Att skapa plastbehållare som lätt bryts ned i havsvatten skulle vara en drömlösning på det växande problemet med plastavfall i havet, men ett team av Penn State New Kensington-forskare föreslår att, åtminstone för stunden, återvinning och hitta plastalternativ kan fortfarande vara det bästa sättet att hantera detta avfall.

I en studie, forskarna använde en maskininlärningsalgoritm för att klassificera mer än 110 typer av plast, inklusive kommersiella och labbtillverkade sorter, för att bättre förstå hur de kan brytas ned i havet, sa Robert Mathers, professor i kemi.

"En av de saker vi var intresserade av att ta reda på är vad som kommer att hända med den stora mängden plast som finns i havet, " sade Mathers. "Denna studie tog ett brett utbud av fysiska egendomsdata, i kombination med ett mått som skulle kvantifiera sammansättningen av molekylära strukturer och använde det för att försöka lista ut de viktigaste aspekterna av plastisk nedbrytning i havet."

Enligt Ocean Conservancy, det finns mer än 150 miljoner ton plast i havet, med 8 miljoner ton mer i havet varje år. Forskarna, som släppte sina resultat i ett färskt nummer av Naturkommunikation , sa att ett antal faktorer i havet kan hjälpa till att bryta ner denna plast, inklusive ultraviolett strålning från solen, vind, vågor, havsvatten, vattentemperatur och bakterier. De fann att vissa typer av plaster bryts ner snabbare än andra när de utsätts för dessa förhållanden.

Att känna till den molekylära strukturen hos de mer mottagliga plasterna kan ge ingenjörer en chans att utveckla plaster med mindre miljöpåverkan, Mathers sa att ekonomin för att producera dessa plaster i stor skala fortfarande skulle vara ett problem.

"Andra har föreslagit möjligheten att sätta en svag länk i molekylstrukturen hos en plast som kan påskynda nedbrytningen av den atomsträngen, sade Mathers. "Nu, Det är en bra ide, men, just nu, det kanske inte är ett ekonomiskt genomförbart alternativ. Det är bara svårt att ekonomiskt konkurrera med polyeten och polypropen, som är de mest använda plasterna i världen. Så, vi vill förmodligen fortsätta fokusera på återvinning eftersom det ger den mest omedelbara hjälpen."

Teamet närmade sig problemet med plast i havet genom att samla in så mycket data om molekylstrukturen hos de olika plasterna och information om hur dessa plaster beter sig i havsvatten, både i fält och i laboratorieförhållanden.

"Från litteraturen, vi kunde få information om de fysiska egenskaperna hos plasten som finns i havet, till exempel, molekylvikter, glasets övergångstemperatur, mängden kristallinitet, men med tanke på den molekylära sammansättningen var en förbisedd möjlighet. I detta avseende vi kom på hur man översätter molekylstruktur till ett mått som vi kallade hydrofobicitet, vilket är hur mycket materialet sannolikt absorberar vatten eller vill vara i kontakt med vatten, sa Mathers.

Kyungjun Min, en sophomore biokemi som huvudämne, som var första författare till tidningen, hjälpte till att beräkna dessa hydrofobicitetsvärden.

Det finns så många typer av plaster och så många experimentella förhållanden, maskininlärning blev avgörande för att hjälpa forskarna att både sortera igenom den stora mängden data, samt klassificera den informationen, enligt Joseph Cuiffi, en biträdande lärare, som arbetade med Mathers.

"Vi började med grundläggande dataanalys för att utforska och sortera igenom data, sedan gick vi vidare till prediktiv maskininlärning för att hjälpa oss att belysa mönster och trender, ", sa Cuiffi. "Maskininlärningen hjälpte oss att fastställa nyckelförhållanden och att utveckla regler för att förutsäga plastiskt beteende."

Efter att ha experimenterat med några olika modeller av maskininlärning, forskarna valde ett beslutsträd, maskininlärningsmetod. Medlemmar av Institute for Computational and Data Sciences and Materials Research Institute hjälpte teamet genom att ge tillgång till verktyg för maskininlärning.

"Vi provade regressionsmodeller först, men inkonsekvenserna i experimentella förhållanden i vår datauppsättning gjorde det svårt, " sade Cuiffi. "Klassificeringsstudenter fungerade mycket bättre, och beslutsträd, specifikt, var hjälpsamma eftersom de gav insyn i de inlärda reglerna, som gav insikter om kemiskt och fysiskt beteende."

Cuiffi tillade att maskininlärning – och datavetenskap, i allmänhet – är också till hjälp för denna typ av tvärvetenskaplig forskning.

"Jag tror att de moderna verktygen för dataanalys gör det möjligt för oss att utforska stora varierade datamängder enklare än någonsin tidigare, " sa han. "Jag uppskattar också tvärvetenskapliga insatser på detta område, med denna studie till exempel, eftersom externa forskare kan se agnostiskt på uppgifterna. För denna studie, Jag kom ofta med resultat till Dr Mathers utan att veta om de var vettiga – och han skulle verkligen njuta av att reta ut vad data visade. Om jag hade mer insikt i kemin, Jag kan ha fördomsfullt analysen med min synpunkt."

Enligt Mathers, studien visade också hur datavetenskap och materialvetenskap kan bidra till att lösa frågor som en gång kan ha ansetts utanför deras områden.

"Jag hade varit intresserad av hållbarhet, hållbara material och denna idé om grön kemi under lång tid, " sa Mathers. "Och när vi tittade på studierna i den aktuella litteraturen, vi fann att det fanns många människor som undersökte plast i havet och de flesta av dessa forskare var oceanografer, marinbiologer, ekologer, och marinbiologer. De gjorde ett riktigt intressant arbete, men ur materialsynpunkt, inga systematiska studier fanns tillgängliga."

Han tillade att mer arbete måste göras för att undersöka plast i havet, inklusive att lägga till mer data.