Revenir au site

Digitaliser la qualité du tri des plastiques

Enjeux, solutions et perspectives.

En Europe, moins de 60 % des déchets plastiques collectés sont recyclés. Plus de 40 % sont perdus lors du processus. Des chiffres qui interrogent sur la performance des procédures qualité à l'oeuvre dans l'ensemble de la chaîne de valeur du traitement des déchets. Avant de rentrer un peu plus dans les détails, commençons par faire un bref récapitulatif des différentes étapes du recyclage.

Les grandes phases du recyclage plastique

Après le tri des déchets ménagers par les usagers, des camions de collecte viennent chercher ces déchets pour les acheminer en centre de tri. C'est la première phase ! A leur arrivée, ils sont triés par grandes familles : le polyéthylène téréphtalate (PET), le polyéthylène (PE), le polystyrène (PS), le polypropylène (PP), etc. C'est une étape cruciale qui est aujourd'hui réalisée par des machines de tri optique utilisant la technologie infrarouge pour séparer les différents plastiques, aussi appelés résines.

Attention toutefois, cette technologie n'est pas parfaite et ne permet pas d'identifier tous les déchets des flux du centre de tri. Aussi, des opérateurs de tri sont mobilisés pour affiner les contrôles au jour le jour.

Une fois séparés, ces emballages sont compactés pour former d’énormes cubes que l’on appelle balles de plastiques. Ces cubes sont ensuite acheminés vers les usines de régénération.

Dans ces usines, les plastiques sont nettoyés, broyés et ramollis. Ils sont alors transformés en paillettes de couleurs différentes. Ces paillettes sont ensuite lavées puis chauffées afin d'être être transformées en granulés de plastique. Ce sont ces granulés qui serviront de matière première à la fabrication de nouveaux produits dans les usines de recyclage.

Comment est contrôlée la qualité des flux de déchets ?

Le contrôle de la qualité des plastiques est tout d'abord réalisé en sortie de centre de tri. Ici lorsqu'on parle de qualité, on parle de pourcentage de pureté d'un flux de plastiques ramené à une masse (bilan massique). Si on prend une balle de PET par exemple, cela correspond à la masse de PET sur la masse totale de la balle.

La problématique aujourd'hui, est qu'aucun moyen ne permet de connaître la qualité de la totalité d'un flux de plastiques. Les déchets arrivent en bout de ligne, sont mis en balle puis chargés dans un camion. A cette étape, le centre de tri met en place ce que l'on appelle un contrôle par prélèvement ou contrôle statistique. Le principe est simple, un opérateur effectue un prélèvement de déchets sur une balle de plastiques. Il compte ensuite le nombre de déchets indésirables et remplit une fiche de conformité qui conditionne le départ du camion vers les régénérateurs.

Pour donner quelques chiffres, sur un camion d'une vingtaine de tonnes, seul 40 kg de déchets sont prélevés ce qui correspond à 4% de la masse totale de déchets.

Mais le problème ne s'arrête pas là, puisque comme on l'a vu, ces camions acheminent ensuite la matière vers les régénérateurs qui vont transformer ces déchets en matière première réutilisable pour la production de nouveaux produits. A l'arrivée du camion, le principe est similaire à celui d'un centre de tri. Un opérateur effectue un prélèvement, répartit les déchets sur une table et identifie manuellement les indésirables. De fait, ce processus, en plus de faire perdre un temps précieux aux différents acteurs de la chaîne du recyclage, peut se révéler imprécis et occasionner des retours aux centres de tri qui s'accompagnent systématiquement d'un retri et d'une amende forfaitaire dont le montant est proportionnel au tonnage hors spécifications.

L'intelligence artificielle, atouts et faiblesses pour la qualité

Si les réseaux de neurones ont commencé à faire leurs preuves en environnement opérationnel dans bon nombre de secteurs aujourd'hui, le recyclage quant à lui commence seulement à expérimenter des solutions.

L'une des application est typiquement l'affinage du tri des plastiques en sortie de contrôle optique. Les tri optiques actuels identifient les objets par rapport à un spectre infrarouge et il est parfois difficile de distinguer des objets ayant des spectres proches. Les réglages des consignes de tri sur la base des spectres infrarouges font souvent l'objet de compromis entre le taux de captage et la pureté des flux. De plus, dans certains cas, bien qu'étant fabriqués à partir de la résine voulue, certains déchets ne sont pas recyclables et doivent être écartés. Dans ce cas précis, les algorithmes de classification par apprentissage profond (deep learning) peuvent se révéler efficaces pour effectuer cette distinction qui peut se faire par la forme et les caractéristiques propres aux déchets.

L'intelligence artificielle apporte donc un véritable complément au tri optique actuel qui permet de gagner en précision et en qualité. Mais attention toutefois, cette technologie comporte des limites et ne pourra pas à elle seule résoudre la problématique de la qualité. Prenons le cas des deux bouteilles de lait ci-dessous, l'une est en PET et l'autre en PEHD, pourtant leur forme, leur couleur et leur caractéristiques générales sont largement similaires. Dans cette situation, nul doute que l'algorithme de classification attribuera à ces deux objets la même classe quand bien même leur résine est différente. Ce que met en évidence ce cas d'application c'est qu'il est nécessaire de récolter dans le même temps une donnée sur la composition des déchets afin de qualifier pleinement un flux.

L'imagerie hyperspectrale, une alternative pour assurer la qualité des flux

Nous avons déjà abordé le sujet de l'imagerie hyperspectrale dans un article précédent intituléQu'est ce que l'imagerie hyperspectrale ? L'idée ici n'est pas de rentrer dans les détails de cette technologie mais plutôt de rappeler les principaux concepts pour comprendre l'intérêt qu'elle peut avoir dans le contrôle des déchets plastiques.

L’imagerie hyperspectrale est une technique qui utilise le spectre lumineux comme modalité d’imagerie. Elle se propose d’acquérir le spectre entier pour chaque pixel (ou du moins une gamme large et continue) dans l’image au lieu du simple trio RGB, dans le but d’identifier une signature spectrale particulière correspondant à un élément dans l’image. Ce qu'il faut comprendre pour le tri des déchets c'est que l'imagerie hyperspectrale permet d'obtenir une résolution à la fois spatiale et spectrale.

La réponse spectrale permet d’accéder à la nature chimique du déchet via la signature spectrale unique de chaque type de résine (PET, PP, PS, PEHD, etc). La résolution spatiale quant à elle fournit les caractéristiques des déchets tels que la forme, les motifs ou la taille. Combiner ces informations dans des algorithmes de détection d'anomalies offre la possibilité de modéliser un flux de plastique conforme et d'identifier les déchets indésirables s'écartant du modèle. En effet, grâce à l’acquisition d’un volume relativement important de données d’images hyperspectrales, il est possible de modéliser plus finement le spectre attendu pour un type d’objet, plutôt que d’utiliser de simples spectres de références.

Une fois les déchets "anormaux" identifiés, il est possible de remonter des informations sur la classe du déchet (bouteille, bidon, barquette, objet souple, etc), ses dimensions et son matériau constitutif. De quoi extrapoler un bilan massique à posteriori.

Vers une digitalisation du tri du plastique...

A l’échelle mondiale nous avons produit plus de 8 milliards de tonnes de matières plastiques depuis 1950. Sur les 6,3 milliards de tonnes qui sont depuis devenus des déchets, seuls 9 % ont été recyclés. Si nous voulons remplacer le plastique vierge par le plastique recyclé il va de soit que cette transition ne pourra se faire sans le numérique et la donnée.

En effet, pour passer le recyclage à l'échelle, il faut être capable d'augmenter notre capacité de traitement des déchets et par la même mieux maîtriser les processus en place aujourd'hui. Chaque machine, à chaque endroit de la chaîne, contient des données clés pour la compréhension et l'amélioration du recyclage. Les nouvelles technologies comme celles présentées précédemment ont un vrai rôle à jouer dans la captation des nouvelles données mais il va s'en dire que cela doit impérativement s'accompagner de la mise en place d'une infrastructure de traitement et de gestion en continu de ces données afin de fournir un suivi temps réel des processus.

Pour revenir à la qualité en elle-même, la mesure et la remontée de données en continu sur les flux permettrait d'obtenir des informations opérationnelles au bon endroit et au bon moment. Ceci réduirait les refus de camions et limiterait les retours de marchandises en centre de tri ce qui diminuerai de facto les coûts sur l'ensemble de la chaîne de traitement. De plus, les données agrégées permettraient de tracer la qualité à chaque étape et chez chaque acteur de sorte à fournir une homologation indispensable pour construire une structure de confiance robuste entre les acteurs.

Sources

  • https://www.wwf.fr/sites/default/files/doc-2019-07/20190305_Rapport_Pollution-plastique_a_qui_la_faute-min.pdf
  • https://www.valorplast.com/comment-recycler-le-plastique/comment-fonctionne-le-recyclage-plastique/les-grandes-etapes-du-recyclage-plastique
  • https://sitetom.syctom-paris.fr/le-parcours-des-dechets/tom-collecte.html
  • https://www.petrecycling.ch/fr/savoir/matiere-de-valeur-pet/petit-lexique-des-matieres-synthetiques
  • https://www.frc.ch/wp-content/uploads/2013/05/FRC_MC_58-pictogrammes-plastiques-copie.pdf
  • https://www.actu-environnement.com/ae/news/intelligence-artificielle-tri-dechets-tomra-pellencST-35793.php4
  • https://www.suez.com/fr/notre-offre/entreprises/quel-est-votre-besoin/conseil-en-gestion-des-ressources/integrer-plus-de-plastiques-recycles-dans-votre-production
Tous Les Articles
×

Vous y êtes presque...

Nous venons de vous envoyer un e-mail. Veuillez cliquer sur le lien contenu dans l'e-mail pour confirmer votre abonnement !

OK