Machine Translated by Google

Pesquisa Ambiental 213 (2022) 113619

Listas de conteúdos disponíveis em ScienceDirect

Pesquisa Ambiental

página inicial da revista: www.elsevier.com/locate/envres

Projetos inovadores de gestão de resíduos sólidos baseados na indústria

4.0: Maquinário e economia circular digital

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,

43500, Semenyih, Selangor Darul Ehsan, Malásia b

Departamento de Engenharia Química e Ambiental, Faculdade de Ciências e Engenharia, University of Nottingham Malaysia, Jalan Broga, 43500, Semenyih,
Selangor Darul Ehsan, Malásia
c
School of Energy and Chemical Engineering, Xiamen University Malaysia, Jalan Sunsuria, Bandar Sunsuria, 43900, Sepang, Selangor, Malaysia d
Faculdade de Química e Engenharia Química, Universidade de Xiamen, Xiamen, 361005, Fujian, China
e
Instituto de Energia Sustentável, Universiti Tenaga Nasional (UNITEN), Jalan IKRAM-UNITEN, 43000, Kajang, Selangor, Malásia

INFORMAÇÕES DO ARTIGO ABSTRATO

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
A Agência de Proteção Ambiental dos Estados Unidos (EPA) define resíduos sólidos
como qualquer forma de lixo e material descartado, ou lodo produzido a partir de
tratamentos de água ou instalações de controle de poluição do ar como um subproduto
produzido por meio de processos e atividades. A gestão de resíduos sólidos (SWM) é o
processo de coleta, descarte e tratamento de materiais sólidos que não são mais úteis.
Uma implementação adequada de SWM preserva a sustentabilidade, enquanto uma má
implementação de um
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
prejudicial na saúde das pessoas em sua área. De acordo com Hoornweg e Bhada-Tata
(2012), um sistema de SWM serve como pré-requisito para outros serviços municipais,
afirmando que “Uma cidade que não consegue gerir eficazmente os seus resíduos
raramente é capaz de gerir serviços mais complexos, como saúde, educação ou
transporte portação”, enfatizando assim a sua importância relativa.
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.

Endereço de e-mail: kitwayne.chew@xmu.edu.my (KW Chew).

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
CG Cheah et ai.
como jogar lixo em ruas e estradas não pavimentadas (Nathanson, 2020). Mas ao
longo das décadas, à medida que a tecnologia se integrou ao SWM, foram feitas
melhorias. Um dos desafios que a geração atual enfrenta hoje na gestão de nossos
resíduos sólidos é a taxa de crescimento devastador em nossa produção de resíduos
que são influenciados pela industrialização, o aumento da população humana e a
urbanização dos municípios (Hoornweg e Bhada-Tata, 2012 ; Kaza e outros, 2018). A
taxa de geração de resíduos de um país é afetada por fatores como sua geologia,
desenvolvimento econômico, hábitos públicos e clima local. Deduz-se que a alta taxa
de urbanização fez com que os países desenvolvidos contribuíssem mais para o lixo
global (Hoornweg e Bhada-Tata, 2012; Das et al., 2019). A Tabela 1 mostra a
comparação da geração projetada de resíduos sólidos urbanos (RSU) para 2025 entre
diferentes níveis de renda.
Os governos começaram a introduzir lixeiras para as pessoas separarem o lixo em
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,
1995).
Na esteira de uma era conectada e orientada por dados, os avanços tecnológicos
em eletrônicos, software e comunicações forneceram medições maiores e mais
precisas da produção de resíduos sólidos. Isso levou a uma melhor conscientização e
percepção dos problemas incapacitantes enfrentados devido ao aumento na geração
de resíduos catalisada pelo rápido crescimento da população humana e pela
urbanização dos municípios. Portanto, grande atenção tem sido dada à necessidade
de reduzir a poluição e mitigar as ramificações, preservando a sustentabilidade do
nosso meio ambiente para a geração futura. Com a transformação do mundo por meio
do IR 4.0, tecnologias promissoras estão surgindo, como automação inteligente,
Inteligência Artificial (IA) e sistemas ciberfísicos que são habilitados por big data e
Internet das Coisas (IoT) e, levando a sistemas que podem se comunicar entre si
(Slusarczyk, 2018). Como resultado, essas tecnologias poderosas contribuíram
´ para
revolucionar a indústria de resíduos sólidos.
O IR 4.0 oferece a oportunidade de melhorar a eficiência do gerenciamento de
resíduos sólidos por meio de aplicativos digitais e maquinários, eliminando,
recuperando e reaproveitando de forma eficaz os resíduos (Roy, 2019).
No entanto, apenas criar e incorporar novas tecnologias para enfrentar os problemas
de resíduos sólidos não é suficiente. A redução na geração de resíduos merece
destaque significativo. A automatização de determinados processos e a combinação
de dados com IoT permite a monitorização e controlo remotos que eliminam os riscos
e perigos associados a sólidos
trabalhadores de trabalho de resíduos. Com big data e IA, análises avançadas podem
ser sintetizadas para fornecer uma compreensão mais profunda e revelar as relações
subjacentes dentro delas. Tecnologias como aprendizado de máquina (ML) podem ser
usadas para treinar algoritmos em reconhecimento de imagem para automatizar alguns
dos processos de segregação de resíduos (Raju e Thiagarajan, 2021). Fabricantes de
larga escala podem usar dados aproveitados por meio da IoT para obter uma imagem
mais clara de como seus produtos são usados e rastrear padrões de descarte para
nutrir projetos futuros para uma economia verdadeiramente circular.
Neste artigo, é feita uma revisão abrangente da literatura sobre as tecnologias da
Indústria 4.0, juntamente com a descoberta e o potencial de design inovador para
gerenciamento de resíduos, usando palavras-chave como Inteligência Artificial,
Aprendizado de Máquina, Internet das Coisas, Computação em Nuvem e IR 4.0 para
obter periódicos revisados por pares e livros relacionados a este tópico de revisão nos
bancos de dados on-line de várias fontes
tabela 1
Geração urbana de RSU projetada para 2025 entre diferentes níveis de
renda (Hoornweg e Bhada-Tata, 2012).
Nível de renda Projeções para 2025
Per capita (kg/capita/dia)
Menor Renda 0,86
Renda média baixa 1,26
Renda média alta 1,59
Alta renda 2.06
2
Pesquisa Ambiental 213 (2022) 113619
(ou seja, Scopus, ScienceDirect, SpringerLink, Taylor & Francis Online e biblioteca on-
line Wiley). Vários processos em todo o SWM são avaliados juntamente com a
utilização das tecnologias que suportam o desenvolvimento sustentável no que diz
respeito à economia circular, incluindo IoT, IA, ML, integração de sistemas, automação
inteligente e sistemas ciberfísicos.
Estes abrangem a classificação de resíduos, aterramento, compostagem, reciclagem
e etapa de conversão de energia que transformam os resíduos sólidos não recicláveis
em produtos úteis. O uso e as vantagens das tecnologias nessas aplicações
específicas são resumidos. A otimização do sistema de coleta de resíduos com lixeiras
inteligentes, em particular, é mencionada enquanto o método de granulação usado no
processo de reciclagem é especificado. Posteriormente, três tipos de tecnologias de
conversão de energia que são pirólise, gaseificação e digestão anaeróbica são revistos.
2. Gestão de resíduos
2.1. Estado atual da gestão de resíduos
Em 1999, o Banco Mundial projetou que a taxa de resíduos produzidos na Ásia
aumentaria para 1,8 milhões de toneladas por dia (Hoornweg e Bhada-Tata, 2012). Em
2012, verificou-se que essa projeção estava correta e no caminho certo, o que indicava
falta de melhora ao longo da década.
Estima-se que o volume global de resíduos sólidos por ano aumente para 2,2 bilhões
de toneladas anualmente até 2025 e os impactos globais causados por resíduos
sólidos estão aumentando (Hoornweg e Bhada-Tata, 2012). Isso é especialmente
preocupante, pois os resíduos sólidos representam altas e concentradas emissões de
gases de efeito estufa (GEE) em países em desenvolvimento, como metano e dióxido
de carbono, que contribuem para o aquecimento global.
Além disso, a queima a céu aberto libera poluentes nocivos e agentes tóxicos na
atmosfera, comprometendo a qualidade do ar e, consequentemente, a saúde da
população de um país (Ghosh et al., 2019; Magazzino et al., 2020).
Como muitas partes do mundo continuam experimentando um aumento na
população e desenvolvendo comunidades urbanizadas, os resíduos sólidos gerados
estão crescendo mais rápido do que a taxa de urbanização (Hoornweg e Bhada-Tata,
2012). Comunidades desenvolvidas e urbanizadas produzem mais resíduos per capita
devido ao seu maior consumo (Das et al., 2019; Kaza et al., 2018). Portanto, é uma
grande responsabilidade melhorar a GRS implementando e fazendo uso efetivo dos
avanços com a tecnologia do IR 4.0 para eliminar o risco de doenças, reduzir as
emissões nocivas e a poluição. Um método comum de disposição dos resíduos sólidos
é enterrá-los em aterros devido ao seu alto custo de operação (Williams, 2013). É
fundamental que os resíduos sólidos sejam tratados e descartados de forma adequada,
pois o processamento inadequado de resíduos trará consequências negativas. Aterros
não controlados podem levar à poluição do ar devido aos gases nocivos produzidos
pelos resíduos orgânicos. Os resíduos orgânicos despejados e enterrados sofrerão
hidrólise, acidogênese, acetogênese e metanogênese para produzir metano e dióxido
de carbono (El-Fadel et al., 1997) , geralmente conhecidos como dois dos principais
contribuintes para o aquecimento global (Forster et al. , 2007; Shakun et al., 2012).
Além disso, o chorume produzido no aterro é extremamente prejudicial ao meio
ambiente, causando poluição do solo e da água (Bodzek et al., 2006). Ao aprimorar os
métodos de SWM, torna-se mais fácil aliviar e eliminar esses problemas antes que eles
se transformem em problemas mais complexos que são significativamente mais difíceis
e caros de resolver no futuro. A Fig. 1 mostra as principais etapas do SWM.
2.2. Economia circular
O desenvolvimento e o avanço do poder computacional em velocidades vertiginosas
resultaram em um dispositivo que cabe em bolsos que contém praticamente todas as
informações no escopo do conhecimento humano.
No geral, isso nos permitiu ser mais perspicazes e conhecedores devido à facilidade
de distribuição e acesso à informação. Ao combinar sensores com poder computacional,
cientistas e engenheiros
Machine Translated by Google

CG Cheah et ai. Pesquisa Ambiental 213 (2022) 113619

Fig. 1. Etapas da gestão de resíduos.

possuem a capacidade de coletar, processar e analisar dados que nos levaram a

perceber os desafios globais de nossa geração atual, como mudanças climáticas e
consumo excessivo. Um pensamento convincente é que os avanços na tecnologia
parecem ter uma relação um tanto linear com os efeitos negativos em nossa saúde
ambiental. Por exemplo, o desmatamento realizado para sustentar nosso consumo
de produtos acaba reduzindo nossa capacidade de capturar carbono da atmosfera
(De Villiers et al., 2014). Os recursos naturais são extraídos e processados para
construir e alimentar nossos veículos para impulsionar o progresso da humanidade,
mas introduzem emissões de carbono na atmosfera. Desde a 2ª revolução industrial,
foi adotada a pecuária em larga escala, o que contribui com cerca de 14,5% dos
GEE globais (Quinton, 2019). Até os astrônomos procuram poluição extraterrestre
no espaço como um sinal de vida e tecnologia extraterrestre (Kopparapu et al.,
2021).

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.

a insustentabilidade foi iniciada em 185 anos com nível de consumo de 3 enquanto

Precedendo a ideia de reciclar e reaproveitar nossos recursos, foi praticado o
a insustentabilidade foi iniciada em 200 anos com fração de circulação constante
modelo de economia linear (Sorensen, 2018). Esse modelo exercita a extração de
de 0,17. Tendência semelhante é observada com nível de consumo de 6 e 10.
recursos naturais, produzindo produtos, consumindo-os e jogando fora o produto
quando não é mais usado. Com isso, surge uma nova ideia relativa ao modelo de
economia linear. Comumente conhecida como Economia Circular (EC), sua
importância é impulsionada pelo crescimento explosivo nos países em 3. Gestão de resíduos sólidos baseada na Indústria 4.0

desenvolvimento e pela realização de métodos insustentáveis (Winans et al.,

2017). A CE em contraste com a economia linear gira em torno dos princípios dos Desde a invenção dos computadores, os humanos desenvolveram ainda mais

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

no caso não CE, o do IR 4.0 visam automatizar, melhorar e otimizar processos.

Dados em tempo real podem ser usados para obter melhores insights que levam a

3
Machine Translated by Google
CG Cheah et ai.
melhor gerenciamento e tomada de decisão. Esses benefícios podem ser integrados em
muitas, senão todas as aplicações de SWM para aumentar sua eficácia.
A IoT é um paradigma relativamente novo que consiste em uma rede de dispositivos
interconectados que são equipados com sensores e componentes eletrônicos que permitem
processar dados e se comunicar entre si em uma estrutura, transferindo informações através
da internet. Avanços na tecnologia de comunicações e engenharia eletrônica levaram ao
desenvolvimento da infraestrutura necessária para sustentar a existência de IoT (WiFi,
Bluetooth, microcontrolador, etc). Cunhada pela primeira vez por Kevin Ashton em 1999 para
descrever a conexão de dispositivos à internet (Pradyumna et al., 2018), a IoT se desenvolveu
em vários setores, como saúde, transporte e agricultura (Elijah et al., 2018; Singh et al .,
2021; Zantalis et al., 2019). No desenvolvimento de transportes inteligentes, por exemplo, os
telefones celulares funcionam como um dispositivo IoT e podem fornecer localização
geográfica em tempo real para prever o tráfego para calcular uma rota otimizada para
economizar tempo, reduzindo as emissões de carbono e o uso de energia (Rito et al. , 2021;
Yang et al., 2020). Em desenvolvimentos recentes, a manufatura aditiva é uma tecnologia IR
4.0 emergente. Portanto, a aplicação da IoT pode ser benéfica na gestão de resíduos sólidos.
Embora a IoT pareça ser uma tecnologia promissora, ela apresenta suas desvantagens se
não for dada atenção suficiente aos desafios de segurança e privacidade que a acompanham
(Brous et al., 2020; Dlamini e Johnston, 2016). Além disso, a IoT serve como uma plataforma
para aplicações de monitoramento em tempo real, conforme mostrado em Vijayakumar e
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
permite que os problemas subjacentes sejam identificados facilmente e auxilia no planejamento
e na tomada de decisões para projetos futuros.
A IA é definida como o desenvolvimento de computadores que adotam a capacidade de
aprender, tomar decisões sem interrupção humana e corrigir-se de forma semelhante à
inteligência humana (Kok et al., 2009). Esta ferramenta útil pode ser utilizada na gestão de
resíduos sólidos otimizando as rotas de coleta de lixo com base nos dados disponíveis
coletados em tempo real. ML é um subconjunto de
IA. É um algoritmo de computador que pode prever resultados com base em um conjunto de
dados com o qual aprendeu sem exigir instruções humanas externas e foi descrito
anteriormente por cientistas como uma ferramenta IoT para geração preditiva (Messaoud et
al., 2020) . O ML funciona analisando dados por meio de um algoritmo, treinando-o para
reconhecer padrões (El Naqa e Murphy, 2015). Este conjunto de dados pode estar na forma
de áudio ou imagens. Um conjunto de dados de treinamento maior resultará em um algoritmo
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
qualidade das culturas e, em alguns casos, até mesmo capaz de reconhecer espécies (Liakos
et al., 2018). Ele é integrado em quase todos os lugares, desde smartphones para imagens e
processamento aprimorados (L´ezoray et al., 2008), até detecção facial usando redes neurais
de aprendizado profundo (Manik, 2017).
Como o ML funciona bem com um grande conjunto de dados para treinar, mais aplicações
dessa tecnologia podem ser habilitadas produzindo dados abundantes
Fig. 3. Comparação entre IoT e IA.
4
Pesquisa Ambiental 213 (2022) 113619
através da implementação de itens equipados com IoT, onde os dados coletados dos sensores
dos produtos são enviados para uma rede central para serem processados e analisados. Isso
pode abrir caminho para novas áreas de pesquisa devido ao aumento de diferentes tipos de
dados que podem ser coletados e melhorar os dados existentes. O ML pode ser usado em
conjunto com o reconhecimento de imagem para classificar e classificar automaticamente os
resíduos. A Fig. 3 mostra a comparação entre IoT e IA.
Em desenvolvimentos recentes, uma das tecnologias emergentes e proeminentes do IR
4.0 é o uso de manufatura aditiva. A manufatura aditiva (também conhecida como impressão
3D) é um processo computadorizado de criação de produtos 3D depositando material camada
por camada. Este método exclusivo permite a capacidade de criar formas complexas que
antes eram de fabricação muito difícil. Existem várias tecnologias desenvolvidas na
manufatura aditiva, como estereolitografia (SLA), sinterização seletiva a laser (SLS),
modelagem por deposição fundida (FDM), sinterização direta a laser de metal (DMLS) e muito
mais (Ashima et al., 2021) . A adoção dessa tecnologia na manufatura pode trazer benefícios
como a capacidade de fabricar produtos de alta complexidade e melhorar a produtividade ao
reduzir erros humanos durante a fabricação. A manufatura aditiva também pode ser
configurada para um processo mais ecológico, reduzindo o desperdício devido à capacidade
de imprimir os produtos no local sem a necessidade de transporte, reduzindo assim as
emissões e o uso de energia ( Haleem e Javaid, 2019).
Além disso, esta técnica de fabricação de produtos reduzirá efetivamente o desperdício,
evitando a necessidade de processar as matérias-primas antes dos métodos tradicionais de
fabricação, como corte, fresagem, perfuração, etc. e, como resultado, reduzindo o volume de
resíduos gerados.
3.1. classificação de resíduos
3.1.1. Otimização da coleta de resíduos sólidos (lixeiras inteligentes)
Como mencionado anteriormente, um componente desafiador do sistema de
gerenciamento de resíduos de uma cidade é o aumento na produção de resíduos sólidos
domésticos devido à rápida urbanização dos municípios. O crescimento da população traduz-
se na necessidade de uma solução económica e amiga do ambiente. Um método tradicional
de coleta de resíduos sólidos bastante conhecido são as coletas programadas de caminhões.
Essas picapes programadas seguem uma rota regular, sem nenhuma informação sobre se
as lixeiras não preenchidas em determinadas rotas ainda não precisam ser coletadas. Esse
método é considerado ineficiente, caro de operar e também contribui para as emissões
(Sheng et al., 2020). Ao usar tecnologias integradas de IoT, uma melhor gestão da coleta de
resíduos está ao alcance.
Uma lixeira inteligente de compactação alimentada por energia solar foi trabalhada por H.
N. Saha et ai. (2017). É uma compatibilidade de contêiner flexível e está equipada com
sensores para detectar o nível de resíduos dentro da lixeira. Os dados são então
transmitidos para um servidor em nuvem no qual os usuários podem aproveitar os dados
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
produzir um sistema eficaz de coleta de resíduos, alavancando uma maior integração com
locais de gerenciamento de resíduos
Machine Translated by Google
CG Cheah et ai.
(triagem, reciclagem, incineração e compostagem). As rotas automáticas são
calculadas no servidor. Também dá mais controle para os usuários, pois sugere a
implementação de um suporte ao cliente onde a resolução de problemas,
agendamento e planejamento podem ser realizados. Na lixeira inteligente proposta
no trabalho de Dugdhe et al. (2016), um sensor de gás adicional foi adicionado para
detectar os níveis de emissões de metano para evitar acidentes de incêndio durante
altas temperaturas. No geral, esses trabalhos visam utilizar a tecnologia IoT
integrando sensores dentro dos caminhões e lixeiras para coletar informações em
tempo real sobre o status de cada lixeira, incluindo sua localização, nível de
resíduos e emissões de gases nocivos. Com o passar do tempo, dados históricos
podem ser coletados e usados para otimizar ainda mais o processo de coleta e
podem fornecer estimativas aprimoradas e novos insights sobre os padrões de
geração de resíduos sólidos para pesquisas futuras. No entanto, apesar de toda a
redução de emissões e melhoria na economia de energia, mais investigações e
experimentos no mundo real são necessários para determinar a viabilidade
financeira desse sistema.
3.1.2. Separação automatizada e inteligente de sistemas de coleta de resíduos
Mesmo com agendamento e encaminhamento otimizados da coleta de lixo, a
triagem e classificação inadequada dos resíduos levará à perda de recursos dentro
de uma economia devido ao tratamento inadequado dos resíduos, onde os materiais
recicláveis podem ser incinerados ou enterrados no solo para se decompor.
Inovações em eletrônica e software levaram à produção de sistemas precisos que
lidam com reconhecimento de imagem e tomada de decisão automatizada. Como o
ML pode aprender a reconhecer objetos e padrões, pode ser usado para classificar
e separar resíduos, reduzindo a necessidade de trabalho humano. Foi proposto um
sistema que aproveita o processamento de imagens e ML, capaz de identificar e
classificar com precisão os resíduos em vários materiais, como metal, plástico e
vidro (Hulyalkar et al., 2018). Isso automatiza o processo que não requer trabalho
humano para ser funcional.
Em outro trabalho, Farzana et al. (2020) treinaram seu computador para
reconhecer e classificar resíduos em categorias biodegradáveis e não biodegradáveis
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
resíduos usando robótica artificial foi realizada por Wilts et al. (2021). O robô foi
instalado em uma estação de tratamento de resíduos em grande escala em
Barcelona. O robô consiste em uma série de sensores, braços robóticos e uma
câmera junto com um detector de metais acima da correia transportadora. A câmera
funciona como os olhos do sistema para reconhecer e identificar os tipos de
resíduos enquanto os sensores e braços robóticos classificam fisicamente os
resíduos. Concluída a 1ª fase de formação, o sistema foi capaz de reconhecer e
separar até 13 materiais diferentes, como metais ferrosos e não ferrosos, cartão,
madeira, papel, plásticos mistos, resíduos verdes, etc. Ao longo de 4 Após meses
de treinamento, a precisão da máquina foi registrada e a média de pureza de 90%
para todos os materiais. No entanto, a alta precisão do sistema só foi obtida com
uma única camada de resíduos. Os resultados mostraram que o sistema lutou para
identificar e classificar adequadamente os resíduos que estavam sobrepostos. Isso
pode ser benéfico na criação de sistemas automatizados de classificação de
resíduos e, com treinamento e desenvolvimento adequados, pode resultar em
sistemas robustos e mais rápidos que podem ser dimensionados linearmente e
implementados para lidar com o crescimento explosivo na produção de resíduos
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
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,
o desenvolvimento econômico e o clima. Portanto, é fundamental que os sistemas
sejam constantemente atualizados para acompanhar as mudanças nos volumes
de resíduos produzidos.
3.2. Aterro
Um método padrão de descarte de resíduos praticado hoje é o aterro.
5
Pesquisa Ambiental 213 (2022) 113619
Os resíduos sólidos são descartados e geralmente enterrados para preencher os
poços escavados. É um método comum utilizado em todo o mundo devido ao seu
custo operacional relativamente baixo (Williams, 2013). Os aterros sanitários
modernos são bem projetados e bem administrados em países desenvolvidos e
estão estrategicamente localizados em terrenos resistentes a resíduos perigosos.
Nos países em desenvolvimento, os aterros sanitários sem tratamento adequado
antes do descarte são às vezes considerados lixões a céu aberto (Hoornweg e
Bhada-Tata, 2012). Quando os resíduos são trazidos e enterrados em aterros
sanitários, a decomposição dos resíduos produz emissões nocivas (dióxido de
carbono, metano) (Gardner et al., 1993) e lixiviados que resultarão na poluição da
terra e da água (Bodzek et al., 2006). Portanto, os pesquisadores têm feito esforços
para automatizar e melhorar o monitoramento de emissões nocivas.
Govindan et ai. (2020) desenvolveram um sistema de monitoramento de
emissão de gases para um modelo em escala de laboratório de resíduos alimentares.
Ele utilizou sensores que detectam os níveis de metano e dióxido de carbono e
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
técnicas de modelos ML para prever a produção de metano liberada de aterros sanitários.
A temperatura e o vazamento de chorume foram monitorados e três modelos de
ML, como máquina de vetores de suporte, sistema de interface neuro-fuzzy e rede
neural artificial (ANN), foram usados. Em outro estudo, Bagheri et al. (2017)
investigaram a aplicação da lógica fuzzy e ANN no gerenciamento da penetração
de lixiviados de aterros sanitários. Os modelos desenvolvidos mostraram precisão
precisa na determinação da concentração de contaminantes. Também foi descoberto
que o desempenho de uma RNA perceptron multicamada é mais preciso do que a
RNA de função de base radial no contexto desta pesquisa. Da mesma forma,
Abunama et al. (2019) desenvolveram um ANN – Multi-linear perceptron (MLP) para
prever a taxa de geração de chorume em aterros de RSU. Na tentativa de tratar
lixiviados nocivos, Spagni e Marsili-Libelli (2010) identificaram e controlaram com
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
meio de ML e IA ajudaram a automatizar alguns dos processos que normalmente
exigiriam muito trabalho árduo.
Além do metano e do dióxido de carbono, um gás prejudicial conhecido como
sulfeto de hidrogênio (H2S) pode ser liberado de aterros sanitários devido à
biodegradação de resíduos sólidos urbanos (Ko et al., 2015). A exposição ao H2S
pode causar rápida depressão do sistema nervoso central e respiratória.
Robôs autônomos podem potencialmente ser utilizados para mitigar os riscos
associados ao trabalho em aterros sanitários. Como os robôs são
não biológicos, eles podem substituir humanos em condições perigosas com altas
concentrações de gases venenosos. Bennetts et ai. (2013) apresentaram um
instrumento robótico e móvel para medir a concentração de gases em um aterro
sanitário. O robô utiliza um sensor TDLAS para medir remotamente as concentrações
de gás emitindo um feixe. O robô é equipado com motores elétricos e rodas para
permitir que ele navegue no terreno do aterro com a ajuda de módulos de odometria
e GPS. O sensor TDLAS foi ajustado para detectar gases CH4 dentro do aterro. Os
dados são então coletados e compilados para produzir um mapeamento de
distribuição de vazamento de gás de uma área designada. Os resultados do estudo
mostram que o robô foi confiável na determinação da localização da fonte dos
gases. Essa tecnologia inovadora impulsiona o desenvolvimento da automação no
gerenciamento de resíduos sólidos em aterros sanitários.
3.3. compostagem
A compostagem de resíduos é uma forma de reciclar a matéria orgânica por
meio da decomposição biológica em condições aeróbicas. Em condições
controladas, a compostagem produzirá calor causado pela decomposição
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
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
enviam para uma rede de sensores sem fio (WSN). Como esses dados
Machine Translated by Google

CG Cheah et ai. Pesquisa Ambiental 213 (2022) 113619

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

atuadores para monitorar e manipular o ambiente com a capacidade de reutilizar

6
Machine Translated by Google
CG Cheah et ai.
gasto pelos trabalhadores para descobrir o processo de desmantelamento. Além disso, os
dados coletados podem ser usados para melhorar a gestão e apontar erros no processo da
cadeia.
Em 2018, Reuter et al. (2018) realizaram uma extensa análise em um telefone de design
modular, construído em torno da economia circular. Verificou-se que esta abordagem permitiu
maiores vantagens ambientais, como a facilidade de reciclagem ao permitir a desmontagem do
telefone antes do processo de reciclagem, permitindo a máxima recuperação de metais
preciosos. Os autores mencionaram que simulações com dados consistentes são
necessários para um projeto bem-sucedido voltado para as necessidades de reciclagem, a
maioria das quais não estão tecnologicamente disponíveis em escala comercial.
3.4.1. Peletização A
peletização é um método eficaz usado na indústria de reciclagem para reduzir a densidade
e o tamanho dos resíduos biodegradáveis, como o plástico. No processo de peletização, o
material residual solto é alimentado em uma máquina de peletização que comprime o material
por meio de trabalho mecânico (Sharvin Vikas et al., 2021). O tamanho menor do volume
permite a capacidade de transportar e armazenar resíduos com mais eficiência (Hardtle ¨ et al.,
1987; Sharvin Vikas et al., 2021). Além das aplicações de plástico, o aumento da densidade do
combustível residual por meio da peletização resulta em características de combustão positivas,
como aumento da densidade do combustível (Hardtle ¨ et al., 1987).
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
bastante preciso e capaz de identificar os tamanhos dos pellets com sucesso. A otimização
adicional do processo de peletização por meio de ML foi explorada por de Abreu. T. N et al. (de
Abreu et al., 2021) por meio do qual um algoritmo foi treinado para realizar a análise de
desempenho em tempo real do sistema de prensa de rolos dentro da máquina de peletização.
Os dados são coletados dos sensores na máquina de granulação ao longo do tempo. Em
seguida, o algoritmo preditivo é treinado para mapear automaticamente os dados em tempo
real do sistema para as variáveis influentes que afetam o desempenho da prensa de rolos,
como torque do motor, umidade e desalinhamento do rolo. Isso cria um poderoso diagnóstico
em tempo real do estado atual da prensa de rolos, que anteriormente exigia um tedioso processo
de coleta manual e correlação de dados que só está disponível após o processamento. Essas
implementações poderiam ser aplicadas na peletização de combustível residual para
automatizar a segregação de pelotas com base na forma e tamanho ideais para recuperação
efetiva de energia. Também pode ser usado para melhorar o tempo de atividade operacional
do equipamento de peletização, reduzindo a carga de trabalho necessária para diagnosticá-lo.
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. Tecnologias de conversão de energia
De acordo com o Departamento de Qualidade Ambiental em Oregon, EUA, a tecnologia de
conversão é a transformação de resíduos sólidos que não podem ser reciclados em produtos
úteis como combustível, calor, eletricidade e vapor. Resíduos como alimentos orgânicos,
esterco, graxa e óleo podem passar por processos mecânicos, térmicos ou biológicos para
atingir esse resultado. Existem vários tipos de processos de conversão de energia dos quais
são digestão anaeróbica, pirólise e gaseificação.
3.5.1. Pirólise Uma
das técnicas de conversão praticadas hoje é a pirólise. É definida como a decomposição
da matéria orgânica por altas temperaturas em
7
Pesquisa Ambiental 213 (2022) 113619
um ambiente livre de oxigênio (Mandal et al., 2016). A pirólise lenta é um método usado para
produzir biocarvão e biogás a 300 ÿC–550 ÿC. Ela produz bio-óleo líquido como subproduto,
enquanto a pirólise rápida é usada para produzir gás, cujos subprodutos são líquidos e biocarvão
muito baixo em temperaturas acima de 600 ÿC . A pirólise é importante no contexto da análise
de detritos de incêndio, pois fornece recuperação significativa de produtos químicos nas
amostras durante a análise laboratorial (Newman, 2008).
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
municipais (MPW) por meio do uso de Controle de Supervisão e Aquisição de Dados (SCADA)
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
de controle e automação são controlados através de camadas bifurcadas de hardware e
software integrados, com atuadores envolvidos na manipulação da utilização do MPW, para as
unidades de controle e saídas de monitoramento em tempo real. Também foram desenvolvidos
algoritmos de controle para detectar anomalias em caso de emergência. Um estudo (Ullah et
al., 2021) foi feito para investigar a viabilidade de incorporar a tecnologia IoT na pirólise de
resíduos de polímero reforçado com fibra de carbono acumulado (CFRP). Um servidor central
coletará dados dos sensores e controlará os atuadores para ajustar seus parâmetros por meio
de um sistema de controle para recuperar parte do calor gerado. Os resultados sugerem que a
implementação da IoT trará benefícios na diminuição do consumo de energia e na aceleração
da pirólise
processo.
Outros trabalhos que implementam a tecnologia da Indústria 4.0 foram feitos por Naveda
et al. (2019) na tentativa de otimizar múltiplas variáveis em um reator de pirólise que afetam a
qualidade e as propriedades do biocarvão. Ele idealiza uma interface para monitorar várias
concentrações de gás e temperaturas em todo o reator, alertando os operadores quando eles
excedem o limite especificado. A energia preciosa é desperdiçada com o aterro de pneus, pois
a energia pode ser recuperada através da pirólise (Sharma et al., 2000). Um método de
extração de biocombustível de pneus foi proposto por Osayi et al. (2014) através da degradação
térmica. No entanto, como as características do biocombustível produzido variam muito em
função de fatores como a composição da ração, temperatura e pressão ambiente, esse método
consiste em várias etapas que requerem supervisão e conhecimento humanos. Como
resultado, uma proposta foi feita por Bhyri (2020) para produzir um sistema para automatizar a
extração de bio-crude/biocombustível com o uso de IoT em pneus inservíveis. Isso resultou na
capacidade do sistema de manter condições ideais por meio de entradas, atuadores e um
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.
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
(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
biocombustíveis (Molino et al., 2018).
Uma proposta recente desenvolveu um sistema de otimização baseado em ML em
gaseificação hidrotérmica (HTG) que é capaz de otimizar as condições do processo com base
nas propriedades da biomassa (Gopirajan et al., 2021). HTG produz hidrogênio para recuperação
de energia. Como a qualidade da gaseificação depende de uma infinidade de parâmetros, como
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
gás de produto que foi coletado em mais de 21 publicações anteriores. Então, os dados reais
de biomassa coletados são
Machine Translated by Google
CG Cheah et ai.
comparado com o conjunto de dados de treinamento. Finalmente, uma função Adaptive
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
concentração de hidrogênio produzido pela gaseificação.
Modelos de análise preditiva, como regressão linear e regressão em árvore de decisão,
foram incorporados. Foi usado um conjunto de dados de treinamento menor que foi
coletado por meio de experimentos de laboratório. A partir do resultado, os valores
experimentais e os valores preditos apresentaram alta similaridade com valor de 0,99.
2er Assim, os autores sugeriram que os modelos de ML propostos poderiam ser
usados na modelagem de vários produtos de gaseificação com diferentes estruturas de
modelo e condições experimentais sem alteração adicional.
Um interessante trabalho de Chaiwong et al. (2019) apresenta o sistema de
monitoramento sem fio e remoto para um fogão de gaseificação que utiliza o gás de
síntese produzido por meio da gaseificação. O autor observa que os fogões a biomassa
são mais eficientes quando comparados ao fogão tradicional. O sistema está equipado
com um computador Raspberry Pi que está conectado à internet e fornece rastreamento
em tempo real do status do fogão. O usuário pode controlar remotamente o fluxo de ar
de admissão para várias condições de combustão por meio de um aplicativo de celular
que manipula os sinais de modulação por largura de pulso.
3.5.3. Digestão anaeróbica
Outra forma eficaz de tecnologias de tratamento de resíduos é a digestão anaeróbica.
É um processo biológico de decomposição de resíduos orgânicos por meio da
decomposição microbiana em um ambiente sem oxigênio (2021a; Khalid et al., 2011).
Os resíduos orgânicos são geralmente colocados em um reator selado e deixados para
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).
O uso de ML está surgindo em trabalhos que visam prever desempenhos em
reatores de digestão anaeróbia e auxiliar na melhoria da eficiência e controle dos
processos. O uso de ML para prever os desempenhos da digestão anaeróbica permite
que os operadores coletem informações valiosas para aprimorar os projetos industriais
(Xu et al., 2021) , que anteriormente era um método extremamente tedioso e demorado,
permitindo-lhes otimizar sua estratégia operacional. Em um estudo, Seo et al. (2021)
implementou uma rede neural recorrente para desenvolver um modelo de previsão
eficaz para estimar a produção de biogás como um produto através da digestão
anaeróbica de resíduos alimentares. Wang et ai. (2020) aplicaram algoritmos de ML
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.
Dong e outros. (2011) apresentaram um novo sistema de monitoramento on-line
automatizado para reatores de digestão anaeróbica capaz de produzir um diagnóstico
preciso dos sistemas do reator. Além disso, abrigava um sistema de alerta para possíveis
riscos, como sobrecarga e altas temperaturas.
Logan et ai. (2019) , por sua vez, desenvolveram um sistema de monitoramento remoto
para digestão anaeróbia e avaliaram seu desempenho em resíduos de origem alimentar.
Por meio dessa implementação de IoT, resultou em melhor operação e manutenção
devido a uma forma mais consolidada de dados que aumentou a capacidade do
operador do reator de controlar o desempenho dos processos das usinas. No entanto,
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
três modelos de ML (Random Forest, Extreme Gradient Boosting, Deep Learning) na
previsão de um reator de digestão anaeróbica baseado em ferro valente zero (ZVI) e
descobriu que o algoritmo Extreme Gradient Boosting forneceu a maior precisão e
viabilidade em prevendo a taxa de produção de metano com uma raiz quadrada média
de erro de 21,09. Foi destacado que o rendimento de metano é muito influenciado pelo
tamanho de partícula e dosagens de ZVI.
8
Pesquisa Ambiental 213 (2022) 113619
4. Desafios e tendências futuras
O desenvolvimento múltiplo é necessário para uma implementação mais completa
das tecnologias na gestão de resíduos sólidos. A pesquisa atual e o trabalho realizado
baseiam-se 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 uma
escala maior. Além disso, é caro implementar esse tipo de tecnologia inovadora devido
à necessidade de novas infraestruturas. As atuais instalações e sistemas de TI podem
exigir alguma adaptação e, no caso da gestão de resíduos sólidos, sua diversidade e
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
sensores, comunicação sem fio e recursos de computação, seria caro desenvolver,
implementar e manter. Além disso, pode ser difícil obter uma força de trabalho
qualificada com uma ampla gama de conhecimentos técnicos necessários para
desenvolver e aplicar esses sistemas de ponta. Portanto, o ensino técnico precisará de
tempo para evoluir para atender às demandas atuais. Além disso, mais recursos
precisariam ser investidos na segurança do sistema baseado em IoT para evitar que
ataques maliciosos interrompam a cadeia de SWM ou manipulem os dados armazenados
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
transações e rastreamento de ativos (dados) em uma rede ponto a ponto. Isso significa
que as informações armazenadas em um armazenamento baseado em blockchain são
impossíveis de manipular sem conluio, tornando-se um alvo difícil para ataques
cibernéticos. No entanto, em contraste com isso, Ghiro et al. (2021) argumentou que a
tecnologia blockchain não é apropriada para proteger aplicativos IoT.
Outro desafio é que as principais tecnologias da Indústria 4.0 dependem fortemente
da eletrônica. Um exemplo disso é o uso de computadores, sensores e conectividade
sem fio para rastrear e otimizar as rotas para agendamentos eficientes de coleta de lixo,
reduzindo efetivamente as emissões e o uso de energia. Outro exemplo é o uso de RFID
e comunicações sem fio permitem a rastreabilidade de materiais para entender melhor
as oportunidades na economia circular. No entanto, ao implementar essas tecnologias,
é imprescindível entender que os recursos eletrônicos utilizados para dar suporte a
essas aplicações constituem-se como lixo. Portanto, mais pesquisas são incentivadas
sobre a reciclagem desses eletrônicos, bem como pesquisas para determinar
empiricamente a viabilidade dessa tecnologia.
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
emparelha com o objeto físico por meio de sensores que permitem que o sistema virtual
imite sua contraparte física, permitindo a capacidade de simular o desempenho do
objeto físico sob várias condições extremas. Essa tecnologia tem despertado o interesse
em desenvolvimento por parte das empresas e visa proporcionar uma melhor análise
sobre como os processos são afetados (Cimino et al., 2019, 2020; Negri et al., 2020).
Como o DT usa sensores e dispositivos IoT, dados em tempo real podem ser extraídos
e usados para prever possíveis falhas no futuro, o que reduz o custo de manutenção.
Isso foi feito no contexto da manufatura inteligente para melhorar o tempo de atividade
operacional (Zhong et al., 2017).
É caro implementar um sistema SMW completo e integrado de ponta a ponta que
incorpore a tecnologia IR 4.0 destinada a melhorar e otimizar todos os processos em
toda a cadeia de gerenciamento de resíduos. Como resultado, a tecnologia Digital Twin
pode ser usada para realizar uma simulação de avaliação de risco acelerada em escala
real para identificar falhas de processo e realizar testes para determinar e melhorar a
robustez do sistema antes que uma implementação no mundo real seja realizada.
Pesquisas futuras sobre isso podem valer a pena, porque é um conceito pioneiro no
contexto de SWM.
A introdução de tecnologias inovadoras é cara, especialmente neste contexto,
devido à infraestrutura necessária para suportar o IR 4.0
Machine Translated by Google
CG Cheah et ai.
Tecnologia. Este sistema SWM abrangente incorpora tecnologias IR 4.0 que são dispendiosas
para desenvolver, implementar e manter, especialmente com uma abordagem de tentativa e
erro. Portanto, explorar esta área de pesquisa pode abrir oportunidades para reduzir o custo
incorrido com a prototipagem tradicional. Além disso, riscos inesperados não representariam
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
resultará em um modelo totalmente interativo, onde cenários virtuais podem ser criados para
testar como o
sistema funcionaria na vida real se submetido a essas condições. Este modelo interativo servirá
como um modelo de referência para a implementação real do SWM inicialmente e, à medida
que a implementação do mundo real for construída, o sistema virtual será emparelhado com o
físico por meio de sensores para funcionar como um sistema de monitoramento em tempo real .
Portanto, mais pesquisas são necessárias para uma integração ponta a ponta abrangente do
mundo real, com o objetivo de otimizar todos os processos dentro da cadeia de gerenciamento
de resíduos sólidos.
5. Conclusões
Esta revisão aprofundou em pesquisas relacionadas aos atuais
sinais que abrangem as tecnologias da Indústria 4.0. Com o objetivo de facilitar e auxiliar
pesquisas futuras, foi realizado um levantamento da literatura existente e os resultados foram
resumidos. A Indústria 4.0 permanece na vanguarda da pesquisa tecnológica e, como resultado,
a literatura é consideravelmente dinâmica.
A importância do SWM foi introduzida juntamente com as consequências negativas que
incorrerão se o SWM for negligenciado. Um dos principais desafios que a geração atual enfrenta
é a taxa de crescimento devastadora da geração de resíduos devido à rápida urbanização dos
municípios e, como resultado, produz os impactos globais associados, como as emissões de
GEE que contribuem para o aquecimento global. A prática atual na indústria de gerenciamento
de resíduos foi pesquisada e resumida. Melhorias nos métodos de SWM promovem a capacidade
de aliviar e eliminar os problemas correspondentes antes que eles se transformem em
problemas mais complexos que são significativamente mais difíceis de resolver no futuro.
Em termos de métodos de gestão de resíduos mais amigos do ambiente e económicos, foi
então apresentado o conceito de Economia Circular como um passo na direção certa para
preservar a sustentabilidade através dos 6Rs (Repensar, Recusar, Reduzir, Reutilizar, Reciclar,
Reparar) onde a sua a implementação deve ser investigada e realizada para gerenciar a taxa
de consumo que atualmente supera o limite do qual a Terra é capaz de se regenerar
anualmente. Verificou-se que as melhorias tecnológicas no espaço de SWM por si só não são
suficientes e, portanto, uma ênfase significativa deve ser colocada na redução da geração de
resíduos. As principais tecnologias da Indústria 4.0, como ML, IA, IoT e Computação em
Nuvem, foram brevemente explicadas com seus recursos e funcionalidades, juntamente com o
possível benefício que pode ser obtido se incorporado ao SWM. Um total de 37 exemplos foram
apresentados e avaliados em 5 categorias (classificação de resíduos, aterros sanitários,
compostagem, reciclagem, tecnologias de conversão de energia).
Na próxima estrutura da literatura, foram apresentados os desafios enfrentados na
incorporação de tecnologias da Indústria 4.0 em SWM. A implementação dessas novas
tecnologias será dispendiosa devido à necessidade de novas infraestruturas, e pode ser difícil
obter uma força de trabalho qualificada com uma ampla gama de conhecimentos técnicos
necessários para desenvolver e aplicar esses sistemas de ponta. Como a Indústria 4.0 gira em
torno da IoT, mais recursos precisariam ser investidos na segurança do sistema baseado em
IoT para evitar que ataques maliciosos interrompam a cadeia de SWM ou manipulem os dados
armazenados nos servidores.
Pela implicação do autor, 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 uma escala maior. Uma possível solução para essa
abordagem pode envolver o uso de Gêmeos Digitais, uma tendência nas pesquisas atuais.
Tecnologia Digital Twin
9
Pesquisa Ambiental 213 (2022) 113619
pode ser usado para realizar uma simulação de avaliação de risco acelerada em escala real
para identificar falhas de processo e realizar testes para determinar e melhorar a robustez do
sistema antes que uma implementação no mundo real seja realizada, reduzindo bastante o
custo que pode ser incorrido por meio de prototipagem tradicional.
A aplicação de tecnologias IR 4.0 como IoT e computação em nuvem, integração de
sistemas, automação inteligente e sistemas ciberfísicos mostram oportunidades promissoras na
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
usados para obter melhores insights para melhorar a tomada de decisões e o gerenciamento,
ao mesmo tempo em que permite a automação de sistemas inteligentes. RFID e 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.
Declaração do autor do crédito
Chor Gene Cheah: curadoria de dados, visualização, metodologia, redação - rascunho
original, redação - revisão e edição. Wen Yi Chia: Conceituação, Investigação, Redação -
revisão e edição. Shuet Fen Lai: Metodologia, Validação, Redação - revisão e edição. Kit
Wayne Chew: aquisição de financiamento, administração de projetos, recursos, supervisão,
redação - revisão e edição. Shir Reen Chia: Conceitualização, Metodologia. Pau Loke Show:
Conceituação, Validação, Supervisão.
Declaração de interesse concorrente
Os autores declaram que não têm interesses financeiros concorrentes conhecidos ou
relacionamentos pessoais que possam parecer influenciar o trabalho relatado neste artigo.
Reconhecimento
Este trabalho foi financiado pelo Xiamen University Malaysia Research Fund (número do
subsídio: XMUMRF/2021-C7/IENG/0033) e pela Hengyuan International Sdn. Bhd.
Referências
Abunama, T., Othman, F., Ansari, M., El-Shafie, A., 2019. Taxa de geração de chorume
modelagem usando algoritmos de inteligência artificial auxiliados pelo método de otimização de entrada
para um aterro sanitário de RSU. Ambiente. ciência Poluir. Res. 26, 3368–3381.
Ali, MI, Ono, N., Kaysar, M., Shamszaman, ZU, Pham, T.-L., Gao, F., Griffin, K., Mileo, A.,
2017. Evento e análise de dados em tempo real detecção para sistemas de
comunicação habilitados para IoT . J. Web Seman. 42, 19–37.
Ashima, R., Haleem, A., Bahl, S., Javaid, M., Kumar Mahla, S., Singh, S., 2021.
Automação e fabricação de materiais inteligentes em tecnologias de manufatura aditiva usando
Internet das Coisas para a adoção da indústria 4.0. Mate.
Hoje Proc. 45, 5081–5088.
Bagheri, M., Bazvand, A., Ehteshami, M., 2017. Aplicação de inteligência artificial para o
gerenciamento da penetração de lixiviados de aterros sanitários nas águas subterrâneas
e avaliação de seus impactos ambientais. J. Limpo. Prod. 149, 784-796.
Banyai, T., Tamas, P., Illes, B., Stankeviciute, Z., Banyai, A., 2019. Otimização da rota de
coleta de resíduos municipais: impacto das tecnologias da indústria 4.0 na
consciência ambiental e sustentabilidade. Int. J. Environ. Res. Publ. Saúde 16.
Bartl, A., 2014. Passando da reciclagem para a prevenção de resíduos: uma revisão das barreiras e
possibilidades. Gestão de Resíduos. Res. 32, 3–18.
Bennetts, VMH, Lilienthal, AJ, Khaliq, AA, Ses´e, VP, Trincavelli, M., 2013. Rumo ao
mapeamento de distribuição de gás no mundo real e localização de vazamentos usando
um robô móvel com recursos de detecção remota e 3D de gás. In: 2013 IEEE International
Conference on Robotics and Automation, pp. 2335–2340.
Bhoir, R., Thakur, R., Tambe, P., Borase, R., Pawar, S., 2020. Projeto e implementação de sistema de
compostagem inteligente usando IOT. In: 2020 IEEE International Conference for Innovation in
Technology (INOCON), pp. 1–5.
Bhyri, C., 2020. Protótipo de controle automático para extração de biocrude de resíduos de pneus usando IoT.
Int. J. Eng. Res. V9.
Machine Translated by Google
CG Cheah et ai.
Bodzek, M., Lobos-Moysa, E., Zamorowska, M., 2006. Remoção de compostos orgânicos de lixiviados de aterros
municipais em um biorreator de membrana, vol. 198. Elsevier BV
Todos os direitos reservados Dessalinização, pp. 16–23.
Brous, P., Janssen, M., Herder, P., 2020. Os efeitos duplos da Internet das Coisas (IoT): uma revisão sistemática
dos benefícios e riscos da adoção da IoT pelas organizações. Int. j.
Inf. Gerenciar 51.
´
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
controle de compostagem inteligente. Medição 47, 483–495.
Chaiwong, K., Karnjanapiboon, C., Wichan, N., Jaiinta, N., Thawonngamyingsakul, C., 2019. Monitoramento de
temperatura baseado em IoT e controle de otimização de entrada de ar para fogão de gaseificação. Em:
Conferência Internacional Conjunta de 2019 sobre Artes Digitais, Mídia e Tecnologia com ECTI Conferência
da Seção Norte sobre Engenharia Elétrica, Eletrônica, Computação e Telecomunicações (ECTI DAMT-
NCON), pp. 387–391.
Cimino, C., Negri, E., Fumagalli, L., 2019. Revisão de aplicações de gêmeos digitais em
fabricação. Comput. Ind. 113, 103130.
Cimino, C., Ferretti, G., Leva, A., 2020. O papel da dinâmica em gêmeos digitais e sua representação sob
medida para o problema. IFAC-PapersOnLine 53, 10556–10561.
Das, S., Lee, SH, Kumar, P., Kim, K.-H., Lee, SS, Bhattacharya, SS, 2019. Gestão de resíduos sólidos: escopo e
desafio da sustentabilidade. J. Limpo. Prod. 228, 658-678.
de Abreu, TN, Bianchi, AGC, Silva, SED, 2021. Aplicação de Métodos de Aprendizado de Máquina para
Melhorar o Desempenho da Prensa de Rolo no Processo de Pelotização.
De, S., Debnath, B., 2016. Prevalência de riscos à saúde associados ao descarte de resíduos sólidos - Um
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:
um estudo de caso. Sustentar. Ac., Ger. pol. J. 5, 149–171.
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
Bienal de Tecnologias Nascentes em Engenharia (ICNTE), pp. 1–5.
Dlamini, NN, Johnston, K., 2016. O uso, benefícios e desafios do uso da Internet das Coisas (IoT) em empresas
de varejo: uma revisão da literatura. In: Conferência Internacional de 2016 sobre Avanços em
Engenharia de Computação e Comunicação (ICACCE), pp. 430–436.
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.,
2011. Novel Monitoramento online e sistema de alerta para reatores de digestão anaeróbia. Ambiente.
ciência Tecnol. 45, 9093–9100.
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.
El Naqa, I., Murphy, MJ, 2015. O que é aprendizado de máquina? In: El Naqa, I., et al. (Eds.), Aprendizado de
Máquina em Oncologia de Radiação: Teoria e Aplicações. Springer International Publishing, Cham,
pp. 3–11.
El-Fadel, M., Findikakis, AN, Leckie, JO, 1997. Impactos ambientais do aterro de resíduos sólidos. J. Environ.
Gerenciar 50, 1–25.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MHDN, 2018. Uma visão geral da internet das coisas (IoT)
e análise de dados na agricultura: benefícios e desafios.
IEEE Internet Things J. 5, 3758–3773.
Epstein, E., 2017. A Ciência da Compostagem.
Farzana, S., Farheen, K., Nagma, K., Zaid, T., 2020. Criação de perfil e análise de resíduos usando aprendizado
de máquina.
Forster, P., Ramaswamy, V., Artaxo, P., Berntsen, T., Betts, R., Fahey, DW, Haywood, J., Lean, J., Lowe, DC,
Myhre, G., Nganga , J., Prinn, R., Raga, G., Schulz, M., Van Dorland, R., 2007. Alterações nos
constituintes atmosféricos e no forçamento radiativo Capítulo 2. Cambridge University Press, Reino Unido.
Garcia-Maraver, A., Carpio, M., 2015. In: Garcia-Maraver, A., P´erez-Jim´enez, JA (Eds.), Factors Affecting Pellet
Quality. Padrões e produção de pelotização de biomassa, primeira ed., pp. 21–25.
Gardner, N., Manley, BJW, Pearson, JM, 1993. Emissões de gases de aterros sanitários e suas contribuições
para o aquecimento global. ApEn 44, 165–174.
Geng, Y., Fu, J., Sarkis, J., Xue, B., 2012. Rumo a um sistema nacional de indicadores de economia circular na
China: uma avaliação e análise crítica. J. Limpo. Prod. 23, 216–224.
Ghiro, L., Restuccia, F., D'Oro, S., Basagni, S., Melodia, T., Maccari, L., Cigno, RL, 2021.
O que é um Blockchain? Uma Definição para Esclarecer o Papel do Blockchain na Internet das Coisas
arXiv preprint arXiv:2102.03750.
Ghosh, P., Shah, G., Chandra, R., Sahota, S., Kumar, H., Vijay, VK, Thakur, IS, 2019.
Avaliação das emissões de metano e potencial de recuperação de energia dos aterros municipais de
resíduos sólidos de Delhi, Índia. Biorecurso. Tecnol. 272, 611–615.
Gnanaraj, AA, Jayanthi, JG, 2017. Uma estrutura de aplicativo para IoTs permitiu um sistema inteligente de
gerenciamento de reciclagem de resíduos agrícolas. In: Congresso Mundial de Tecnologias de
Computação e Comunicação de 2017 (WCCCT), pp. 1–5.
Gopirajan, PV, Gopinath, KP, Sivaranjani, G., Arun, J., 2021. Otimização de
processo de gaseificação hidrotérmica através da abordagem de aprendizado de máquina: condições
experimentais, rendimento do produto e poluição. J. Limpo. Prod. 306.
Govindan, V., Mithuna, R., Srinivasan, G., 2020. Monitoramento baseado em IOT de modelo de aterro
constitutivo em escala de laboratório de resíduos alimentares. Mate. Hoje Proc. 33.
Haleem, A., Javaid, M., 2019. Aplicações de manufatura aditiva na indústria 4.0: uma revisão. J. Indústria.
integr. Gerenciar 4.
Hanumante, NC, Shastri, Y., Hoadley, A., 2019. Avaliação da economia circular para sustentabilidade
global usando um modelo integrado. Recurso. Conserva Reciclar. 151,
104460.
Hardtle, ¨ G., Marek, K., Bilitewski, B., 1987. Densificação de combustível residual: tecnologia de
granulação, propriedades de manuseio e armazenamento. Recurso. Conserva 14, 235–248.
Hoornweg, D., Bhada-Tata, P., 2012. What a Waste: A Global Review of Solid Waste Management. O
Banco Mundial.
10
Pesquisa Ambiental 213 (2022) 113619
Hulyalkar, S., Deshpande, R., Makode, K., Kajale, S., 2018. Implementação de smartbin usando redes neurais
convolucionais.
Javaid, M., Haleem, A., Pratap Singh, R., Khan, S., Suman, R., 2021. Blockchain
aplicações de tecnologia para a Indústria 4.0: uma revisão baseada na literatura. Blockchain: Res.
Appl. 2, 100027.
Jessica, LP, Lacy, Weslet, Spindler, 2019. The Circular Economy Handbook: Realizing the Circular Advantage.
Jo, RS, Lu, M., Raman, V., Then, PHH, 2019. Projeto e Implementação de IoT
Sistema de monitoramento de compostagem ativado. In: 2019 IEEE 9th Symposium on Computer
Applications & Industrial Electronics (ISCAIE), pp. 23–28.
Karagoz, S., Aydin, N., Simic, V., 2020. Gestão de veículos em fim de vida: uma revisão
abrangente. J. Mater. Gestão de Resíduos de Ciclos. 22, 416–442.
Kaza, SL, Yao, Perinaz, Bhada-Tata, Frank, Van Woerden, 2018. What a Waste 2.0: A Global Snapshot of Solid
Waste Management to 2050. The World Bank.
Khalid, A., Arshad, M., Anjum, M., Mahmood, T., Dawson, L., 2011. A digestão anaeróbica de resíduos
orgânicos sólidos. Gestão de Resíduos. (Tucson, Arizona) 31, 1737–1744.
Ko, JH, Xu, Q., Jang, Y.-C., 2015. Emissões e controle de sulfeto de hidrogênio em aterros sanitários:
Uma revisão. Crit. Rev. Environ. ciência Tecnol. 45, 2043–2083.
Kok, JN, Boers, EJ, Kosters, WA, Van der Putten, P., Poel, M., 2009. Inteligência artificial: definição,
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
em complexos de pirólise especializados baseados em sistemas web SCADA.
In: 2017 9ª Conferência Internacional IEEE sobre Aquisição Inteligente de Dados e Sistemas Avançados
de Computação: Tecnologia e Aplicações (IDAACS), vol. 1, pp. 107–112.
Kopparapu, R., Arney, G., Haqq-Misra, J., Lustig-Yaeger, J., Villanueva, G., 2021.
Poluição por dióxido de nitrogênio como uma assinatura da tecnologia extraterrestre. Astrofis. J. 908, 164.
L´ezoray, O., Charrier, C., Cardot, H., Lef`evre, S., 2008. Aprendizado de máquina no processamento de
imagens. EURASIP J. Appl. Processo de sinal. 927950, 2008.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Aprendizado de máquina na agricultura: uma
revisão. Sensores 18.
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.
Proteger. 127, 277–287.
Magazzino, C., Mele, M., Schneider, N., 2020. A relação entre resíduos sólidos urbanos e emissões de gases de
efeito estufa: evidências da Suíça. Gestão de Resíduos. 113, 508–520.
Maier, MV, 2016. A Internet das Coisas (IoT): qual o potencial da Internet das
Aplicações de Coisas para Marketing de Consumo?.
Mandal, S., Kunhikrishnan, A., Bolan, NS, Wijesekara, H., Naidu, R., 2016. Capítulo 4 - aplicação de biocarvão
produzido a partir de resíduos biológicos para proteção ambiental e produção agrícola sustentável.
In: Prasad, MNV, Shih, K.
(Eds.), Materiais e Resíduos Ambientais. Academic Press, pp. 73–89.
Manik, Sea, 2017. Detecção Facial Usando Deep Learning.
Mehrdad, SM, Abbasi, M., Yeganeh, B., Kamalan, H., 2021. Previsão de emissão de metano de aterros
sanitários usando modelos de aprendizado de máquina. Ambiente. Prog. Sustentar.
Energia, e13629.
Messaoud, S., Bradai, A., Bukhari, SHR, Quang, PTA, Ahmed, OB, Atri, M., 2020.
Uma pesquisa sobre aprendizado de máquina na Internet das Coisas: algoritmos, estratégias e
aplicações. Coisas da Internet 12, 100314.
Michaelis, P., 1995. Administração de produtos, minimização de resíduos e eficiência econômica:
lições da Alemanha. J. Environ. Plano Gerenciar 38, 231–244.
Molino, A., Larocca, V., Chianese, S., Musmarra, D., 2018. Produção de biocombustíveis por gaseificação
de biomassa: uma revisão. Energias 11, 811.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A., Nillaor, P., 2019. IoT e
análise de dados agrícolas para fazendas inteligentes. Comput. Elétron.
Agrícola 156, 467–474.
Nathanson, JA, 2020. Gestão de Resíduos Sólidos. Enciclopédia Britânica.
Naveda, NLB, Jung, JY, Davydov, A., Dhillon, PS, Hung, YH, Lee, M., Radu, J., Bach-Raabe, O., Hayden,
CMT, 2019. Interface de monitoramento de temperatura e gás IoT de um reator de pirólise de baixa
temperatura para a produção de biocarvão. Em: 2019 IEEE 10ª Conferência Anual de Tecnologia da
Informação, Eletrônica e Comunicação Móvel (IEMCON), pp. 346–351.
Negri, E., Berardi, S., Fumagalli, L., Macchi, M., 2020. Gêmeo digital integrado ao MES
quadros. J. Manuf. Sist. 56, 58–71.
Newman, ESJADR, 2008. Análise de detritos de incêndio.
Nikoloudakis, Y., Panagiotakis, S., Markakis, E., Atsali, G., Manios, T., 2016. Compostagem em nuvem:
uma abordagem centralizada. In: Conferência Internacional de Telecomunicações e
Multimídia de 2016 (TEMU), pp. 1–6.
Osayi, J., Iyuke, S., Ogbeide, S., 2014. Produção de biocrude através da pirólise de resíduos
pneus. J. Catal. 1–9, 2014.
Ozbas, EE, Aksu, D., Ongen, A., Aydin, MA, Ozcan, HK, 2019. Produção de hidrogênio via gaseificação de
biomassa e modelagem por algoritmos de aprendizado de máquina supervisionados.
IJHE 44, 17260–17268.
Pradyumna, G., Bhat, O., Sagar, B., 2018. Introdução à IoT.
Quinton, A., 2019. Vacas e Mudanças Climáticas. Universidade da Califórnia, Davis.
Rahane, SB, 2011. Projeto de nó sensor sem fio e esquema de controle de contorno de tempo para um
processo de compostagem.
Raj, JR, Rajula, BIP, Tamilbharathi, R., Srinivasulu, S., 2020. UM resíduo baseado em IoT
segregadora para reciclagem de resíduos biodegradáveis e não biodegradáveis. In: 6ª Conferência
Internacional de 2020 sobre Sistemas Avançados de Computação e Comunicação (ICACCS), pp.
928–930.
Raju, K., Thiagarajan, MD, 2021. Separação e classificação automática de resíduos plásticos
Usando o modelo de aprendizado profundo.
Machine Translated by Google
CG Cheah et ai.
Reuter, MA, van Schaik, A., Ballester, M., 2018. Limites da economia circular:
design modular fairphone ultrapassando os limites. World Metall.–Erzmetall. 71, 68–79.
Rito, JE, Lopez, NS, Biona, JB, 2021. Modelagem de fluxo de tráfego, uso de energia e emissões usando
Google Maps e Google Street View: o caso da EDSA, Filipinas.
Sustentabilidade 13.
Rizkiana, J., Guan, G., Widayatno, WB, Hao, X., Huang, W., Tsutsumi, A., Abudula, A., 2014. Efeito do tipo
de biomassa no desempenho da cogaseificação de carvão de baixo rank com biomassa a temperaturas
relativamente baixas. Combustível 134, 414–419.
Rosen, R., von Wichert, G., Lo, G., Bettenhausen, KD, 2015. Sobre a importância da autonomia e dos
gêmeos digitais para o futuro da manufatura. IFAC-PapersOnLine 48, 567–572.
Roy, S., 2019. O Papel da Tecnologia e da Indústria 4.0 na Transformação de Resíduos
Administração, vol. 2022.
Saha, HN, Auddy, S., Pal, S., Kumar, S., Pandey, S., Singh, R., Singh, AK, Banerjee, S., Ghosh, D., Saha,
S., 2017 . Gestão de resíduos usando internet das coisas (IoT). In: 8ª Conferência Anual de Automação
Industrial e Engenharia Eletromecânica de 2017 (IEMECON), pp. 359–363.
Scarlat, N., Dallemand, J.-F., Fahl, F., 2018. Biogás: desenvolvimentos e perspectivas na Europa. Renovar.
Energia 129, 457–472.
Seo, KW, Seo, J., Kim, K., Ji Lim, S., Chung, J., 2021. Previsão da taxa de produção de biogás a partir da
digestão anaeróbica seca de resíduos alimentares: abordagem baseada em processo versus
rede neural recorrente preta -modelo caixa. Biorecurso. Tecnol. 341, 125829.
Shakun, JD, Clark, PU, He, F., Marcott, SA, Mix, AC, Liu, Z., Otto-Bliesner, B., Schmittner, A., Bard, E.,
2012. Aquecimento global precedido por aumento concentrações de dióxido de carbono durante a
última deglaciação. Natureza 484, 49–54.
Sharma, VK, Fortuna, F., Mincarini, M., Berillo, M., Cornacchia, G., 2000. Descarte de resíduos de pneus
para recuperação de energia e ambiente seguro. ApEn 65, 381–394.
Sharvin Vikas, C., Ganesh Rameshwar, C., Siddhesh Vijay, P., Milendra Amarprakash, D., Vijaykumar, VK,
Parre Srinivasa, R., 2021. Máquina de pellets de plástico. Int. Eng. J. Res.
Dev. 6, 7.
Sheng, TJ, Islam, MS, Misran, N., Baharuddin, MH, Arshad, H., Islam, MR,
Chowdhury, MEH, Rmili, H., Islam, MT, 2020. Um sistema de gerenciamento de resíduos inteligente
baseado na Internet das coisas usando LoRa e modelo de aprendizado profundo tensorflow. Acesso
IEEE 8, 148793–148811.
Simic, V., 2013. RECICLAGEM DE VEÍCULOS EM FIM DE VIDA ÚTIL - UMA REVISÃO DO ESTADO
ARTE. Tehnicki vjesnik/Technical Gazette. 20.
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,
106588–106599.
Singh, N., Raza, M., Paranthaman, VV, Awais, M., Khalid, M., Javed, E., 2021. Capítulo 10 - internet das
coisas e computação em nuvem. In: Godfrey, A., Stuart, S. (Eds.), Digital Health. Academic Press, pp.
´ 151–162.
Slusarczyk, B., 2018. Indústria 4.0: estamos prontos? Polonês J. Manag. Viga. 17.
Sorensen, PB, 2018. Da economia linear à economia circular: um modelo básico.
Spagni, A., Marsili-Libelli, S., 2010. Controle de inteligência artificial de um reator de batelada de
sequenciamento para remoção de nitrogênio via nitrito de lixiviado de aterro. J. Environ. ciência Saúde,
Parte A. 45, 1085–1091.
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
Pesquisa Ambiental 213 (2022) 113619
Aprendizagem Profunda. In: 2016 IEEE Inovações Tecnológicas em TIC para Agricultura e
Desenvolvimento Rural (TIAR), pp. 65–70.
Ullah, M., Karuppannan Gopalraj, S., Guti´errez Rojas, D., Nardelli, P., Karki, ¨ T., 2021.
Estrutura IoT e Requisito para Processo de Pirólise Industrial Inteligente para Reciclar Resíduos
Compostos de CFRP: Estudo de Aplicação.
Vijayakumar, N., Ramya, R., 2015. O monitoramento em tempo real da qualidade da água no ambiente
IoT. In: Conferência Internacional de 2015 sobre Inovações em Sistemas de Informação,
Incorporados e de Comunicação (ICIIECS), pp. 1–5.
Wang, L., Long, F., Liao, W., Liu, H., 2020. Previsão do desempenho da digestão anaeróbica e identificação
de parâmetros operacionais críticos usando algoritmos de aprendizado de máquina. Biorecurso.
Tecnol. 298, 122495.
Ward, AJ, Hobbs, n., Bruni, E., Lykkegaard, MK, Feilberg, A., Adamsen, APS,
Jensen, AP, Poulsen, AK, 2011. Monitoramento em tempo real de um digestor de biogás com
cromatografia gasosa, espectroscopia de infravermelho próximo e espectrometria de
massa de entrada de membrana. Biorecurso. Tecnol. 102, 4098.
Wardhany, V., Hidayat, A., A, M., Subono, S., Afandi, A., 2019. Smart Chopper e
Sistema de Monitoramento para Compostagem de Lixo.
Williams, PT, 2013. Tratamento e Disposição de Resíduos. John Wiley & Filhos.
´
Wilts, H., Garcia, BR, Garlito, RG, Gomez, LS, Prieto, EG, 2021. Inteligência artificial na triagem
de resíduos urbanos como facilitadora da economia circular.
Recursos 10, 28.
Winans, K., Kendall, A., Deng, H., 2017. A história e as aplicações atuais do conceito de economia
circular. Renovar. Sustentar. Energia Rev. 68, 825–833.
Wu, H.-q., Shi, Y., Xia, Q., Zhu, W.-d., 2014. Eficácia da política de economia circular na China: uma
análise baseada em DEA para o período de 11 de cinco a plano anual.
Recurso. Conserva Reciclar. 83, 163–175.
Xu, W., Long, F., Zhao, H., Zhang, Y., Liang, D., Wang, L., Lesnik, KL, Cao, H., Zhang, Y., Liu, H., 2021
Previsão de desempenho de reator de digestão anaeróbica baseado em ZVI usando algoritmos de
aprendizado de máquina. Gestão de Resíduos. (Tucson, Arizona) 121, 59–66.
Yang, Y., Boom, R., Irion, B., van Heerden, D.-J., Kuiper, P., de Wit, H., 2012. Reciclagem
de materiais compósitos. Chem. Eng. Processo 51, 53–68.
Yang, J., Han, Y., Wang, Y., Jiang, B., Lv, Z., Song, H., 2020. Otimização da atribuição de rede de tráfego em
tempo real com base em dados IoT usando DBN e modelo de clustering em cidade inteligente.
Geração Futura. Comput. Sist. 108, 976-986.
Yang, A., Zhuansun, Y., Shi, Y., Liu, H., Chen, Y., Li, R., 2021. Sistema IoT para pellets
proporcional baseado no modelo de recomendação inteligente BAS. IEEE Trans. Ind. 17, 934-942.
Yi, H.-C., Park, JW, 2015. Projeto e implementação de um centro de reciclagem de veículos em fim de vida
baseado em IoT (internet das coisas) na Coreia. Procedia CIRP 29, 728–733.
Zantalis, F., Koulouras, G., Karabetsos, S., Kandris, D., 2019. Uma revisão da máquina
aprendizagem e IoT em transporte inteligente. Internet futura 11.
Zhang, Y., Cui, Y., Chen, P., Liu, S., Zhou, N., Ding, K., Fan, L., Peng, P., Min, M.,
Cheng, Y., Wang, Y., Wan, Y., Liu, Y., Li, B., Ruan, R., 2019. Capítulo 14 - tecnologias de gaseificação
e seus potenciais energéticos. Em: Taherzadeh, MJ, et al. (Eds.), Recuperação de Recursos
Sustentáveis e Abordagens de Desperdício Zero. Elsevier, pp. 193–206.
Zhong, RY, Xu, X., Klotz, E., Newman, ST, 2017. Manufatura inteligente no contexto da indústria 4.0:
uma revisão. Engenharia 3, 616–630.