Per promuovere l’economia circolare, Tomra propone sistemi avanzati di raccolta e selezione che mirano a ottimizzare il recupero delle risorse e a ridurre i rifiuti attraverso sensori come Autosort, Autosort Flake e Innosort Flake, tecnologie per la selezione e il riciclo all’interno della filiera della plastica.
Innosort Flake, presentato al K 2019, costituisce un buon esempio di sistema per ottimizzare il processo di riciclo. Dal suo lancio, nell’aprile 2019, ha dimostrato di essere la soluzione ideale per gli impianti di recupero della plastica, classificando le frazioni di plastica da 2 a 12 mm per colore e contemporaneamente per tipo di polimero. In questo modo è possibile rimuovere vaste percentuali di contaminanti e ridurre significativamente la perdita potenziale di materiale in scaglie, per esempio di PET. Questa soluzione “all-in-one” con risoluzione ultraelevata e configurazione specializzata dei sensori offre una qualità superiore e risultati eccellenti, rappresentando una tecnologia di selezione economicamente vantaggiosa, che fornisce un rapido ritorno sull’investimento e una flessibilità scalabile.
Oltre che costruire selezionatrici, Tomra si concentra anche sullo sviluppo di innovazioni tecnologiche che facciano evolvere ulteriormente il processo di selezione. Sulla base delle attuali possibilità di raccolta e di gestione dei big data e delle potenzialità dell’intelligenza artificiale, il costruttore ha sviluppato un software di Deep Learning da abbinare alla selezione a sensori.
Il nuovo software, sottoinsieme dell’apprendimento automatico (o machine learning) e dell’intelligenza artificiale, è in grado di apprendere individualmente da una notevole quantità di dati raccolti, eguagliando o addirittura superando i risultati di selezione ottenuti dagli esseri umani e dalle comuni macchine sul mercato. Grazie alla combinazione dei nuovi modelli di Deep Learning e delle selezionatrici Tomra, gli oggetti che prima non potevano essere separati possono ora essere selezionati con livelli di purezza elevati. A questo proposito, il Deep Learning è considerato un approccio promettente quando si tratta di affrontare il crescente impegno nella differenziazione dei rifiuti, come nuovi flussi di rifiuti, oggetti che vengono rilevati ma non espulsi con successo, o coperti da altri materiali.