به گزارش سرویس ترجمه خبرگزاری ایمنا، مدیریت پسماند شهری یکی از چالشهای اصلی توسعه شهرهای هوشمند در قرن بیستویکم است. با افزایش جمعیت شهرنشین و پیچیدگیهای لجستیکی، روشهای سنتی جمعآوری زباله که مبتنی بر برنامههای زمانبندی ثابت و کامیونهای سنگین هستند، ناکارآمدی خود را نشان دادهاند. ادغام اینترنت اشیا (IoT)، هوش مصنوعی (AI) و مدلسازیهای پیچیده همچون بینایی ماشین، یادگیری عمیق و الگوریتم موسوم به ژنتیک میتواند بهطور چشمگیری کارایی سیستم مدیریت پسماند را افزایش و اثرات زیستمحیطی آن را کاهش دهد.
مدیریت پسماند در محیطهای شهری مدرن فراتر از جمعآوری ساده زباله است و به یک مسئله چندوجهی شامل بهینهسازی مسیر، کاهش آلودگی، زیبایی منظر و حفظ سلامت عمومی تبدیل شده است. روشهای سنتی که در آن کامیونهای بزرگ در فواصل زمانی مشخص اقدام به تخلیه سطلها میکنند، در بیشتر موارد یا منجر به پر شدن بیش از حد مخازن میشود یا تردد غیرضروری ناوگان حملونقل را به دنبال دارد که خود عامل افزایش ترافیک و گازهای گلخانهای است. علاوه بر این، نبود نظارت لحظهای بر وضعیت مخازن و نیازسنجی برای تخلیه، برنامهریزی دقیق را غیرممکن میسازد.
در سالهای اخیر استفاده از حسگرهای اولتراسونیک و گاز برای پایش سطح پرشدگی سطلها در شهرهای مختلف جهان مورد توجه قرار گرفته است. برای مثال، تحقیقات در شهر مکه نشان داده است که سامانههای هوشمند میتوانند با ارسال هشدار در زمان پر شدن مخازن، از انباشت زباله جلوگیری کنند.
بعضی شهرهای ایالات متحده آمریکا، استفاده از هوش مصنوعی و رباتهای هوشمند را در مراکز بازیافت بهسرعت گسترش دادهاند. این رباتها قادرند با استفاده از بینایی ماشین، انواع مختلف مواد همچون پلاستیک، فلز، کاغذ و شیشه را با دقت بسیار بالا شناسایی و تفکیک کنند. مزیت اصلی این فناوری افزایش سرعت و دقت بازیافت است. در روشهای سنتی، خطاهای انسانی و محدودیت نیروی کار موجب میشود بخشی از مواد قابل بازیافت از چرخه خارج شوند، اما سیستمهای هوشمند میتوانند بهصورت مداوم و با دقت بالا کار کنند و به این ترتیب راندمان کلی بازیافت را افزایش دهند.
استفاده از هوش مصنوعی همچنین دادههای ارزشمندی درباره الگوهای تولید پسماند در اختیار مدیران شهری قرار میدهد. این دادهها میتوانند برای برنامهریزی بهتر، کاهش هزینهها و طراحی سیاستهای مؤثرتر مورد استفاده قرار گیرند. تجربه شهرهای پیشروی آمریکایی و اروپایی نشان میدهد که فناوریهای دیجیتال میتوانند نقش کلیدی در آینده مدیریت پسماند شهری ایفا کنند.
بازیافت مبتنی بر مشارکت و انگیزه اقتصادی در آرهوس؛ دانمارک
آرهوس، دومین شهر بزرگ دانمارک، در سال ۲۰۲۴ یک برنامه نوآورانه برای کاهش پسماندهای مصرفی، بهویژه لیوانهای یکبارمصرف قهوه، اجرا کرد. در این شهر، مصرف نوشیدنیهای بیرونبر بسیار رایج است و همین موضوع منجر به تولید حجم قابلتوجهی از زبالههای پلاستیکی و کاغذی شده است.
آرهوس راهکاری بر پایه انگیزه اقتصادی و مشارکت شهروندان پیاده است. در این سیستم، شهروندان میتوانند لیوانهای قابل استفاده مجدد را که مجهز به شناسههای دیجیتال هستند از کافهها دریافت کنند و پس از استفاده، آنها را به ایستگاههای بازگشت خودکار بازگردانند که در نقاط مشخصی از شهر ایجاد شدهاند. در ازای بازگرداندن لیوان، مبلغی بهعنوان پاداش به حساب دیجیتال کاربران واریز میشود. این سیستم امکان ردیابی چرخه استفاده، تحلیل دادههای مصرف و بهینهسازی توزیع ظروف را فراهم میکند. فرایند ساده اما هوشمندانه آرهوس موجب شده است که نرخ بازگشت لیوانها بهطور چشمگیری بالا باشد و استفاده از لیوانهای یکبار مصرف کاهش پیدا کند.
این طرح علاوه بر کاهش پسماند، فرهنگ استفاده مجدد را در میان شهروندان تقویت کرده است. بسیاری از ساکنان آرهوس اکنون استفاده از لیوانهای چندبارمصرف را بهعنوان بخشی از سبک زندگی پایدار خود پذیرفتهاند. شهرداری نیز از دادههای جمعآوریشده در این سیستم برای تحلیل الگوهای مصرف و بهبود سیاستهای زیستمحیطی استفاده میکند. دادهها به شهرداری کمک میکنند تا ظرفیت شستوشو، لجستیک و توزیع مجدد ظروف را بهینهسازی کند.
نتیجه این رویکرد، کاهش چشمگیر پسماندهای یکبارمصرف، افزایش آگاهی شهروندان و ایجاد یک سیستم حلقهبسته پایدار است که هزینههای زیستمحیطی و اقتصادی را همزمان کاهش میدهد. تجربه آرهوس نشان میدهد که فناوری پیچیده همیشه شرط نوآوری نیست؛ گاهی طراحی یک سیستم ساده اما انگیزشی میتواند تأثیرات عمیق و پایدار در کاهش پسماند شهری داشته باشد.
بازیافت با الهام از طبیعت در کمبریج؛ ایالت ماساچوست آمریکا
شهر کمبریج، میزبان مؤسسات تحقیقاتی پیشرو همچون MIT، یکی از پیشگامان آزمایش مفاهیم رادیکال در مدیریت شهری است. در سالهای اخیر، محققان آزمایشگاه مدیا در MIT رویکردی نوین تحت عنوان «ازدحام شهری» را برای مدیریت پسماند توسعه دادهاند که ساختار سنتی جمعآوری زباله را به چالش میکشد.
در این مدل، به جای استفاده از کامیونهای زباله بزرگ که موجب تراکم ترافیک و آلودگی صوتی میشوند، از ناوگانی متشکل از رباتهای کوچک و خودران استفاده میشود. این رباتها در پیادهروها و خیابانها فعالیت میکنند. مکانیزم عملکرد آنها بر اساس اصول الهامگرفته از محیط زیست و بهطور خاص رفتار حشرات اجتماعی همچون مورچهها طراحی شده است. سیستم کمبریج بر دو اصل جستجوی چندمکانی و نشانهورزی استوار است؛ رباتها بهصورت مداوم در محیط گشت میزنند و منتظر پر شدن کامل مخازن نمیمانند، بلکه زبالهها را بهصورت پویا جمعآوری میکنند. رباتها از طریق تغییراتی که در محیط ایجاد میکنند و سیگنالهای دیجیتالی که روی نقشههای GIS به جا میگذارند، با یکدیگر ارتباط برقرار میکنند.
این سیستم از دادههای GIS واقعی شهر کمبریج برای شبیهسازی و عملیات استفاده میکند. رباتها مجهز به حسگرهایی هستند که به آنها اجازه میدهد موانع را تشخیص دهند و با عابران پیاده تعامل ایمن داشته باشند. برخلاف روش سنتی که در آن جمعآوری زباله یک رویداد گسسته (برای مثال هفتهای یک بار) است، در مدل کمبریج، مدیریت پسماند به یک فرایند پیوسته تبدیل میشود. این امر موجب میشود که هیچگاه مخازن زباله در سطح شهر سرریز نشوند و زیبایی بصری شهر حفظ شود.
ارزیابیهای انجام شده در سناریوهای شبیهسازی شده بر اساس نقشه واقعی کمبریج نشان میدهد که این سیستم نهتنها کارایی جمعآوری را افزایش داده، بلکه با حذف کامیونهای سنگین، ردپای کربنی عملیات را نیز کاهش داده است. این پروژه نشاندهنده گذار از مدیریت مبتنی بر برنامه به مدیریت مبتنی بر تقاضای لحظهای است.
مدیریت یکپارچه پسماند پیشرفته در شبکه ملی و آزمایشگاههای فدرال آمریکا
شبکه آزمایشگاههای ملی ایالات متحده از جمله آزمایشگاه ملی آیداهو و آزمایشگاه ملی شمال غربی اقیانوس آرام در ریچلند، از سال ۲۰۲۳ پیشرفتهترین سیستمهای مدیریت پسماند را برای مواد حساس و خطرناک سوخت هستهای مصرفشده پیادهسازی کردهاند. این سیستمها بهعنوان الگویی برای مدیریت پسماندهای پیچیده شهری و صنعتی در مقیاس بزرگ عمل میکنند.
تمرکز اصلی در این مراکز، استفاده از ابزار «مدلسازی سیستم نسل آینده (NGSAM)» است. این ابزار یک پلتفرم شبیهسازی عاملبنیان است که برای تحلیل و مدیریت چرخه کامل پسماند از مبدأ (نیروگاهها) تا مقصد (تأسیسات ذخیرهسازی) طراحی شده است. در این سیستم، هر بسته زباله، وسیله نقلیه و تأسیسات ذخیرهسازی بهعنوان یک «عامل» هوشمند در نرمافزار تعریف میشود. این رویکرد به مدیران اجازه میدهد تا سناریوهای مختلف «چه میشود اگر» را تحلیل کنند. برای مثال، اگر نرخ پذیرش زباله در یک سایت تغییر کند، سیستم بهطور خودکار تأثیر آن را بر کل زنجیره لجستیک محاسبه میکند.
یکی از دستاوردهای کلیدی که در سال ۲۰۲۴ گزارش شده است، پیادهسازی اجرای فرایند موازی در این مدلهاست. در نسخههای قبلی، مراحل مدیریت پسماند (بارگیری، حمل، تخلیه) بهصورت متوالی شبیهسازی میشد که زمانبر بود، اما در سیستمهای جدید مستقر در این مراکز، فرایندها بهصورت همزمان پردازش میشوند. این قابلیت برای شهرهای هوشمندی حیاتی است که حجم عظیمی از دادههای اینترنت اشیا را تولید میکنند. این سیستم به شهرها اجازه میدهد تا ظرفیت تأسیسات، برنامههای حملونقل و نرخهای تخلیه را با دقت بسیار بالا و سرعت زیاد بهینهسازی کنند.
اگرچه این رویکرد در ابتدا برای پسماندهای هستهای طراحی شد، اما اکنون بهعنوان یک استاندارد طلایی برای «مدیریت یکپارچه پسماند(IWM) » شناخته میشود که در آن حملونقل، ذخیرهسازی و دفع بهعنوان یک سیستم واحد و بههمپیوسته در نظر گرفته میشوند، نه اجزای جداگانه. برای ارزیابی موفقیت این سیستمها در مقیاس وسیعتر، معیارهای زمان پاسخگویی، کاهش مسافت طیشده و دقت پیشبینی استفاده میشود. منظور از ز مان پاسخگویی، مدت زمان بین اعلام پر شدن مخزن توسط سطل هوشمند یا پیشبینی هوش مصنوعی و تخلیه آن است. کیلومتر طی شده توسط ناوگان رباتیک و خودکار باید در مقایسه با کامیونهای دیزلی سنتی بسیار کمتر باشد. سیستمهای یکپارچه فدرال نشان میدهند که مدیریت پسماند مدرن نیازمند قدرت محاسباتی بالا برای پردازش دادههای حجیم است. ترکیب دادههای تصویری خیابانی با سیستمهای لجستیکی میتواند دقت مکانیابی زبالهها را به شدت افزایش دهد.
اتوماسیون کامل فرایند جمعآوری زباله میتواند منجر به حذف مشاغل سنتی (رانندگان کامیون) شود. با این حال، رویدادهایی همچون هکاتونهای مدیریت پسماند نشان دادهاند که میتوان با درگیر کردن شهروندان و ایجاد پلتفرمهای تعاملی، نقشهای جدیدی در نظارت و مدیریت ایجاد کرد. اقدامات آینده باید بر توسعه استانداردهای مشترک برای ارتباط بین رباتهای شهری و سیستمهای مدیریت مرکزی متمرکز شود.
نظر شما