Inteligencia artificial permite recoger basuras de forma más eficiente

Comparta este Artículo en:

Investigadores del Departamento de Lenguajes y Ciencias de la Computación de la Universidad de Málaga (España), han diseñado un sistema ‘inteligente’ que prevé el nivel de llenado de los contenedores de recogida selectiva para calcular la ruta de los camiones de recogida más eficiente.

De esta forma, se establecen recorridos flexibles, lo que supone un ahorro de tiempo, una reducción de la contaminación, y una disminución de los recursos económicos y energéticos.

El sistema denominado ‘Bin-CT’ resuelve dos grandes problemas a los que se enfrentan las empresas de recogida.

Por un lado, determinar los contenedores que se deben recoger, y por otro lado, el orden de recogida.

Para solventar la primera cuestión, los científicos se han basado en un sistema ’inteligente’, que ‘aprende’ a partir de los datos de recogida diarios, a los que suma la información histórica que va almacenando.

Watermelon: If you eat this juicy fruits in every season, https://unica-web.com/archive/2018/mike-whyman-jury-member.html levitra generika you may not get erectile dysfunction in your life. Just recently, Safed musli commander viagra is re-discovered to be an effective treatment for the treatment and prevention of headaches. By improving the intensity of orgasm, bought here levitra prices this product rejuvenate the organs. cheap levitra Why do we do Blood glucose tests? To check diabetes.

Con esta base datos, permite realizar predicciones, es decir, se puede elaborar un cálculo del porcentaje de llenado de los contenedores y saber cuándo los operarios deben recogerlos.

También se puede anticipar a corto o a largo plazo, ya que el llenado depende de otros factores como la estacionalidad o los días festivos, la hora o el día de la semana.

Para resolver la cuestión de las rutas de recogida, los investigadores han generado itinerarios óptimos, que no requieren visitar todos los emplazamientos de los contenedores.

Para ello, han considerado multitud de variables como la capacidad de los camiones, la cantidad de residuos recogida y las características del emplazamiento del contenedor, entre otras.

En este caso, han utilizado un algoritmo inteligente de búsqueda por trayectoria, que calcula rutas de recogida eficientes.

La aplicación consta además de una pantalla donde se puede visualizar qué contenedores están llenos, cuales vacíos y las modificaciones de ruta que se realizan en función de esto.

El sistema se ha aplicado a la recogida de desechos de la ciudad de Algeciras.

Según apuntan los expertos, se trata de la primera vez que una empresa de residuos planifica su actividad con unas previsiones monitorizadas y no solo basada en experiencia humana acumulada.

Como indica el investigador principal, Javier Ferrer, de la Universidad de Málaga a la Fundación Descubre:

“Se trata de una previsión eficiente, ya que si un contenedor no está lleno, lo eliminamos de la ruta, con lo cual se ahorran visitas innecesarias a depósitos de residuos vacíos.

Hasta ahora, estas recogidas se han basado en recorridos fijos, y a partir de ahora podemos monitorizarlos para saber cuáles incluir y cuáles no en la siguiente recogida”.

El artículo titulado ‘BIN-CT: Urban waste collection based on predicting the container fill level’, publicado en la revista Biosystems se puede aplicar a cualquier empresa de recogida de residuos, ya que los datos del modelo de Algeciras son extrapolables a otros núcleos urbanos.

Cada vez las ciudades son más grandes, por tanto cada vez se necesitan más sistemas inteligentes para optimizar el proceso de recogida de desechos urbanos.

El problema habitual es que la mayoría de las empresas concesionarias de retirada de residuos se basan en la experiencia que tiene el personal y se realizan las predicciones de forma tradicional.

Tienen clasificados los contenedores y se realizan visitas semanales fijas, por ejemplo 3, 2 o 1 visita semanal, o incluso diarias.

“Estos sistemas se basan habitualmente en la experiencia de llenado, el problema es que los contenedores en las ciudades se multiplican cada vez más y, por ello, cobra más sentido la recogida selectiva basada en una serie de parámetros como la estacionalidad o el día de la semana, esa es la importancia del algoritmo que hemos implementado”, afirma Javier Ferrer.

El grupo de investigación NEO cuenta con otra opción alternativa para prever el llenado de contenedores mediante la utilización de sensores volumétricos, que consisten en dispositivos colocados en el contenedor que recogen en tiempo real los datos de llenado.

De esta forma, y situando dichos sensores en los contenedores de residuos, es posible conseguir detalles más fiables y unos datos históricos más exhaustivos.

En futuros estudios, los científicos continuarán mejorando la herramienta a través de la denominada técnica Deep learning, usando neuroevolución profunda, la cual da un paso más con respecto a la actual, configurando automáticamente una arquitectura de la red similar a la red neuronal, que es capaz de mejorar las previsiones incluso con pérdida de datos.

Además, el grupo forma parte del proyecto Eco-IoT del Programa Estatal de I+D+i Orientada a los Retos de la Sociedad del Ministerio de Ciencia, Innovación y Universidades, donde implementarán la técnica en recogida de desechos en hoteles, desarrollarán los sensores volumétricos y colaborarán con otros socios para otras cuestiones relacionadas con la optimización de la recogida de residuos y el reciclaje de plástico.

Fuente: Noticias de la Ciencia

Artículos relacionados:

Desarrollan sistema de robots para recoger la basura Usan inteligencia artificial para controlar los semáforos de manera más eficiente Utilizarán inteligencia artificial para atrapar de manera más eficiente a lo atletas que se dopan El MIT presenta nuevo chip de cifrado de baja potencia y un nuevo chip de inteligencia artificial más eficiente Encuentran una forma más rápida y eficiente de imprimir en 3D MIT e IBM desarrollan una forma más rápida de entrenar una inteligencia artificial de reconocimiento de video