» Κάδων συλλογής απορριμμάτων
Ο όγκος των δεδομένων είναι τεράστιος, όπως, όμως, και η ποικιλία των πληροφοριών που αυτά μεταφέρουν. Επομένως, καμία συμβατική τεχνική επεξεργασίας δεδομένων δε μπορεί να ανταποκριθεί σ’ αυτές τις απαιτήσεις. Έτσι, εφαρμόζονται καινοτόμες τεχνικές, που ονομάζονται Tεχνικές Big Data και χρησιμοποιούν αλγορίθμους Τεχνητής Νοημοσύνης (Artificial Intelligence) τύπου Machine Learning. Αυτές έχουν τη δυνατότητα να συνδυάζουν τα δεδομένα με πολύ μεγάλη ταχύτητα και, μαζί με την εμπειρία που έχει συλλέξει η Κεντρική Μονάδα Ελέγχου, με βάση τα «ιστορικά (historical)» δεδομένα, λαμβάνουν τις κατάλληλες αποφάσεις όχι μόνο για το πότε (χρονικό διάστημα) ο κάθε κάδος πρέπει να αδειάσει, αλλά προσδιορίζει και τον ρυθμό προβλεπόμενης υπερχείλισής τους. Επιπλέον, στη λήψη απόφασης παίζουν ρόλο παράγοντες, όπως η κυκλοφοριακή συμφόρηση, αλλά και το συνολικό κόστος επίσκεψης από το προσωπικό.
Το αποτέλεσμα της απόφασης είναι η βελτιστοποίηση της διαδρομής, η ελαχιστοποίηση άσκοπης μετακίνησης εργατικού δυναμικού, η απαλοιφή επισκεψιμότητας «άδειων» κάδων, αλλά και, τέλος, o σαφής προσδιορισμός της χρονικής στιγμής που πρέπει ο κάθε κάδος να αδειάσει.
3. Οφέλη από τη χρήση των IoT και AI στην αποκομιδή
Η χρήση τέτοιων συστημάτων οδηγεί στον δραστικό προσδιορισμό της μείωσης του κόστους συλλογής των απορριμμάτων, αφού η μετάδοση πληροφοριών real-time για το ποσοστό πλήρωσης αυτών και του είδους των απορριμμάτων οδηγεί σε αποφάσεις για τη βέλτιστη διαδρομή των απορριμματοφόρων, απαλείφοντας την άσκοπη μετακίνηση του εργατικού δυναμικού ή την πιθανότητα δυνατότητα εκούσιας ή ακούσιας παράλειψης συλλογής από κάδο. Επιπρόσθετα, αυτές οι τεχνικες επιφέρουν εξοικονόμηση καυσίμων και, επομένως, μείωση ρύπων CO2. Αυτή ακριβώς η ενέργεια συνεισφέρει στην προστασία του περιβάλλοντος διπλά, όχι μόνο γιατί μειώνεται η ατμοσφαιρική ρύπανση από τη μη μετακίνηση των απορριμματοφόρων που χαρακτηρίζονται ως βαρέως τύπου οχήματα, αλλά και γιατί απαλείφεται η πιθανότητα ένας κάδος να «ξεχειλίσει», αφού, πριν γεμίσει, ειδοποιούνται οι Αρμόδιες Υπηρεσίες και είναι έτοιμες για την αποκομιδή τους.
Εικόνα 5 : Οφέλη από τη χρήση «Εξυπνων» Κάδων βασισμένων σε ΙοΤ και ΑΙ
Τέλος, ο σωστός διαχωρισμός των απορριμμάτων στην πηγή συμβάλλει καθοριστικά στην ανακύκλωση, μειώνοντας το αποτύπωμα άνθρακα και καθιστά την όλη διαδικασία πιο φιλική προς το περιβάλλον.
Μιχάλης Δάλλας