Logo ETI Quitter la lecture facile

L’Actu de l’innovation

Séparation des déchets plastiques : une technologie capable de distinguer 12 types de matières plastiques différentes

Posté le par Arnaud Moign dans Matériaux, Biotech & chimie

Une équipe de chercheurs du Department of Biological and Chemical Engineering de l’université danoise Aarhus a développé une technologie de séparation des déchets plastiques par imagerie hyperspectrale. Elle permet de différencier la grande majorité des plastiques utilisés par le grand public.

Cette technologie, développée en collaboration avec des partenaires industriels¹ dans le cadre du projet Re-Plast, sera déployée à l’échelle industrielle au printemps 2022.

La nécessité d’augmenter la qualité des plastiques

Jusqu’à présent, il existe deux méthodes utilisées pour la séparation des plastiques au niveau industriel : la technologie de l’infrarouge proche (NIR) et la séparation par flottaison. Si ces méthodes bien connues permettent le tri de plastiques comme le PP, PE et PET, elles manquent néanmoins de précision et ne permettent pas d’évaluer la pureté de la composition chimique.

Malheureusement, à l’heure actuelle, il est impossible de connaître précisément la pureté de la totalité d’un flux de déchets plastiques. Améliorer la pureté de la matière plastique en bout de chaîne est pourtant absolument essentiel à l’obtention d’une matière régénérée de qualité, un passage obligé si nous voulons atteindre les objectifs fixés par la loi AGEC concernant les taux de recyclage.

Distinguer des plastiques chimiquement très proches, par caméra hyperspectrale et à l’aide de l’intelligence artificielle

Par rapport aux technologies utilisées actuellement, l’imagerie hyperspectrale infrarouge à un avantage : elle permet non seulement d’obtenir une résolution spatiale, mais également une résolution spectrale.

Dans le papier publié en open access dans le journal Vibrational Spectroscopy, l’équipe de chercheurs décrit le fonctionnement du processus d’analyse et d’identification.

Spectres hyperspectraux des principaux plastiques, moyennés sur 200 pixels et décalés pour la clarté visuelle. Source : Fig. 5 de l’étude(2) « Plastic classification via in-line hyperspectral camera analysis and unsupervised machine learning ». Crédit : Aarhus University

Dans leurs essais, les échantillons de déchets chargés sur tapis roulant sont d’abord scannés (à la vitesse de 3,75 m/min) et les données brutes sont transférées à un ordinateur.

Une fois collectées, nettoyées et transformées, les informations spectrales sont utilisées pour établir un modèle d’apprentissage automatique non supervisé afin de distinguer précisément les types de plastiques.

  • Les spectres sont ensuite normalisés.
  • Puis le signal est filtré par un algorithme de Savitzky-Golay afin d’augmenter le rapport signal/bruit.
  • Les données sont enfin visualisées sous forme de graphe.
Exemple de graphe d’analyse en composantes principales effectuée sur les spectres HC filtrés par Savitzky-Golay. Source : Fig. 6 de l’étude(2) « Plastic classification via in-line hyperspectral camera analysis and unsupervised machine learning ». Crédit : Aarhus University)

Une technologie en cours d’industrialisation

Cette technologie est le fruit d’une collaboration entre des partenaires industriels et académiques. Elle a d’ores et déjà été validée à l’échelle pilote et sera installée d’ici peu sur les sites industriels danois de Dansk Affaldsminimering Aps et de la société Plastix.

Dans un communiqué de presse, Hans Axel Kristensen, CEO de Plastix, est enthousiaste :

« La technologie que nous avons développée en collaboration avec l’université n’est rien de moins qu’une percée dans notre capacité à recycler les plastiques. Nous sommes impatients d’installer cette technologie dans notre hall de traitement et de commencer sérieusement le long voyage vers une utilisation de 100 % des déchets plastiques. »


(1) Vestforbrænding, Dansk Affaldsminimering Aps, et PLASTIX

(2) Martin L. Henriksen, Celine B. Karlsen, Pernille Klarskov, Mogens Hinge, Plastic classification via in-line hyperspectral camera analysis and unsupervised machine learning, Vibrational Spectroscopy, Volume 118, 2022, 103329, ISSN 0924-2031

Pour aller plus loin

Posté le par Arnaud Moign


Réagissez à cet article

Commentaire sans connexion

Pour déposer un commentaire en mode invité (sans créer de compte ou sans vous connecter), c’est ici.

Captcha

Connectez-vous

Vous avez déjà un compte ? Connectez-vous et retrouvez plus tard tous vos commentaires dans votre espace personnel.

INSCRIVEZ-VOUS
AUX NEWSLETTERS GRATUITES !