Över hela världen, stora städer tar slut på plats för kommunalt fast avfall. Befintliga deponier fylls snabbt och ingen vill ha en ny plats i närheten av sina hem eller företag. Under tiden, skattebetalarna är inte intresserade av högre kostnader för kvalitetsavfallshantering.

Ett sätt att väsentligt förlänga livslängden för befintliga avfallshanteringsplatser är återvinning. Återvinning kan också ge anställning, hjälp att etablera en cirkulär ekonomi eller gå mot nollavfall. Men ofta, hushållen är mycket motståndskraftiga mot återvinning.

En färsk studie rapporterar en kraftfull artificiell intelligens (AI) -teknik för att förutsäga deponeringskrav för en stad på lång sikt. Forskarna använde maskininlärning för att förutse kommunalt fast avfall i en stor afrikansk stad. Prognosen visar hur mycket avfall det kommer att bli om 30 år om återvinningsnivåerna förblir desamma.

Dr Olusola Olaitan Ayeleru och Lanrewaju Ibrahim Fajimi publicerade sin forskning i Journal of Cleaner Production . Båda ligger vid Institutionen för kemiteknik vid University of Johannesburg.

Planering för avfall med kalkylblad

Det är svårt att förutsäga när en stads deponier kommer att ta slut även när korrekt information finns tillgänglig. Dock, konventionell statistisk prognos med ett kalkylblad kan vara tillräckligt bra för att planera 30 år framåt.

På samma gång, kalkylblad med massor av manuellt justerade formler och makron är svåra att förstå. Dessa kan också vara tidskrävande och svåra att underhålla.

Men prognoser för olika återvinningsscenarier kanske inte är möjliga på kalkylblad. Med befolkningstillväxt, typer av avfall, väder och andra datamängder som beaktas i en sådan prognos kanske inte är möjliga, antingen.

I utvecklingsländer, information om avfallet som genereras i en stad saknas ofta eller är felaktigt. Här, kalkylblad är osannolikt att ge stadschefer prognoser för långsiktig planering.

Dock, maskininlärningsmodeller kan tränas utifrån tillgängliga data, och från mer data tillagd senare. Också, maskininlärning är bättre lämpad för att dra nytta av flera datamängder i olika format.

En stad som växer snabbt

Johannesburg är Sydafrikas ekonomiska nav och den största staden i landet. Det lockar människor från andra provinser och utländska medborgare på jakt efter jobb.

För denna studie, endast City of Johannesburg Metropolitan Municipality ingick. Detta sträcker sig från Diepsloot och Midrand i norr till Ennerdale/Orange Farm i söder; Doornkop/Soweto i väster till Bruma i öster. Grannstäderna Ekhurhuleni, Tshwane, Mogale, Merafong, Rand West, Emfuleni, Midvaal och Lesedi uteslöts från studien.

Mellan 1996 och 2001, befolkningen i staden Johannesburg växte från 2,59 miljoner till 3,22 miljoner. År 2011, stadens befolkning var 4,43 miljoner, enligt de nationella folkräkningsuppgifterna. Samma år, 90% av uppskattningsvis 59 miljoner ton allmänt avfall som produceras i Sydafrika hamnade på deponier, medan 10% återvanns. Nationell, 12,9% av storstadshushållen rapporterade själv att de återvunnet, följt av 10,8% av hushållen i stadsområden.

För 2021, stadens befolkning prognostiserades till 5,3 miljoner, enligt dess integrerade utvecklingsplan 2019/2020.

Staden driver för närvarande fyra deponier. I september 2020, COO för Pickitup, stadens avfallshanteringsföretag, rapporterade att fyra och ett halvt års kapacitet finns kvar på dessa platser.

År 2018, staden startade ett återvinningsprogram för separering vid källan. Institutionen återvinner plast, papper, glas och burkar, samt hushållsgenererat trädgårdsavfall. I februari 2021, Pickitup tillkännagav ett samproduktionsprogram med 48 företag. Målet är att öka avfallsplockningen, gata städning och återvinning medvetenhet och utbildning i staden. Femton nya Pickitup -personal per avdelning kommer att samordna programmet.

Data ansluten till AI

Ayeleru och Fajimi använde maskininlärning för att förutse det fasta kommunala avfallet i Johannesburg om 30 år med en vanlig bärbar dator med en i7 -processor. Forskarna använde folkräkningsdata från 2011 som anger befolkning, formellt anställd, arbetslösa och antalet familjeenheter. Uppgifterna levererades av den nationella myndigheten StatsSA. De kombinerade detta med data om totalt årligt fast kommunalt avfall på stadens fyra deponier, från 1996 till 2008. Dessa uppgifter lämnades av Johannesburg stad.

I den här studien, Fajimi använde två typer av maskininlärning för att generera 30-årsprognoser för totalt fast avfall som genereras i staden. Båda algoritmerna är kända för exakta förutsägelser och konsekvens.

Den första typen är artificiella neurala nätverk (ANN). Denna typ av modell kan lära sig själv. Forskarna använde fem-, 10-, 20-, 30- och 40-neuron-modeller för att skapa fem prognoser Forskarna använde MATLAB-programvara, som har en robust ANN neural passande verktygslåda.

Den andra typen kallas stödda vektormaskiner (SVM). Forskarna använde linjära, kvadratisk, kubisk, en gauss, medelstora gaussiska och grova gaussiska metoder i MATLAB -programvara för att skapa ytterligare sex prognoser.

10-neuronmodellen gav den bästa ANN-prognosen. Bland SVM:erna gav den linjära modellen den bästa prognosen.

AI:s resultat

Modellen med 10 neuroner förutspådde att befolkningen i staden Johannesburg sannolikt kommer att öka från 5,3 miljoner år 2021 till 6,4 miljoner år 2031; och till 8,4 miljoner år 2050. Däremot modellen förutspådde inte samma ökning av kommunalt fastavfall. Istället, den förutspådde en ökning av det totala årliga avfallet från 1,61 miljoner ton 2021 till 1,72 miljoner ton 2031; och till 1,95 miljoner ton 2050.

"Man kan förvänta sig att avfallsproduktionen borde öka när befolkningen ökar, men detta är också beroende av faktorer som låg eller hög köpkraft eller inkomstkälla, säger Ayeleru.

"När medborgarna förlorar sin inkomstkälla eller köpkraften är låg, mängden avfall som genereras skulle minska eftersom de skulle laga mat hemma jämfört med att köpa färdig mat på restaurang, till exempel."

Nästa steg

I uppföljande forskning, Ayeleru och Fajimi undersöker hur man använder AI för att prognostisera avfallstyperna och hur mycket inkomst staden kan generera från var och en av dessa. "Johannesburgs stad gör för närvarande mycket bättre i sin avfallshantering jämfört med andra stora städer på kontinenten. Denna AI -prognos kan hjälpa till att underlätta stadens utformning av framtida avfallshanteringsinfrastruktur, säger Ayeleru.

"På kort sikt, det första steget staden kan ta är att utbilda människor, så de börjar återvinna mer. För det andra, staden kan behöva se bortom vad de gör för tillfället för att generera inkomster från fast avfall. "