Escolar Documentos
Profissional Documentos
Cultura Documentos
Pesquisa Ambiental
Chor Gene Cheah a, Wen Yi Chia b , Shuet Fen Lai c , Kit Wayne Chewc ,d,*
e
, Shir Reen Chia ,
b
Espetáculo Pau Loke
a
Departamento de Engenharia Mecânica, de Materiais e Manufatura (M3), Faculdade de Ciências e Engenharia, Universidade de Nottingham, Malásia, Jalan Broga,
Palavras- A Revolução Industrial 4.0 (IR 4.0) oferece a oportunidade de melhorar a eficiência do gerenciamento de resíduos sólidos por meio de
chave: Revolução industrial 4.0
aplicativos digitais e maquinários, eliminando, recuperando e reaproveitando os resíduos de maneira eficaz. Esta pesquisa tem como objetivo
Gestão de resíduos sólidos
descobrir e revisar o potencial das tecnologias atuais que abrangem projetos inovadores da Indústria 4.0 para gestão de resíduos sólidos.
Inteligência artificial (IA)
Máquinas e processos com ênfase na economia circular foram resumidos e avaliados. A aplicação das tecnologias IR 4.0 apresenta
Aprendizado de máquina (ML)
oportunidades promissoras na melhoria da gestão e eficiência frente aos resíduos sólidos. Aprendizado de máquina (ML), inteligência artificial
Internet das coisas (IoT)
(IA) e reconhecimento de imagem podem ser usados para automatizar a segregação de resíduos, reduzindo o risco de expor trabalhadores a
resíduos nocivos. A identificação por radiofrequência (RFID) e as comunicações sem fio permitem a rastreabilidade em materiais para
entender melhor as oportunidades na economia circular. Além disso, a interconectividade de sistemas e a transferência automática de dados
permitem a criação de sistemas mais complexos que abrigam um espaço de solução maior que antes não era possível, como a computação
em nuvem centralizada para reduzir o custo eliminando a necessidade de sistemas de computação individuais. Por meio deste trabalho
abrangente baseado em revisão, os componentes inovadores da Indústria 4.0 de máquinas e processos envolvendo gerenciamento de
resíduos com foco na economia circular são identificados com os críticos avaliados brevemente. Verificou-se que a pesquisa atual e o trabalho
realizado são baseados na aplicação de tecnologias da Indústria 4.0 em sistemas individuais de gerenciamento de resíduos, que carecem da
coerência necessária para capitalizar tecnologias como computação em nuvem, interconectividade, big data, etc. em maior escala.
Portanto, uma integração ponta a ponta abrangente do mundo real destinada a otimizar todos os processos dentro da cadeia de gerenciamento
de resíduos sólidos deve ser explorada.
1. Introdução pode levar à poluição ambiental e condições insalubres. Isso promove o desenvolvimento
e surto de doenças transmitidas por vetores (De e Debnath, 2016), o que causa um efeito
A Agência de Proteção Ambiental dos Estados Unidos (EPA) define resíduos sólidos prejudicial na saúde das pessoas em sua área. De acordo com Hoornweg e Bhada-Tata
como qualquer forma de lixo e material descartado, ou lodo produzido a partir de (2012), um sistema de SWM serve como pré-requisito para outros serviços municipais,
tratamentos de água ou instalações de controle de poluição do ar como um subproduto afirmando que “Uma cidade que não consegue gerir eficazmente os seus resíduos
produzido por meio de processos e atividades. A gestão de resíduos sólidos (SWM) é o raramente é capaz de gerir serviços mais complexos, como saúde, educação ou
processo de coleta, descarte e tratamento de materiais sólidos que não são mais úteis. transporte portação”, enfatizando assim a sua importância relativa.
Uma implementação adequada de SWM preserva a sustentabilidade, enquanto uma má
implementação de um Nos estágios iniciais da civilização, métodos rudimentares de descarte de lixo
* Autor correspondente. Escola de Energia e Engenharia Química, Xiamen University Malaysia, Jalan Sunsuria, Bandar Sunsuria, 43900, Sepang, Selangor, Malásia.
https://doi.org/10.1016/j.envres.2022.113619 Recebido em
10 de março de 2022; Recebido no formulário revisado em 23 de maio de 2022; Aceito em 3 de junho de 2022
Disponível online em 11 de junho de 2022
0013-9351/© 2022 Elsevier Inc. Todos os direitos reservados.
Machine Translated by Google
como jogar lixo em ruas e estradas não pavimentadas (Nathanson, 2020). Mas ao (ou seja, Scopus, ScienceDirect, SpringerLink, Taylor & Francis Online e biblioteca on-
longo das décadas, à medida que a tecnologia se integrou ao SWM, foram feitas line Wiley). Vários processos em todo o SWM são avaliados juntamente com a
melhorias. Um dos desafios que a geração atual enfrenta hoje na gestão de nossos utilização das tecnologias que suportam o desenvolvimento sustentável no que diz
resíduos sólidos é a taxa de crescimento devastador em nossa produção de resíduos respeito à economia circular, incluindo IoT, IA, ML, integração de sistemas, automação
que são influenciados pela industrialização, o aumento da população humana e a inteligente e sistemas ciberfísicos.
urbanização dos municípios (Hoornweg e Bhada-Tata, 2012 ; Kaza e outros, 2018). A Estes abrangem a classificação de resíduos, aterramento, compostagem, reciclagem
taxa de geração de resíduos de um país é afetada por fatores como sua geologia, e etapa de conversão de energia que transformam os resíduos sólidos não recicláveis
desenvolvimento econômico, hábitos públicos e clima local. Deduz-se que a alta taxa em produtos úteis. O uso e as vantagens das tecnologias nessas aplicações
de urbanização fez com que os países desenvolvidos contribuíssem mais para o lixo específicas são resumidos. A otimização do sistema de coleta de resíduos com lixeiras
global (Hoornweg e Bhada-Tata, 2012; Das et al., 2019). A Tabela 1 mostra a inteligentes, em particular, é mencionada enquanto o método de granulação usado no
comparação da geração projetada de resíduos sólidos urbanos (RSU) para 2025 entre processo de reciclagem é especificado. Posteriormente, três tipos de tecnologias de
diferentes níveis de renda. conversão de energia que são pirólise, gaseificação e digestão anaeróbica são revistos.
Os governos começaram a introduzir lixeiras para as pessoas separarem o lixo em 2. Gestão de resíduos
esforços para melhorar a segregação do lixo e promover a reciclagem com um relatório
posterior mostrando que houve um aumento na quantidade de lixo coletado (Michaelis, 2.1. Estado atual da gestão de resíduos
1995).
Na esteira de uma era conectada e orientada por dados, os avanços tecnológicos Em 1999, o Banco Mundial projetou que a taxa de resíduos produzidos na Ásia
em eletrônicos, software e comunicações forneceram medições maiores e mais aumentaria para 1,8 milhões de toneladas por dia (Hoornweg e Bhada-Tata, 2012). Em
precisas da produção de resíduos sólidos. Isso levou a uma melhor conscientização e 2012, verificou-se que essa projeção estava correta e no caminho certo, o que indicava
percepção dos problemas incapacitantes enfrentados devido ao aumento na geração falta de melhora ao longo da década.
de resíduos catalisada pelo rápido crescimento da população humana e pela Estima-se que o volume global de resíduos sólidos por ano aumente para 2,2 bilhões
urbanização dos municípios. Portanto, grande atenção tem sido dada à necessidade de toneladas anualmente até 2025 e os impactos globais causados por resíduos
de reduzir a poluição e mitigar as ramificações, preservando a sustentabilidade do sólidos estão aumentando (Hoornweg e Bhada-Tata, 2012). Isso é especialmente
nosso meio ambiente para a geração futura. Com a transformação do mundo por meio preocupante, pois os resíduos sólidos representam altas e concentradas emissões de
do IR 4.0, tecnologias promissoras estão surgindo, como automação inteligente, gases de efeito estufa (GEE) em países em desenvolvimento, como metano e dióxido
Inteligência Artificial (IA) e sistemas ciberfísicos que são habilitados por big data e de carbono, que contribuem para o aquecimento global.
Internet das Coisas (IoT) e, levando a sistemas que podem se comunicar entre si Além disso, a queima a céu aberto libera poluentes nocivos e agentes tóxicos na
(Slusarczyk, 2018). Como resultado, essas tecnologias poderosas contribuíram
´ para atmosfera, comprometendo a qualidade do ar e, consequentemente, a saúde da
revolucionar a indústria de resíduos sólidos. população de um país (Ghosh et al., 2019; Magazzino et al., 2020).
tabela 1
Geração urbana de RSU projetada para 2025 entre diferentes níveis de
renda (Hoornweg e Bhada-Tata, 2012). 2.2. Economia circular
2
Machine Translated by Google
Com essas questões, nossa geração está fazendo grandes esforços em prol
da sustentabilidade, pois não temos capacidade de acompanhar o crescimento do
consumo. De acordo com Jéssica et al. (2019), a população humana global está
consumindo 75% mais recursos do que a Terra está regenerando anualmente,
mesmo com as melhorias na eficiência da extração de recursos. Isso significa que
mudanças radicais devem ser feitas para preservar a sustentabilidade, por meio
das quais métodos mais ecologicamente corretos e econômicos de gerenciamento
de resíduos devem ser investigados e implementados. Princípios que giram em
torno da redução do consumo, reciclagem e reaproveitamento de recursos,
comumente conhecidos como os 3R's para atenuar os efeitos danosos ao meio
Fig. 2. Conceito de economia circular.
ambiente, devem ser praticados, para reduzir os potenciais efeitos negativos.
3Rs e dos 6Rs (reutilizar, reciclar, redesenhar, remanufaturar, reduzir, recuperar) essa tecnologia que levou ao surgimento de avanços tecnológicos durante a 3ª
que visa essencialmente otimizar o sistema minimizando o desperdício de recursos Revolução Industrial para criar sistemas, tecnologias e eletrônicos automatizados.
naturais que foram usados na fabricação de um produto reutilizando/reaproveitando, Embora esses sistemas fossem poderosos, para criar sistemas mais dinâmicos e
reciclando, remanufaturando, redesenhando, recuperando produtos usados e avançados, eles precisavam se comunicar uns com os outros, transferindo e
reduzindo os resíduos produzidos, agregando valor e expandindo sua vida útil. A recebendo dados.
Fig. 2 resume o conceito de EC. Na China, o modelo de CE é atualmente O IR 4.0 se concentra na interconectividade de dispositivos de computador,
implementado como política nacional no esforço de aumentar o desenvolvimento para conduzir a automação inteligente habilitada por meio de tecnologias emergentes
sustentável (Geng et al., 2012). Uma análise de eficácia foi realizada em 2014 com como IA e ML. É a era em que os sistemas são projetados para tomar decisões
resultados indicando que o desenvolvimento sustentável foi alcançado, pois a sem intervenção humana com sistemas ciberfísicos que dependem fortemente da
Eficiência da Economia Circular teve uma tendência geral de crescimento nas IoT. Este poderoso conceito de sistemas criando e compartilhando informações
regiões do país de 2005 a 2010 (Wu et al., 2014). Outros estudos mostraram que, sem fio leva ao verdadeiro potencial do IR 4.0. Essa tecnologia revolucionária agora
por meio de modelos simulados, a implementação da CE apresenta benefícios está incorporada em setores como a agricultura com fazendas automatizadas e o
consideráveis no desenvolvimento sustentável e pode retardar o colapso do sistema setor de comunicações globais (Ali et al., 2017; Muangprathub et al., 2019). Isso
socioeconômico integrado devido ao consumo excessivo de recursos naturais não para por aí, com novas tecnologias sendo introduzidas, como realidade virtual
quando comparado a um modelo sem CE (Hanumante et al ., 2019). Por exemplo, e veículos autônomos (Maier, 2016; Simiscuka et al., 2019). No geral, os benefícios
Dados em tempo real podem ser usados para obter melhores insights que levam a
3
Machine Translated by Google
melhor gerenciamento e tomada de decisão. Esses benefícios podem ser integrados em através da implementação de itens equipados com IoT, onde os dados coletados dos sensores
muitas, senão todas as aplicações de SWM para aumentar sua eficácia. dos produtos são enviados para uma rede central para serem processados e analisados. Isso
A IoT é um paradigma relativamente novo que consiste em uma rede de dispositivos pode abrir caminho para novas áreas de pesquisa devido ao aumento de diferentes tipos de
interconectados que são equipados com sensores e componentes eletrônicos que permitem dados que podem ser coletados e melhorar os dados existentes. O ML pode ser usado em
processar dados e se comunicar entre si em uma estrutura, transferindo informações através conjunto com o reconhecimento de imagem para classificar e classificar automaticamente os
da internet. Avanços na tecnologia de comunicações e engenharia eletrônica levaram ao resíduos. A Fig. 3 mostra a comparação entre IoT e IA.
desenvolvimento da infraestrutura necessária para sustentar a existência de IoT (WiFi,
Bluetooth, microcontrolador, etc). Cunhada pela primeira vez por Kevin Ashton em 1999 para Em desenvolvimentos recentes, uma das tecnologias emergentes e proeminentes do IR
descrever a conexão de dispositivos à internet (Pradyumna et al., 2018), a IoT se desenvolveu 4.0 é o uso de manufatura aditiva. A manufatura aditiva (também conhecida como impressão
em vários setores, como saúde, transporte e agricultura (Elijah et al., 2018; Singh et al ., 3D) é um processo computadorizado de criação de produtos 3D depositando material camada
2021; Zantalis et al., 2019). No desenvolvimento de transportes inteligentes, por exemplo, os por camada. Este método exclusivo permite a capacidade de criar formas complexas que
telefones celulares funcionam como um dispositivo IoT e podem fornecer localização antes eram de fabricação muito difícil. Existem várias tecnologias desenvolvidas na
geográfica em tempo real para prever o tráfego para calcular uma rota otimizada para manufatura aditiva, como estereolitografia (SLA), sinterização seletiva a laser (SLS),
economizar tempo, reduzindo as emissões de carbono e o uso de energia (Rito et al. , 2021; modelagem por deposição fundida (FDM), sinterização direta a laser de metal (DMLS) e muito
Yang et al., 2020). Em desenvolvimentos recentes, a manufatura aditiva é uma tecnologia IR mais (Ashima et al., 2021) . A adoção dessa tecnologia na manufatura pode trazer benefícios
4.0 emergente. Portanto, a aplicação da IoT pode ser benéfica na gestão de resíduos sólidos. como a capacidade de fabricar produtos de alta complexidade e melhorar a produtividade ao
Embora a IoT pareça ser uma tecnologia promissora, ela apresenta suas desvantagens se reduzir erros humanos durante a fabricação. A manufatura aditiva também pode ser
não for dada atenção suficiente aos desafios de segurança e privacidade que a acompanham configurada para um processo mais ecológico, reduzindo o desperdício devido à capacidade
(Brous et al., 2020; Dlamini e Johnston, 2016). Além disso, a IoT serve como uma plataforma de imprimir os produtos no local sem a necessidade de transporte, reduzindo assim as
para aplicações de monitoramento em tempo real, conforme mostrado em Vijayakumar e emissões e o uso de energia ( Haleem e Javaid, 2019).
Ramya (2015); Ward et ai. (2011). A aplicação da IoT pode ser benéfica na gestão de resíduos
sólidos. Como as informações são coletadas automaticamente e compartilhadas sem fio,
governos e municípios têm acesso mais fácil a um conjunto de dados mais rico, desenhando
uma imagem mais clara de toda a sua cadeia de fornecimento de gestão de resíduos. Isso Além disso, esta técnica de fabricação de produtos reduzirá efetivamente o desperdício,
permite que os problemas subjacentes sejam identificados facilmente e auxilia no planejamento evitando a necessidade de processar as matérias-primas antes dos métodos tradicionais de
e na tomada de decisões para projetos futuros. fabricação, como corte, fresagem, perfuração, etc. e, como resultado, reduzindo o volume de
resíduos gerados.
A IA é definida como o desenvolvimento de computadores que adotam a capacidade de 3.1.1. Otimização da coleta de resíduos sólidos (lixeiras inteligentes)
aprender, tomar decisões sem interrupção humana e corrigir-se de forma semelhante à Como mencionado anteriormente, um componente desafiador do sistema de
inteligência humana (Kok et al., 2009). Esta ferramenta útil pode ser utilizada na gestão de gerenciamento de resíduos de uma cidade é o aumento na produção de resíduos sólidos
resíduos sólidos otimizando as rotas de coleta de lixo com base nos dados disponíveis domésticos devido à rápida urbanização dos municípios. O crescimento da população traduz-
coletados em tempo real. ML é um subconjunto de
se na necessidade de uma solução económica e amiga do ambiente. Um método tradicional
IA. É um algoritmo de computador que pode prever resultados com base em um conjunto de de coleta de resíduos sólidos bastante conhecido são as coletas programadas de caminhões.
dados com o qual aprendeu sem exigir instruções humanas externas e foi descrito Essas picapes programadas seguem uma rota regular, sem nenhuma informação sobre se
anteriormente por cientistas como uma ferramenta IoT para geração preditiva (Messaoud et as lixeiras não preenchidas em determinadas rotas ainda não precisam ser coletadas. Esse
al., 2020) . O ML funciona analisando dados por meio de um algoritmo, treinando-o para método é considerado ineficiente, caro de operar e também contribui para as emissões
reconhecer padrões (El Naqa e Murphy, 2015). Este conjunto de dados pode estar na forma (Sheng et al., 2020). Ao usar tecnologias integradas de IoT, uma melhor gestão da coleta de
de áudio ou imagens. Um conjunto de dados de treinamento maior resultará em um algoritmo resíduos está ao alcance.
de previsão mais preciso e poderá permitir ainda mais a tomada de decisões (Farzana et al.,
2020). Uma revisão mostrou que ML foi aplicado na agricultura para auxiliar na detecção da Uma lixeira inteligente de compactação alimentada por energia solar foi trabalhada por H.
qualidade das culturas e, em alguns casos, até mesmo capaz de reconhecer espécies (Liakos N. Saha et ai. (2017). É uma compatibilidade de contêiner flexível e está equipada com
et al., 2018). Ele é integrado em quase todos os lugares, desde smartphones para imagens e sensores para detectar o nível de resíduos dentro da lixeira. Os dados são então
processamento aprimorados (L´ezoray et al., 2008), até detecção facial usando redes neurais transmitidos para um servidor em nuvem no qual os usuários podem aproveitar os dados
de aprendizado profundo (Manik, 2017). fornecidos para criar rotas e horários de coleta mais inteligentes e eficientes. Uma
implementação mais completa disso foi proposta por Banyai et al. (2019) em esforços para
Como o ML funciona bem com um grande conjunto de dados para treinar, mais aplicações produzir um sistema eficaz de coleta de resíduos, alavancando uma maior integração com
dessa tecnologia podem ser habilitadas produzindo dados abundantes locais de gerenciamento de resíduos
4
Machine Translated by Google
(triagem, reciclagem, incineração e compostagem). As rotas automáticas são Os resíduos sólidos são descartados e geralmente enterrados para preencher os
calculadas no servidor. Também dá mais controle para os usuários, pois sugere a poços escavados. É um método comum utilizado em todo o mundo devido ao seu
implementação de um suporte ao cliente onde a resolução de problemas, custo operacional relativamente baixo (Williams, 2013). Os aterros sanitários
agendamento e planejamento podem ser realizados. Na lixeira inteligente proposta modernos são bem projetados e bem administrados em países desenvolvidos e
no trabalho de Dugdhe et al. (2016), um sensor de gás adicional foi adicionado para estão estrategicamente localizados em terrenos resistentes a resíduos perigosos.
detectar os níveis de emissões de metano para evitar acidentes de incêndio durante Nos países em desenvolvimento, os aterros sanitários sem tratamento adequado
altas temperaturas. No geral, esses trabalhos visam utilizar a tecnologia IoT antes do descarte são às vezes considerados lixões a céu aberto (Hoornweg e
integrando sensores dentro dos caminhões e lixeiras para coletar informações em Bhada-Tata, 2012). Quando os resíduos são trazidos e enterrados em aterros
tempo real sobre o status de cada lixeira, incluindo sua localização, nível de sanitários, a decomposição dos resíduos produz emissões nocivas (dióxido de
resíduos e emissões de gases nocivos. Com o passar do tempo, dados históricos carbono, metano) (Gardner et al., 1993) e lixiviados que resultarão na poluição da
podem ser coletados e usados para otimizar ainda mais o processo de coleta e terra e da água (Bodzek et al., 2006). Portanto, os pesquisadores têm feito esforços
podem fornecer estimativas aprimoradas e novos insights sobre os padrões de para automatizar e melhorar o monitoramento de emissões nocivas.
geração de resíduos sólidos para pesquisas futuras. No entanto, apesar de toda a Govindan et ai. (2020) desenvolveram um sistema de monitoramento de
redução de emissões e melhoria na economia de energia, mais investigações e emissão de gases para um modelo em escala de laboratório de resíduos alimentares.
experimentos no mundo real são necessários para determinar a viabilidade Ele utilizou sensores que detectam os níveis de metano e dióxido de carbono e
financeira desse sistema. enviam os dados pela nuvem que permite o monitoramento remoto das emissões
do aterro sem a necessidade de acessar o local. Mehrdad et ai. (2021) usaram
3.1.2. Separação automatizada e inteligente de sistemas de coleta de resíduos técnicas de modelos ML para prever a produção de metano liberada de aterros sanitários.
Mesmo com agendamento e encaminhamento otimizados da coleta de lixo, a A temperatura e o vazamento de chorume foram monitorados e três modelos de
triagem e classificação inadequada dos resíduos levará à perda de recursos dentro ML, como máquina de vetores de suporte, sistema de interface neuro-fuzzy e rede
de uma economia devido ao tratamento inadequado dos resíduos, onde os materiais neural artificial (ANN), foram usados. Em outro estudo, Bagheri et al. (2017)
recicláveis podem ser incinerados ou enterrados no solo para se decompor. investigaram a aplicação da lógica fuzzy e ANN no gerenciamento da penetração
Inovações em eletrônica e software levaram à produção de sistemas precisos que de lixiviados de aterros sanitários. Os modelos desenvolvidos mostraram precisão
lidam com reconhecimento de imagem e tomada de decisão automatizada. Como o precisa na determinação da concentração de contaminantes. Também foi descoberto
ML pode aprender a reconhecer objetos e padrões, pode ser usado para classificar que o desempenho de uma RNA perceptron multicamada é mais preciso do que a
e separar resíduos, reduzindo a necessidade de trabalho humano. Foi proposto um RNA de função de base radial no contexto desta pesquisa. Da mesma forma,
sistema que aproveita o processamento de imagens e ML, capaz de identificar e Abunama et al. (2019) desenvolveram um ANN – Multi-linear perceptron (MLP) para
classificar com precisão os resíduos em vários materiais, como metal, plástico e prever a taxa de geração de chorume em aterros de RSU. Na tentativa de tratar
vidro (Hulyalkar et al., 2018). Isso automatiza o processo que não requer trabalho lixiviados nocivos, Spagni e Marsili-Libelli (2010) identificaram e controlaram com
humano para ser funcional. sucesso várias condições de processo com precisão com o uso de IA para remover
nitrogênio via nitrito. Essas implementações e aplicações de análise de dados por
Em outro trabalho, Farzana et al. (2020) treinaram seu computador para meio de ML e IA ajudaram a automatizar alguns dos processos que normalmente
reconhecer e classificar resíduos em categorias biodegradáveis e não biodegradáveis exigiriam muito trabalho árduo.
com precisão de até 84%. A segregação de resíduos é uma tarefa importante, pois
a energia útil pode ser extraída e redirecionada de volta para a economia (Sudha et
al., 2016). Uma implementação mais desenvolvida de segregação automática de Além do metano e do dióxido de carbono, um gás prejudicial conhecido como
resíduos usando robótica artificial foi realizada por Wilts et al. (2021). O robô foi sulfeto de hidrogênio (H2S) pode ser liberado de aterros sanitários devido à
instalado em uma estação de tratamento de resíduos em grande escala em biodegradação de resíduos sólidos urbanos (Ko et al., 2015). A exposição ao H2S
Barcelona. O robô consiste em uma série de sensores, braços robóticos e uma pode causar rápida depressão do sistema nervoso central e respiratória.
câmera junto com um detector de metais acima da correia transportadora. A câmera Robôs autônomos podem potencialmente ser utilizados para mitigar os riscos
funciona como os olhos do sistema para reconhecer e identificar os tipos de associados ao trabalho em aterros sanitários. Como os robôs são
resíduos enquanto os sensores e braços robóticos classificam fisicamente os não biológicos, eles podem substituir humanos em condições perigosas com altas
resíduos. Concluída a 1ª fase de formação, o sistema foi capaz de reconhecer e concentrações de gases venenosos. Bennetts et ai. (2013) apresentaram um
separar até 13 materiais diferentes, como metais ferrosos e não ferrosos, cartão, instrumento robótico e móvel para medir a concentração de gases em um aterro
madeira, papel, plásticos mistos, resíduos verdes, etc. Ao longo de 4 Após meses sanitário. O robô utiliza um sensor TDLAS para medir remotamente as concentrações
de treinamento, a precisão da máquina foi registrada e a média de pureza de 90% de gás emitindo um feixe. O robô é equipado com motores elétricos e rodas para
para todos os materiais. No entanto, a alta precisão do sistema só foi obtida com permitir que ele navegue no terreno do aterro com a ajuda de módulos de odometria
uma única camada de resíduos. Os resultados mostraram que o sistema lutou para e GPS. O sensor TDLAS foi ajustado para detectar gases CH4 dentro do aterro. Os
identificar e classificar adequadamente os resíduos que estavam sobrepostos. Isso dados são então coletados e compilados para produzir um mapeamento de
pode ser benéfico na criação de sistemas automatizados de classificação de distribuição de vazamento de gás de uma área designada. Os resultados do estudo
resíduos e, com treinamento e desenvolvimento adequados, pode resultar em mostram que o robô foi confiável na determinação da localização da fonte dos
sistemas robustos e mais rápidos que podem ser dimensionados linearmente e gases. Essa tecnologia inovadora impulsiona o desenvolvimento da automação no
implementados para lidar com o crescimento explosivo na produção de resíduos gerenciamento de resíduos sólidos em aterros sanitários.
sólidos, reduzindo o custo operacional geral devido a mão de obra reduzida e
maior flexibilidade operacional. Consequentemente, a redução da necessidade de
um trabalhador para realizar essas tarefas resultará em uma diminuição dos 3.3. compostagem
problemas relacionados à saúde. A frequência da coleta de lixo e o tipo de métodos
de descarte são influenciados por vários fatores, incluindo a cultura da comunidade, A compostagem de resíduos é uma forma de reciclar a matéria orgânica por
o desenvolvimento econômico e o clima. Portanto, é fundamental que os sistemas meio da decomposição biológica em condições aeróbicas. Em condições
sejam constantemente atualizados para acompanhar as mudanças nos volumes controladas, a compostagem produzirá calor causado pela decomposição
de resíduos produzidos. microbiana do material orgânico (Epstein, 2017). Devido à sua complexidade e à
necessidade de supervisão humana, os pesquisadores foram motivados a
automatizar esse processo em vários graus. Antes da incorporação de tecnologias
3.2. Aterro IR 4.0 dentro deste campo, Casas et al. (2014), propuseram um sistema de
monitoramento de compostagem equipado com sensores que coletam dados e os
Um método padrão de descarte de resíduos praticado hoje é o aterro. enviam para uma rede de sensores sem fio (WSN). Como esses dados
5
Machine Translated by Google
a coleta é automatizada, a necessidade de intervenção humana que poderia e reciclar os resíduos gerados em outro ambiente. Isso é possível graças ao
expor patógenos nocivos é negada. Em um estudo de Rahane (2011), uma sistema físico que contém três ambientes controlados separados. O ambiente
dimensão adicional no processo do sistema de compostagem foi adicionada por superior é a camada de vegetação onde a luz do sol proporciona o crescimento
meio de um esquema de controle de tempo contornado para monitorar e controlar da flora. A camada do meio abriga as aves que se alimentam da vegetação que
temperaturas para aumentar a eficácia da compostagem. Um sistema mais cresce acima dela. A camada inferior contém um tanque de peixes que depende
avançado que integra vários sensores (temperatura, umidade, ultrassom e resistor dos dejetos produzidos pelas aves. Este sistema abrangente é equipado com
dependente de luz (LDR)) e circuitos foi proposto por Vivien Arief Wardhany et al. sensores para monitorar múltiplas variáveis (Tabela 2). A impressionante coleção
(2019). Este sistema de monitoramento de compostagem doméstica funciona de vários sensores cria um fluxo de informações valiosas do sistema. Esses
como um picador inteligente, onde a entrada é o lixo orgânico. O lixo orgânico é dados, juntamente com a tecnologia de reconhecimento de imagem para detectar
então triturado em pedaços menores para melhorar a relação volume/área de aves e colheitas doentes, serão enviados para a nuvem para computação externa.
superfície para uma compostagem mais eficiente. Ele também vem equipado com Quando o sistema detecta anomalias nos ambientes, como leitura de baixa
um sistema de alerta composto por luzes LED e campainhas sonoras para ajudar umidade, o sistema ativa automaticamente a válvula motorizada que permite a
a indicar que a fase de compostagem foi concluída. entrada de água. Isso também é automatizado para muitas outras seções, como
Um trabalho publicado por Bhoir et al. (2020) mostraram um sistema umidade e temperatura.
automatizado de monitoramento de compostagem habilitado para IoT que combina
um sistema aquapônico equipado com sensores de umidade com a lixeira Além disso, Raj et al. (2020) propuseram um segregador de resíduos
orgânica. O sistema aqua ponic liga a bomba de água quando detecta baixos habilitado para IoT, capaz de separar os resíduos em tipos metálicos,
níveis de umidade para obter um nível consistente de compostagem. Foi biodegradáveis e não biodegradáveis. O metal é separado dos resíduos de
destacado que este método é barato e relativamente seguro na mitigação da entrada por meio de ímãs. Os resíduos de baixa densidade, como papel, são
poluição, reduzindo a quantidade de matéria orgânica enviada para os aterros filtrados por meio de um soprador e separados em uma lixeira não biodegradável,
que podem contribuir para as emissões de metano. Outro estudo (Jo et al., 2019) enquanto o restante dos resíduos é considerado resíduo biodegradável. O
descreve o projeto físico e a implementação de um sistema de monitoramento de monitoramento e controle são feitos através da nuvem onde os dados são
compostagem IoT em uma fazenda com sede em Sarawak, na Malásia, que armazenados. Nota-se que este sistema possui alta precisão na filtragem de
produz composto e matéria orgânica. Ele aproveita os sensores de umidade e resíduos de metal e papel, porém não é uma opção ideal para uso no mundo real,
temperatura próximos à pilha de compostagem e comunica os dados por meio da pois os resíduos gerados seriam de alta complexidade.
rede 4G para uma casa próxima, onde o agricultor pode monitorar os arredores Segundo Simic (2013), a indústria automotiva contribui com cerca de 5% dos
do composto. Os resultados mostram que é uma solução viável para monitorar resíduos industriais globais, indicando que os veículos em fim de vida são
uma grande variedade de culturas e pecuária. categorizados como uma questão ambiental. Como os veículos elétricos parecem
Nikoloudakis et al. (2016) introduziram um serviço de nuvem complexo que promissores na substituição dos veículos de combustão interna no futuro, o
suporta compostagem sem qualquer intervenção humana. Um gabinete móvel aumento de resíduos gerados por veículos em fim de vida é iminente. Portanto, o
customizado foi introduzido para facilitar a automação dos processos necessários gerenciamento de resíduos de veículos em fim de vida é de suma importância
para manter a compostagem de alta qualidade. Abriga sistemas ciberfísicos que (Karagoz et al., 2020). Em 2015, Yi e Park (2015) propuseram o projeto e a
consistem em vários sensores de monitoramento (umidade, temperatura, luz, implementação de um centro de reciclagem de veículos em fim de vida habilitado
etc.), atuadores e um sistema de ventilação para manipular as variáveis que para IoT. Este projeto se concentra principalmente no monitoramento de veículos
afetam a qualidade do rendimento do composto. A arquitetura completa deste e visa melhorar a eficiência no processo de desmontagem com uma mistura de
sistema contém várias configurações de compostagem. um painel de dados aprimorado e sistemas ciber-físicos. Ao incorporar a tecnologia
Cada sistema é conectado via internet através de uma placa Arduino que serve RFID, o sistema identifica o tipo e diversas informações sobre o veículo. Esta
como meio entre os sensores e a nuvem. informação é então usada para pesquisar um banco de dados para obter
O sistema realiza de forma autônoma tarefas programadas, como agitação e instruções de desmontagem do fabricante. Isso reduz a quantidade de tempo
ventilação. O sistema também é desenvolvido com a capacidade de realizar
ações dinâmicas para atingir as condições ótimas de variáveis de compostagem
quando os sensores detectam um nível indesejado. Um exemplo dessas ações é Tabela
que o sistema de ventilação liga quando os sensores detectam uma temperatura
2 Sensores usados para medir as variáveis no sistema ponta a ponta (Gnanaraj
externa noturna de 28 ÿ C ou menos. Após uma análise de campo, o serviço de e Jayanthi, 2017).
nuvem automatizado atinge um aumento substancial na velocidade de
Sensores Variável Observação
compostagem em oposição a uma configuração supervisionada por humanos.
NFC, RFID, Movimento, Monitoramento de Aves Rastreie animais e colete
Temperatura, informações sobre movimentos e outros
3.4. Reciclando
Peso comportamentos
Movimento, tamanho, câmera de monitoramento de peixes
A reciclagem é um método importante para reduzir os impactos negativos dos Temperatura, Ambiente Sensores de monitoramento
resíduos sólidos. Na reciclagem, materiais recicláveis como plástico, metal, vidro, Umidade, são complementados por
composição do ar cálculos de modelo para
papel e eletrônicos são coletados e convertidos novamente em materiais
atender aos requisitos da população
reutilizáveis, o que aumenta a economia de energia, reduz a poluição e conserva
local Rastrear
os recursos naturais (2021b; Yang et al., 2012) . Esta forma de CE visa reduzir a Câmera, Hábitos de consumo os comportamentos dos animais ou
quantidade de resíduos que devem ser totalmente eliminados (deposição em Acelerômetro de aves e peixes anexados a animais para quantificar
movimentos em
aterro, incineração, decomposição). Embora seja um método amplamente
Sensor de solo, câmera Atributo do solo escala fina Caracterizar o solo por
adotado, o desenvolvimento da tecnologia de reciclagem é limitado e requer
meio de informações sobre a cor do
energia para reciclar, o que produz fluxos secundários de resíduos. Os problemas solo, teor de umidade, matéria
dos resíduos sólidos devem ser combatidos na raiz, reduzindo os resíduos temperatura, tempo, Fertilizante e orgânica, etc. incluído no fertilizante
gerados. (Bartl, 2014). Além disso, Yang et al. (2012) mencionou que, com o nível Umidade composto composto Detecte doenças de
atual de tecnologia, a reciclagem de materiais compostos é difícil e, portanto, colheita com comprimento de onda
Câmera Segregação de de espectro eletromagnético
mais pesquisa e desenvolvimento são necessários para produzir uma melhor
colheitas/aves doentes apropriado.
tecnologia de separação de materiais.
Em 2017, Gnanaraj e Jayanthi (2017) propuseram um gerenciamento de Monitore a trajetória anormal das aves para
resíduos de ponta a ponta baseado em IoT. O sistema utiliza sensores e acessar seu nível de estresse
6
Machine Translated by Google
gasto pelos trabalhadores para descobrir o processo de desmantelamento. Além disso, os um ambiente livre de oxigênio (Mandal et al., 2016). A pirólise lenta é um método usado para
dados coletados podem ser usados para melhorar a gestão e apontar erros no processo da produzir biocarvão e biogás a 300 ÿC–550 ÿC. Ela produz bio-óleo líquido como subproduto,
cadeia. enquanto a pirólise rápida é usada para produzir gás, cujos subprodutos são líquidos e biocarvão
Em 2018, Reuter et al. (2018) realizaram uma extensa análise em um telefone de design muito baixo em temperaturas acima de 600 ÿC . A pirólise é importante no contexto da análise
modular, construído em torno da economia circular. Verificou-se que esta abordagem permitiu de detritos de incêndio, pois fornece recuperação significativa de produtos químicos nas
maiores vantagens ambientais, como a facilidade de reciclagem ao permitir a desmontagem do amostras durante a análise laboratorial (Newman, 2008).
telefone antes do processo de reciclagem, permitindo a máxima recuperação de metais
preciosos. Os autores mencionaram que simulações com dados consistentes são Em 2017, Kondratenko et al. (2017) alavancaram um sistema ciberfísico e a internet para
automatizar os processos de controle em complexos de pirólise para resíduos poliméricos
necessários para um projeto bem-sucedido voltado para as necessidades de reciclagem, a municipais (MPW) por meio do uso de Controle de Supervisão e Aquisição de Dados (SCADA)
maioria das quais não estão tecnologicamente disponíveis em escala comercial. em redes como ethernet, redes móveis e WiFi . O sistema monitora os complexos de pirólise
especializados por meio de dispositivos de computação e sensores conectados. Os aspectos
3.4.1. Peletização A de controle e automação são controlados através de camadas bifurcadas de hardware e
peletização é um método eficaz usado na indústria de reciclagem para reduzir a densidade software integrados, com atuadores envolvidos na manipulação da utilização do MPW, para as
e o tamanho dos resíduos biodegradáveis, como o plástico. No processo de peletização, o unidades de controle e saídas de monitoramento em tempo real. Também foram desenvolvidos
material residual solto é alimentado em uma máquina de peletização que comprime o material algoritmos de controle para detectar anomalias em caso de emergência. Um estudo (Ullah et
por meio de trabalho mecânico (Sharvin Vikas et al., 2021). O tamanho menor do volume al., 2021) foi feito para investigar a viabilidade de incorporar a tecnologia IoT na pirólise de
permite a capacidade de transportar e armazenar resíduos com mais eficiência (Hardtle ¨ et al., resíduos de polímero reforçado com fibra de carbono acumulado (CFRP). Um servidor central
1987; Sharvin Vikas et al., 2021). Além das aplicações de plástico, o aumento da densidade do coletará dados dos sensores e controlará os atuadores para ajustar seus parâmetros por meio
combustível residual por meio da peletização resulta em características de combustão positivas, de um sistema de controle para recuperar parte do calor gerado. Os resultados sugerem que a
como aumento da densidade do combustível (Hardtle ¨ et al., 1987). implementação da IoT trará benefícios na diminuição do consumo de energia e na aceleração
da pirólise
Deo et ai. (2021) propuseram uma análise em tempo real de pelotas de minério de ferro
com o uso de ML. O sistema é equipado com uma configuração de câmera e vários modelos
baseados em Rede Neural Convolucional (CNN), como Mobilenet, VGG16 e Restnet50, que
foram treinados com um conjunto de dados fixo. Os resultados mostram que o sistema é processo.
bastante preciso e capaz de identificar os tamanhos dos pellets com sucesso. A otimização Outros trabalhos que implementam a tecnologia da Indústria 4.0 foram feitos por Naveda
adicional do processo de peletização por meio de ML foi explorada por de Abreu. T. N et al. (de et al. (2019) na tentativa de otimizar múltiplas variáveis em um reator de pirólise que afetam a
Abreu et al., 2021) por meio do qual um algoritmo foi treinado para realizar a análise de qualidade e as propriedades do biocarvão. Ele idealiza uma interface para monitorar várias
desempenho em tempo real do sistema de prensa de rolos dentro da máquina de peletização. concentrações de gás e temperaturas em todo o reator, alertando os operadores quando eles
Os dados são coletados dos sensores na máquina de granulação ao longo do tempo. Em excedem o limite especificado. A energia preciosa é desperdiçada com o aterro de pneus, pois
seguida, o algoritmo preditivo é treinado para mapear automaticamente os dados em tempo a energia pode ser recuperada através da pirólise (Sharma et al., 2000). Um método de
real do sistema para as variáveis influentes que afetam o desempenho da prensa de rolos, extração de biocombustível de pneus foi proposto por Osayi et al. (2014) através da degradação
como torque do motor, umidade e desalinhamento do rolo. Isso cria um poderoso diagnóstico térmica. No entanto, como as características do biocombustível produzido variam muito em
em tempo real do estado atual da prensa de rolos, que anteriormente exigia um tedioso processo função de fatores como a composição da ração, temperatura e pressão ambiente, esse método
de coleta manual e correlação de dados que só está disponível após o processamento. Essas consiste em várias etapas que requerem supervisão e conhecimento humanos. Como
implementações poderiam ser aplicadas na peletização de combustível residual para resultado, uma proposta foi feita por Bhyri (2020) para produzir um sistema para automatizar a
automatizar a segregação de pelotas com base na forma e tamanho ideais para recuperação extração de bio-crude/biocombustível com o uso de IoT em pneus inservíveis. Isso resultou na
efetiva de energia. Também pode ser usado para melhorar o tempo de atividade operacional capacidade do sistema de manter condições ideais por meio de entradas, atuadores e um
do equipamento de peletização, reduzindo a carga de trabalho necessária para diagnosticá-lo. microcontrolador dos usuários. A manipulação e o controle foram projetados para dispositivos
de computação (telefones, PCs) onde os dados são facilmente acessíveis por meio de redes
de comunicação. Especialmente neste momento de pandemia, esses trabalhos visam criar uma
solução de monitoramento e controle de processos de pirólise manual na internet para anular a
necessidade de presença física.
Em um estudo de 2021, Yang et al. (2021) criticaram a baixa resistência à compressão de
pelotas em um alto-forno siderúrgico. Foi então desenvolvido um algoritmo que prevê e
recomenda de forma inteligente a composição ideal de cada matéria-prima para maximizar a
resistência à compressão do pellet. Este processo pode ser aplicado de forma semelhante à
produção de pellets de combustível residual, o que aumenta a densidade das partículas e pode
influenciar positivamente as propriedades de combustão (Garcia-Maraver e Carpio, 2015). 3.5.2. Gaseificação A
gaseificação é a conversão de materiais de biomassa (colheita e esterco) em gás de
síntese (Gás Sintético) que pode ser usado para recuperação de energia.
Eles também podem ser convertidos em produtos úteis como detergentes e plastificantes
3.5. Tecnologias de conversão de energia (Zhang et al., 2019). Consiste em algumas etapas gerais (secagem, pirólise, combustão e
redução). A gaseificação é um tema comum nas pesquisas recentes sobre produção de
De acordo com o Departamento de Qualidade Ambiental em Oregon, EUA, a tecnologia de biocombustíveis (Molino et al., 2018).
conversão é a transformação de resíduos sólidos que não podem ser reciclados em produtos Uma proposta recente desenvolveu um sistema de otimização baseado em ML em
úteis como combustível, calor, eletricidade e vapor. Resíduos como alimentos orgânicos, gaseificação hidrotérmica (HTG) que é capaz de otimizar as condições do processo com base
esterco, graxa e óleo podem passar por processos mecânicos, térmicos ou biológicos para nas propriedades da biomassa (Gopirajan et al., 2021). HTG produz hidrogênio para recuperação
atingir esse resultado. Existem vários tipos de processos de conversão de energia dos quais de energia. Como a qualidade da gaseificação depende de uma infinidade de parâmetros, como
são digestão anaeróbica, pirólise e gaseificação. temperatura e pressão (Rizkiana et al., 2014), a otimização automatizada desses parâmetros
economizará tempo e reduzirá os tempos de ciclo. O conjunto de dados usado para desenvolver
o algoritmo contém características de biomassa, parâmetros de processo HTG e rendimento de
3.5.1. Pirólise Uma gás de produto que foi coletado em mais de 21 publicações anteriores. Então, os dados reais
das técnicas de conversão praticadas hoje é a pirólise. É definida como a decomposição de biomassa coletados são
da matéria orgânica por altas temperaturas em
7
Machine Translated by Google
comparado com o conjunto de dados de treinamento. Finalmente, uma função Adaptive 4. Desafios e tendências futuras
Multivariate Random Forest (AMVRF) foi aplicada para obter o rendimento previsto. Em
outra publicação, Ozbas et al. (2019) apresentou um modelo ML para prever a O desenvolvimento múltiplo é necessário para uma implementação mais completa
concentração de hidrogênio produzido pela gaseificação. das tecnologias na gestão de resíduos sólidos. A pesquisa atual e o trabalho realizado
Modelos de análise preditiva, como regressão linear e regressão em árvore de decisão, baseiam-se na aplicação de tecnologias da Indústria 4.0 em sistemas individuais de
foram incorporados. Foi usado um conjunto de dados de treinamento menor que foi gerenciamento de resíduos, que carecem da coerência necessária para capitalizar
coletado por meio de experimentos de laboratório. A partir do resultado, os valores tecnologias como computação em nuvem, interconectividade, big data, etc. em uma
experimentais e os valores preditos apresentaram alta similaridade com valor de 0,99. escala maior. Além disso, é caro implementar esse tipo de tecnologia inovadora devido
2er Assim, os autores sugeriram que os modelos de ML propostos poderiam ser à necessidade de novas infraestruturas. As atuais instalações e sistemas de TI podem
usados na modelagem de vários produtos de gaseificação com diferentes estruturas de exigir alguma adaptação e, no caso da gestão de resíduos sólidos, sua diversidade e
modelo e condições experimentais sem alteração adicional. complexidade podem exigir o desenvolvimento de sistemas de comunicação proprietários
para alcançar um maior nível de coerência. Como as tecnologias IR 4.0 usam vários
Um interessante trabalho de Chaiwong et al. (2019) apresenta o sistema de sensores, comunicação sem fio e recursos de computação, seria caro desenvolver,
monitoramento sem fio e remoto para um fogão de gaseificação que utiliza o gás de implementar e manter. Além disso, pode ser difícil obter uma força de trabalho
síntese produzido por meio da gaseificação. O autor observa que os fogões a biomassa qualificada com uma ampla gama de conhecimentos técnicos necessários para
são mais eficientes quando comparados ao fogão tradicional. O sistema está equipado desenvolver e aplicar esses sistemas de ponta. Portanto, o ensino técnico precisará de
com um computador Raspberry Pi que está conectado à internet e fornece rastreamento tempo para evoluir para atender às demandas atuais. Além disso, mais recursos
em tempo real do status do fogão. O usuário pode controlar remotamente o fluxo de ar precisariam ser investidos na segurança do sistema baseado em IoT para evitar que
de admissão para várias condições de combustão por meio de um aplicativo de celular ataques maliciosos interrompam a cadeia de SWM ou manipulem os dados armazenados
que manipula os sinais de modulação por largura de pulso. nos servidores. Uma possível solução para isso seria o uso da tecnologia blockchain
devido às suas propriedades criptográficas (Javaid et al., 2021). A tecnologia Blockchain
é um livro-razão compartilhado e imutável que facilita o processo de registro de
3.5.3. Digestão anaeróbica transações e rastreamento de ativos (dados) em uma rede ponto a ponto. Isso significa
Outra forma eficaz de tecnologias de tratamento de resíduos é a digestão anaeróbica. que as informações armazenadas em um armazenamento baseado em blockchain são
É um processo biológico de decomposição de resíduos orgânicos por meio da impossíveis de manipular sem conluio, tornando-se um alvo difícil para ataques
decomposição microbiana em um ambiente sem oxigênio (2021a; Khalid et al., 2011). cibernéticos. No entanto, em contraste com isso, Ghiro et al. (2021) argumentou que a
Os resíduos orgânicos são geralmente colocados em um reator selado e deixados para tecnologia blockchain não é apropriada para proteger aplicativos IoT.
serem digeridos por microorganismos. Isso resulta em biogás que pode ser usado para
gerar calor e energia para recuperação de energia ou pode ser refinado em biometano
para ser usado em aplicações veiculares (Scarlat et al., 2018).
Outro desafio é que as principais tecnologias da Indústria 4.0 dependem fortemente
O uso de ML está surgindo em trabalhos que visam prever desempenhos em da eletrônica. Um exemplo disso é o uso de computadores, sensores e conectividade
reatores de digestão anaeróbia e auxiliar na melhoria da eficiência e controle dos sem fio para rastrear e otimizar as rotas para agendamentos eficientes de coleta de lixo,
processos. O uso de ML para prever os desempenhos da digestão anaeróbica permite reduzindo efetivamente as emissões e o uso de energia. Outro exemplo é o uso de RFID
que os operadores coletem informações valiosas para aprimorar os projetos industriais e comunicações sem fio permitem a rastreabilidade de materiais para entender melhor
(Xu et al., 2021) , que anteriormente era um método extremamente tedioso e demorado, as oportunidades na economia circular. No entanto, ao implementar essas tecnologias,
permitindo-lhes otimizar sua estratégia operacional. Em um estudo, Seo et al. (2021) é imprescindível entender que os recursos eletrônicos utilizados para dar suporte a
implementou uma rede neural recorrente para desenvolver um modelo de previsão essas aplicações constituem-se como lixo. Portanto, mais pesquisas são incentivadas
eficaz para estimar a produção de biogás como um produto através da digestão sobre a reciclagem desses eletrônicos, bem como pesquisas para determinar
anaeróbica de resíduos alimentares. Wang et ai. (2020) aplicaram algoritmos de ML empiricamente a viabilidade dessa tecnologia.
para prever com precisão a taxa de produção de metano na digestão anaeróbica. A
precisão da previsão foi validada comparando-as com os valores reais. No entanto, em
taxas de produção de metano mais baixas, parece que a precisão se deteriora. Um precursor na indústria de digitalização (Rosen et al., 2015), Digital Twins (DT) é
um subconjunto de uma tecnologia baseada em IR 4.0. É uma representação virtual de
um objeto/processo no mundo físico que simula o comportamento da vida real. Ele
Dong e outros. (2011) apresentaram um novo sistema de monitoramento on-line emparelha com o objeto físico por meio de sensores que permitem que o sistema virtual
automatizado para reatores de digestão anaeróbica capaz de produzir um diagnóstico imite sua contraparte física, permitindo a capacidade de simular o desempenho do
preciso dos sistemas do reator. Além disso, abrigava um sistema de alerta para possíveis objeto físico sob várias condições extremas. Essa tecnologia tem despertado o interesse
riscos, como sobrecarga e altas temperaturas. em desenvolvimento por parte das empresas e visa proporcionar uma melhor análise
Logan et ai. (2019) , por sua vez, desenvolveram um sistema de monitoramento remoto sobre como os processos são afetados (Cimino et al., 2019, 2020; Negri et al., 2020).
para digestão anaeróbia e avaliaram seu desempenho em resíduos de origem alimentar. Como o DT usa sensores e dispositivos IoT, dados em tempo real podem ser extraídos
Por meio dessa implementação de IoT, resultou em melhor operação e manutenção e usados para prever possíveis falhas no futuro, o que reduz o custo de manutenção.
devido a uma forma mais consolidada de dados que aumentou a capacidade do Isso foi feito no contexto da manufatura inteligente para melhorar o tempo de atividade
operador do reator de controlar o desempenho dos processos das usinas. No entanto, operacional (Zhong et al., 2017).
não está explícito se o sistema incorpora um sistema totalmente ciberfísico para realizar
seus processos corretivos para melhorar a taxa de produção. Xu et al. (2021) comparou É caro implementar um sistema SMW completo e integrado de ponta a ponta que
três modelos de ML (Random Forest, Extreme Gradient Boosting, Deep Learning) na incorpore a tecnologia IR 4.0 destinada a melhorar e otimizar todos os processos em
previsão de um reator de digestão anaeróbica baseado em ferro valente zero (ZVI) e toda a cadeia de gerenciamento de resíduos. Como resultado, a tecnologia Digital Twin
descobriu que o algoritmo Extreme Gradient Boosting forneceu a maior precisão e pode ser usada para realizar uma simulação de avaliação de risco acelerada em escala
viabilidade em prevendo a taxa de produção de metano com uma raiz quadrada média real para identificar falhas de processo e realizar testes para determinar e melhorar a
de erro de 21,09. Foi destacado que o rendimento de metano é muito influenciado pelo robustez do sistema antes que uma implementação no mundo real seja realizada.
tamanho de partícula e dosagens de ZVI. Pesquisas futuras sobre isso podem valer a pena, porque é um conceito pioneiro no
contexto de SWM.
8
Machine Translated by Google
Tecnologia. Este sistema SWM abrangente incorpora tecnologias IR 4.0 que são dispendiosas pode ser usado para realizar uma simulação de avaliação de risco acelerada em escala real
para desenvolver, implementar e manter, especialmente com uma abordagem de tentativa e para identificar falhas de processo e realizar testes para determinar e melhorar a robustez do
erro. Portanto, explorar esta área de pesquisa pode abrir oportunidades para reduzir o custo sistema antes que uma implementação no mundo real seja realizada, reduzindo bastante o
incorrido com a prototipagem tradicional. Além disso, riscos inesperados não representariam custo que pode ser incorrido por meio de prototipagem tradicional.
perdas no ambiente virtualizado. Por fim, as oportunidades descobertas no ambiente virtual
podem ser aplicadas na vida real. Se bem-sucedida, a implementação completa desse sistema A aplicação de tecnologias IR 4.0 como IoT e computação em nuvem, integração de
resultará em um modelo totalmente interativo, onde cenários virtuais podem ser criados para sistemas, automação inteligente e sistemas ciberfísicos mostram oportunidades promissoras na
testar como o melhoria da gestão e eficiência em relação aos resíduos sólidos. Isso se deve à geração
aprimorada de dados em tempo real, tanto em qualidade quanto em quantidade, que podem ser
sistema funcionaria na vida real se submetido a essas condições. Este modelo interativo servirá usados para obter melhores insights para melhorar a tomada de decisões e o gerenciamento,
como um modelo de referência para a implementação real do SWM inicialmente e, à medida ao mesmo tempo em que permite a automação de sistemas inteligentes. RFID e comunicações
que a implementação do mundo real for construída, o sistema virtual será emparelhado com o sem fio permitem a rastreabilidade em materiais para entender melhor as oportunidades na
físico por meio de sensores para funcionar como um sistema de monitoramento em tempo real . economia circular. Além disso, a interconectividade de sistemas e a transferência automática de
Portanto, mais pesquisas são necessárias para uma integração ponta a ponta abrangente do dados permitem a criação de sistemas mais complexos que abrigam um espaço de solução
mundo real, com o objetivo de otimizar todos os processos dentro da cadeia de gerenciamento maior que antes não era possível, como a computação em nuvem centralizada para reduzir o
de resíduos sólidos. custo eliminando a necessidade de sistemas de computação individuais.
5. Conclusões
sinais que abrangem as tecnologias da Indústria 4.0. Com o objetivo de facilitar e auxiliar Declaração do autor do crédito
9
Machine Translated by Google
Bodzek, M., Lobos-Moysa, E., Zamorowska, M., 2006. Remoção de compostos orgânicos de lixiviados de aterros Hulyalkar, S., Deshpande, R., Makode, K., Kajale, S., 2018. Implementação de smartbin usando redes neurais
municipais em um biorreator de membrana, vol. 198. Elsevier BV convolucionais.
Todos os direitos reservados Dessalinização, pp. 16–23. Javaid, M., Haleem, A., Pratap Singh, R., Khan, S., Suman, R., 2021. Blockchain
Brous, P., Janssen, M., Herder, P., 2020. Os efeitos duplos da Internet das Coisas (IoT): uma revisão sistemática aplicações de tecnologia para a Indústria 4.0: uma revisão baseada na literatura. Blockchain: Res.
dos benefícios e riscos da adoção da IoT pelas organizações. Int. j. Appl. 2, 100027.
Inf. Gerenciar 51. Jessica, LP, Lacy, Weslet, Spindler, 2019. The Circular Economy Handbook: Realizing the Circular Advantage.
´
Casas, O., Lopez, M., Quílez, M., Martinez-Farre, X., Hornero, G., Rovira, C., Pinilla, M.
˜
R., Ramos, PM, Borges, B., Marques, H., Girão, PS, 2014. Rede de sensores sem fio para monitoramento e Jo, RS, Lu, M., Raman, V., Then, PHH, 2019. Projeto e Implementação de IoT
controle de compostagem inteligente. Medição 47, 483–495. Sistema de monitoramento de compostagem ativado. In: 2019 IEEE 9th Symposium on Computer
Chaiwong, K., Karnjanapiboon, C., Wichan, N., Jaiinta, N., Thawonngamyingsakul, C., 2019. Monitoramento de Applications & Industrial Electronics (ISCAIE), pp. 23–28.
temperatura baseado em IoT e controle de otimização de entrada de ar para fogão de gaseificação. Em: Karagoz, S., Aydin, N., Simic, V., 2020. Gestão de veículos em fim de vida: uma revisão
Conferência Internacional Conjunta de 2019 sobre Artes Digitais, Mídia e Tecnologia com ECTI Conferência abrangente. J. Mater. Gestão de Resíduos de Ciclos. 22, 416–442.
da Seção Norte sobre Engenharia Elétrica, Eletrônica, Computação e Telecomunicações (ECTI DAMT- Kaza, SL, Yao, Perinaz, Bhada-Tata, Frank, Van Woerden, 2018. What a Waste 2.0: A Global Snapshot of Solid
NCON), pp. 387–391. Waste Management to 2050. The World Bank.
Cimino, C., Negri, E., Fumagalli, L., 2019. Revisão de aplicações de gêmeos digitais em Khalid, A., Arshad, M., Anjum, M., Mahmood, T., Dawson, L., 2011. A digestão anaeróbica de resíduos
fabricação. Comput. Ind. 113, 103130. orgânicos sólidos. Gestão de Resíduos. (Tucson, Arizona) 31, 1737–1744.
Cimino, C., Ferretti, G., Leva, A., 2020. O papel da dinâmica em gêmeos digitais e sua representação sob Ko, JH, Xu, Q., Jang, Y.-C., 2015. Emissões e controle de sulfeto de hidrogênio em aterros sanitários:
medida para o problema. IFAC-PapersOnLine 53, 10556–10561. Uma revisão. Crit. Rev. Environ. ciência Tecnol. 45, 2043–2083.
Das, S., Lee, SH, Kumar, P., Kim, K.-H., Lee, SS, Bhattacharya, SS, 2019. Gestão de resíduos sólidos: escopo e Kok, JN, Boers, EJ, Kosters, WA, Van der Putten, P., Poel, M., 2009. Inteligência artificial: definição,
desafio da sustentabilidade. J. Limpo. Prod. 228, 658-678. tendências, técnicas e casos. artif. Intel. 1, 270-299.
Kondratenko, Y., Kozlov, O., Gerasin, O., Topalov, A., Korobko, O., 2017. Automação de processos de controle
de Abreu, TN, Bianchi, AGC, Silva, SED, 2021. Aplicação de Métodos de Aprendizado de Máquina para em complexos de pirólise especializados baseados em sistemas web SCADA.
Melhorar o Desempenho da Prensa de Rolo no Processo de Pelotização. In: 2017 9ª Conferência Internacional IEEE sobre Aquisição Inteligente de Dados e Sistemas Avançados
De, S., Debnath, B., 2016. Prevalência de riscos à saúde associados ao descarte de resíduos sólidos - Um de Computação: Tecnologia e Aplicações (IDAACS), vol. 1, pp. 107–112.
estudo de caso de Calcutá, Índia. Procedia Environ. ciência 35, 201–208.
De Villiers, C., Chen, S., jin, C., Zhu, Y., 2014. Carbono sequestrado nas árvores de um campus universitário: Kopparapu, R., Arney, G., Haqq-Misra, J., Lustig-Yaeger, J., Villanueva, G., 2021.
um estudo de caso. Sustentar. Ac., Ger. pol. J. 5, 149–171. Poluição por dióxido de nitrogênio como uma assinatura da tecnologia extraterrestre. Astrofis. J. 908, 164.
Deo, AJ, Sahoo, A., Behera, SK, Das, DP, 2021. Processamento de imagem baseado em aprendizado de
máquina para análise de tamanho de pelotas de minério de ferro. In: 2021 4ª Conferência Internacional L´ezoray, O., Charrier, C., Cardot, H., Lef`evre, S., 2008. Aprendizado de máquina no processamento de
Bienal de Tecnologias Nascentes em Engenharia (ICNTE), pp. 1–5. imagens. EURASIP J. Appl. Processo de sinal. 927950, 2008.
Dlamini, NN, Johnston, K., 2016. O uso, benefícios e desafios do uso da Internet das Coisas (IoT) em empresas Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Aprendizado de máquina na agricultura: uma
de varejo: uma revisão da literatura. In: Conferência Internacional de 2016 sobre Avanços em revisão. Sensores 18.
Engenharia de Computação e Comunicação (ICACCE), pp. 430–436. Logan, M., Safi, M., Lens, P., Visvanathan, C., 2019. Investigando o desempenho da digestão anaeróbica de
resíduos alimentares baseada na internet das coisas. Processo Seg. Ambiente.
Dong, F., Zhao, Q.-B., Li, W.-W., Sheng, G.-P., Zhao, J.-B., Tang, Y., Yu, H.-Q., Kubota, K., Li, Y.-Y., Harada, H., Proteger. 127, 277–287.
2011. Novel Monitoramento online e sistema de alerta para reatores de digestão anaeróbia. Ambiente. Magazzino, C., Mele, M., Schneider, N., 2020. A relação entre resíduos sólidos urbanos e emissões de gases de
ciência Tecnol. 45, 9093–9100. efeito estufa: evidências da Suíça. Gestão de Resíduos. 113, 508–520.
Dugdhe, S., Shelar, P., Jire, S., Apte, A., 2016. Sistema eficiente de coleta de resíduos. In: Conferência
Internacional de 2016 sobre Internet das Coisas e Aplicações (IOTA), pp. 143–147. Maier, MV, 2016. A Internet das Coisas (IoT): qual o potencial da Internet das
Aplicações de Coisas para Marketing de Consumo?.
El Naqa, I., Murphy, MJ, 2015. O que é aprendizado de máquina? In: El Naqa, I., et al. (Eds.), Aprendizado de Mandal, S., Kunhikrishnan, A., Bolan, NS, Wijesekara, H., Naidu, R., 2016. Capítulo 4 - aplicação de biocarvão
Máquina em Oncologia de Radiação: Teoria e Aplicações. Springer International Publishing, Cham, produzido a partir de resíduos biológicos para proteção ambiental e produção agrícola sustentável.
pp. 3–11. In: Prasad, MNV, Shih, K.
El-Fadel, M., Findikakis, AN, Leckie, JO, 1997. Impactos ambientais do aterro de resíduos sólidos. J. Environ. (Eds.), Materiais e Resíduos Ambientais. Academic Press, pp. 73–89.
Gerenciar 50, 1–25. Manik, Sea, 2017. Detecção Facial Usando Deep Learning.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MHDN, 2018. Uma visão geral da internet das coisas (IoT) Mehrdad, SM, Abbasi, M., Yeganeh, B., Kamalan, H., 2021. Previsão de emissão de metano de aterros
e análise de dados na agricultura: benefícios e desafios. sanitários usando modelos de aprendizado de máquina. Ambiente. Prog. Sustentar.
IEEE Internet Things J. 5, 3758–3773. Energia, e13629.
Epstein, E., 2017. A Ciência da Compostagem. Messaoud, S., Bradai, A., Bukhari, SHR, Quang, PTA, Ahmed, OB, Atri, M., 2020.
Farzana, S., Farheen, K., Nagma, K., Zaid, T., 2020. Criação de perfil e análise de resíduos usando aprendizado Uma pesquisa sobre aprendizado de máquina na Internet das Coisas: algoritmos, estratégias e
de máquina. aplicações. Coisas da Internet 12, 100314.
Forster, P., Ramaswamy, V., Artaxo, P., Berntsen, T., Betts, R., Fahey, DW, Haywood, J., Lean, J., Lowe, DC, Michaelis, P., 1995. Administração de produtos, minimização de resíduos e eficiência econômica:
Myhre, G., Nganga , J., Prinn, R., Raga, G., Schulz, M., Van Dorland, R., 2007. Alterações nos lições da Alemanha. J. Environ. Plano Gerenciar 38, 231–244.
constituintes atmosféricos e no forçamento radiativo Capítulo 2. Cambridge University Press, Reino Unido. Molino, A., Larocca, V., Chianese, S., Musmarra, D., 2018. Produção de biocombustíveis por gaseificação
de biomassa: uma revisão. Energias 11, 811.
Garcia-Maraver, A., Carpio, M., 2015. In: Garcia-Maraver, A., P´erez-Jim´enez, JA (Eds.), Factors Affecting Pellet Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A., Nillaor, P., 2019. IoT e
Quality. Padrões e produção de pelotização de biomassa, primeira ed., pp. 21–25. análise de dados agrícolas para fazendas inteligentes. Comput. Elétron.
Agrícola 156, 467–474.
Gardner, N., Manley, BJW, Pearson, JM, 1993. Emissões de gases de aterros sanitários e suas contribuições Nathanson, JA, 2020. Gestão de Resíduos Sólidos. Enciclopédia Britânica.
para o aquecimento global. ApEn 44, 165–174. Naveda, NLB, Jung, JY, Davydov, A., Dhillon, PS, Hung, YH, Lee, M., Radu, J., Bach-Raabe, O., Hayden,
Geng, Y., Fu, J., Sarkis, J., Xue, B., 2012. Rumo a um sistema nacional de indicadores de economia circular na CMT, 2019. Interface de monitoramento de temperatura e gás IoT de um reator de pirólise de baixa
China: uma avaliação e análise crítica. J. Limpo. Prod. 23, 216–224. temperatura para a produção de biocarvão. Em: 2019 IEEE 10ª Conferência Anual de Tecnologia da
Ghiro, L., Restuccia, F., D'Oro, S., Basagni, S., Melodia, T., Maccari, L., Cigno, RL, 2021. Informação, Eletrônica e Comunicação Móvel (IEMCON), pp. 346–351.
O que é um Blockchain? Uma Definição para Esclarecer o Papel do Blockchain na Internet das Coisas
arXiv preprint arXiv:2102.03750. Negri, E., Berardi, S., Fumagalli, L., Macchi, M., 2020. Gêmeo digital integrado ao MES
Ghosh, P., Shah, G., Chandra, R., Sahota, S., Kumar, H., Vijay, VK, Thakur, IS, 2019. quadros. J. Manuf. Sist. 56, 58–71.
Avaliação das emissões de metano e potencial de recuperação de energia dos aterros municipais de Newman, ESJADR, 2008. Análise de detritos de incêndio.
resíduos sólidos de Delhi, Índia. Biorecurso. Tecnol. 272, 611–615. Nikoloudakis, Y., Panagiotakis, S., Markakis, E., Atsali, G., Manios, T., 2016. Compostagem em nuvem:
Gnanaraj, AA, Jayanthi, JG, 2017. Uma estrutura de aplicativo para IoTs permitiu um sistema inteligente de uma abordagem centralizada. In: Conferência Internacional de Telecomunicações e
gerenciamento de reciclagem de resíduos agrícolas. In: Congresso Mundial de Tecnologias de Multimídia de 2016 (TEMU), pp. 1–6.
Computação e Comunicação de 2017 (WCCCT), pp. 1–5. Osayi, J., Iyuke, S., Ogbeide, S., 2014. Produção de biocrude através da pirólise de resíduos
Gopirajan, PV, Gopinath, KP, Sivaranjani, G., Arun, J., 2021. Otimização de pneus. J. Catal. 1–9, 2014.
processo de gaseificação hidrotérmica através da abordagem de aprendizado de máquina: condições Ozbas, EE, Aksu, D., Ongen, A., Aydin, MA, Ozcan, HK, 2019. Produção de hidrogênio via gaseificação de
experimentais, rendimento do produto e poluição. J. Limpo. Prod. 306. biomassa e modelagem por algoritmos de aprendizado de máquina supervisionados.
Govindan, V., Mithuna, R., Srinivasan, G., 2020. Monitoramento baseado em IOT de modelo de aterro IJHE 44, 17260–17268.
constitutivo em escala de laboratório de resíduos alimentares. Mate. Hoje Proc. 33. Pradyumna, G., Bhat, O., Sagar, B., 2018. Introdução à IoT.
Haleem, A., Javaid, M., 2019. Aplicações de manufatura aditiva na indústria 4.0: uma revisão. J. Indústria. Quinton, A., 2019. Vacas e Mudanças Climáticas. Universidade da Califórnia, Davis.
integr. Gerenciar 4. Rahane, SB, 2011. Projeto de nó sensor sem fio e esquema de controle de contorno de tempo para um
Hanumante, NC, Shastri, Y., Hoadley, A., 2019. Avaliação da economia circular para sustentabilidade processo de compostagem.
global usando um modelo integrado. Recurso. Conserva Reciclar. 151, Raj, JR, Rajula, BIP, Tamilbharathi, R., Srinivasulu, S., 2020. UM resíduo baseado em IoT
104460. segregadora para reciclagem de resíduos biodegradáveis e não biodegradáveis. In: 6ª Conferência
Hardtle, ¨ G., Marek, K., Bilitewski, B., 1987. Densificação de combustível residual: tecnologia de Internacional de 2020 sobre Sistemas Avançados de Computação e Comunicação (ICACCS), pp.
granulação, propriedades de manuseio e armazenamento. Recurso. Conserva 14, 235–248. 928–930.
Hoornweg, D., Bhada-Tata, P., 2012. What a Waste: A Global Review of Solid Waste Management. O Raju, K., Thiagarajan, MD, 2021. Separação e classificação automática de resíduos plásticos
Banco Mundial. Usando o modelo de aprendizado profundo.
10
Machine Translated by Google
Reuter, MA, van Schaik, A., Ballester, M., 2018. Limites da economia circular: Aprendizagem Profunda. In: 2016 IEEE Inovações Tecnológicas em TIC para Agricultura e
design modular fairphone ultrapassando os limites. World Metall.–Erzmetall. 71, 68–79. Desenvolvimento Rural (TIAR), pp. 65–70.
Rito, JE, Lopez, NS, Biona, JB, 2021. Modelagem de fluxo de tráfego, uso de energia e emissões usando Ullah, M., Karuppannan Gopalraj, S., Guti´errez Rojas, D., Nardelli, P., Karki, ¨ T., 2021.
Google Maps e Google Street View: o caso da EDSA, Filipinas. Estrutura IoT e Requisito para Processo de Pirólise Industrial Inteligente para Reciclar Resíduos
Sustentabilidade 13. Compostos de CFRP: Estudo de Aplicação.
Rizkiana, J., Guan, G., Widayatno, WB, Hao, X., Huang, W., Tsutsumi, A., Abudula, A., 2014. Efeito do tipo Vijayakumar, N., Ramya, R., 2015. O monitoramento em tempo real da qualidade da água no ambiente
de biomassa no desempenho da cogaseificação de carvão de baixo rank com biomassa a temperaturas IoT. In: Conferência Internacional de 2015 sobre Inovações em Sistemas de Informação,
relativamente baixas. Combustível 134, 414–419. Incorporados e de Comunicação (ICIIECS), pp. 1–5.
Rosen, R., von Wichert, G., Lo, G., Bettenhausen, KD, 2015. Sobre a importância da autonomia e dos Wang, L., Long, F., Liao, W., Liu, H., 2020. Previsão do desempenho da digestão anaeróbica e identificação
gêmeos digitais para o futuro da manufatura. IFAC-PapersOnLine 48, 567–572. de parâmetros operacionais críticos usando algoritmos de aprendizado de máquina. Biorecurso.
Tecnol. 298, 122495.
Roy, S., 2019. O Papel da Tecnologia e da Indústria 4.0 na Transformação de Resíduos Ward, AJ, Hobbs, n., Bruni, E., Lykkegaard, MK, Feilberg, A., Adamsen, APS,
Administração, vol. 2022. Jensen, AP, Poulsen, AK, 2011. Monitoramento em tempo real de um digestor de biogás com
Saha, HN, Auddy, S., Pal, S., Kumar, S., Pandey, S., Singh, R., Singh, AK, Banerjee, S., Ghosh, D., Saha, cromatografia gasosa, espectroscopia de infravermelho próximo e espectrometria de
S., 2017 . Gestão de resíduos usando internet das coisas (IoT). In: 8ª Conferência Anual de Automação massa de entrada de membrana. Biorecurso. Tecnol. 102, 4098.
Industrial e Engenharia Eletromecânica de 2017 (IEMECON), pp. 359–363. Wardhany, V., Hidayat, A., A, M., Subono, S., Afandi, A., 2019. Smart Chopper e
Sistema de Monitoramento para Compostagem de Lixo.
Scarlat, N., Dallemand, J.-F., Fahl, F., 2018. Biogás: desenvolvimentos e perspectivas na Europa. Renovar. Williams, PT, 2013. Tratamento e Disposição de Resíduos. John Wiley & Filhos.
´
Energia 129, 457–472. Wilts, H., Garcia, BR, Garlito, RG, Gomez, LS, Prieto, EG, 2021. Inteligência artificial na triagem
Seo, KW, Seo, J., Kim, K., Ji Lim, S., Chung, J., 2021. Previsão da taxa de produção de biogás a partir da de resíduos urbanos como facilitadora da economia circular.
digestão anaeróbica seca de resíduos alimentares: abordagem baseada em processo versus Recursos 10, 28.
rede neural recorrente preta -modelo caixa. Biorecurso. Tecnol. 341, 125829. Winans, K., Kendall, A., Deng, H., 2017. A história e as aplicações atuais do conceito de economia
Shakun, JD, Clark, PU, He, F., Marcott, SA, Mix, AC, Liu, Z., Otto-Bliesner, B., Schmittner, A., Bard, E., circular. Renovar. Sustentar. Energia Rev. 68, 825–833.
2012. Aquecimento global precedido por aumento concentrações de dióxido de carbono durante a Wu, H.-q., Shi, Y., Xia, Q., Zhu, W.-d., 2014. Eficácia da política de economia circular na China: uma
última deglaciação. Natureza 484, 49–54. análise baseada em DEA para o período de 11 de cinco a plano anual.
Sharma, VK, Fortuna, F., Mincarini, M., Berillo, M., Cornacchia, G., 2000. Descarte de resíduos de pneus Recurso. Conserva Reciclar. 83, 163–175.
para recuperação de energia e ambiente seguro. ApEn 65, 381–394. Xu, W., Long, F., Zhao, H., Zhang, Y., Liang, D., Wang, L., Lesnik, KL, Cao, H., Zhang, Y., Liu, H., 2021
Sharvin Vikas, C., Ganesh Rameshwar, C., Siddhesh Vijay, P., Milendra Amarprakash, D., Vijaykumar, VK, Previsão de desempenho de reator de digestão anaeróbica baseado em ZVI usando algoritmos de
Parre Srinivasa, R., 2021. Máquina de pellets de plástico. Int. Eng. J. Res. aprendizado de máquina. Gestão de Resíduos. (Tucson, Arizona) 121, 59–66.
Dev. 6, 7. Yang, Y., Boom, R., Irion, B., van Heerden, D.-J., Kuiper, P., de Wit, H., 2012. Reciclagem
Sheng, TJ, Islam, MS, Misran, N., Baharuddin, MH, Arshad, H., Islam, MR, de materiais compósitos. Chem. Eng. Processo 51, 53–68.
Chowdhury, MEH, Rmili, H., Islam, MT, 2020. Um sistema de gerenciamento de resíduos inteligente Yang, J., Han, Y., Wang, Y., Jiang, B., Lv, Z., Song, H., 2020. Otimização da atribuição de rede de tráfego em
baseado na Internet das coisas usando LoRa e modelo de aprendizado profundo tensorflow. Acesso tempo real com base em dados IoT usando DBN e modelo de clustering em cidade inteligente.
IEEE 8, 148793–148811. Geração Futura. Comput. Sist. 108, 976-986.
Simic, V., 2013. RECICLAGEM DE VEÍCULOS EM FIM DE VIDA ÚTIL - UMA REVISÃO DO ESTADO Yang, A., Zhuansun, Y., Shi, Y., Liu, H., Chen, Y., Li, R., 2021. Sistema IoT para pellets
ARTE. Tehnicki vjesnik/Technical Gazette. 20. proporcional baseado no modelo de recomendação inteligente BAS. IEEE Trans. Ind. 17, 934-942.
Simiscuka, AA, Markande, TM, Muntean, GM, 2019. Dispositivo do mundo real-virtual
sincronização em uma rede IoT de realidade virtual social habilitada para nuvem. Acesso IEEE 7, Yi, H.-C., Park, JW, 2015. Projeto e implementação de um centro de reciclagem de veículos em fim de vida
106588–106599. baseado em IoT (internet das coisas) na Coreia. Procedia CIRP 29, 728–733.
Singh, N., Raza, M., Paranthaman, VV, Awais, M., Khalid, M., Javed, E., 2021. Capítulo 10 - internet das Zantalis, F., Koulouras, G., Karabetsos, S., Kandris, D., 2019. Uma revisão da máquina
coisas e computação em nuvem. In: Godfrey, A., Stuart, S. (Eds.), Digital Health. Academic Press, pp. aprendizagem e IoT em transporte inteligente. Internet futura 11.
´ 151–162. Zhang, Y., Cui, Y., Chen, P., Liu, S., Zhou, N., Ding, K., Fan, L., Peng, P., Min, M.,
Slusarczyk, B., 2018. Indústria 4.0: estamos prontos? Polonês J. Manag. Viga. 17. Cheng, Y., Wang, Y., Wan, Y., Liu, Y., Li, B., Ruan, R., 2019. Capítulo 14 - tecnologias de gaseificação
Sorensen, PB, 2018. Da economia linear à economia circular: um modelo básico. e seus potenciais energéticos. Em: Taherzadeh, MJ, et al. (Eds.), Recuperação de Recursos
Spagni, A., Marsili-Libelli, S., 2010. Controle de inteligência artificial de um reator de batelada de Sustentáveis e Abordagens de Desperdício Zero. Elsevier, pp. 193–206.
sequenciamento para remoção de nitrogênio via nitrito de lixiviado de aterro. J. Environ. ciência Saúde, Zhong, RY, Xu, X., Klotz, E., Newman, ST, 2017. Manufatura inteligente no contexto da indústria 4.0:
Parte A. 45, 1085–1091. uma revisão. Engenharia 3, 616–630.
Sudha, S., Vidhyalakshmi, M., Pavithra, K., Sangeetha, K., Swaathi, V., 2016. Uma
Método de Classificação Automática para Meio Ambiente: Segregação de Resíduos Amigáveis Usando
11