At designe plastik til at nedbrydes i havet er muligt, men er det praktisk?

At skabe plastikbeholdere, der let nedbrydes i havvand, ville være en drømmeløsning på det voksende problem med plastikaffald i havet, men et hold af Penn State New Kensington-forskere foreslår, at i det mindste for nu, genbrug og at finde plastikalternativer kan stadig være den bedste måde at håndtere dette affald på.

I en undersøgelse, forskerne brugte en maskinlæringsalgoritme til at klassificere mere end 110 typer plastik, inklusive kommercielle og laboratoriefremstillede varianter, for bedre at forstå, hvordan de kan nedbrydes i havet, sagde Robert Mathers, professor i kemi.

"En af de ting, vi var interesserede i at finde ud af, er, hvad der kommer til at ske med den store mængde plastik, der er i havet, " sagde Mathers. "Denne undersøgelse tog en bred vifte af fysiske egenskabsdata, i kombination med en metrik, der ville kvantificere sammensætningen af ​​molekylære strukturer og brugte den til at forsøge at finde ud af de vigtigste aspekter af plastisk nedbrydning i havet."

Ifølge Ocean Conservancy, der er mere end 150 millioner tons plastik i havet, med 8 millioner tons mere kommer ind i havet hvert år. Forskerne, som offentliggjorde deres resultater i et nyligt nummer af Naturkommunikation , sagde en række faktorer i havet kan hjælpe med at nedbryde denne plastik, inklusive ultraviolet stråling fra solen, vind, bølger, havvand, vandtemperatur og bakterier. De fandt ud af, at visse typer plastik nedbrydes hurtigere end andre, når de blev udsat for disse betingelser.

Selvom kendskab til den molekylære struktur af de mere modtagelige plasttyper kan give ingeniører en chance for at udvikle plast med mindre miljøpåvirkning, Mathers sagde, at økonomien ved at producere disse plastik i stor skala stadig ville være et problem.

"Andre har foreslået muligheden for at sætte et svagt led i den molekylære struktur af en plastik, der kunne accelerere nedbrydningen af ​​den atomstreng, sagde Mathers. det er en god idé, men, lige nu, det er måske ikke en økonomisk gennemførlig mulighed. Det er bare svært at konkurrere økonomisk med polyethylen og polypropylen, som er den mest brugte plast i verden. Så, vi vil nok gerne blive ved med at fokusere på genbrug, fordi det giver den mest umiddelbare hjælp."

Holdet nærmede sig problemet med plastik i havet ved at indsamle så mange data om den molekylære struktur af de forskellige plasttyper og information om, hvordan disse plastik opfører sig i havvand, både i marken og under laboratorieforhold.

"Fra litteraturen, vi var i stand til at få information om de fysiske egenskaber af plastikken, der er i havet, for eksempel, molekylvægte, glasovergangstemperaturen, mængden af ​​krystallinitet, men i betragtning af den molekylære sammensætning var en overset mulighed. I denne forbindelse vi fandt ud af, hvordan man oversætter molekylær struktur til en metrik, som vi kaldte hydrofobicitet, hvilket er, hvor meget er det sandsynligt, at materialet absorberer vand eller ønsker at være i kontakt med vand, " sagde Mathers.

Kyungjun Min, en sophomore biokemi hovedfag, hvem var første forfatter til avisen, hjalp med at beregne disse hydrofobicitetsværdier.

Der er så mange typer plastik og så mange eksperimentelle forhold, maskinlæring blev medvirkende til at hjælpe forskerne både med at sortere gennem den store mængde data, samt klassificere disse oplysninger, ifølge Joseph Cuiffi, en adjunkt underviser, der arbejdede med Mathers.

"Vi startede med grundlæggende dataanalyse for at udforske og sortere gennem dataene, Derefter gik vi videre til forudsigelig maskinlæring for at hjælpe os med at belyse mønstre og tendenser, " sagde Cuiffi. "Maskinlæringen hjalp os med at bestemme nøglerelationer og udvikle regler til at forudsige plastisk adfærd."

Efter at have eksperimenteret med et par forskellige modeller for maskinlæring, forskerne valgte et beslutningstræ, maskinlæringstilgang. Medlemmer af Institute for Computational and Data Sciences and Materials Research Institute hjalp holdet ved at give adgang til maskinlæringsværktøjer.

"Vi prøvede regressionsmodeller i starten, men uoverensstemmelserne i eksperimentelle forhold på tværs af vores datasæt gjorde det vanskeligt, " sagde Cuiffi. "Klassificeringselever arbejdede meget bedre, og beslutningstræer, specifikt, var nyttige, fordi de gav synlighed i de lærte regler, som gav indsigt i kemisk og fysisk adfærd."

Cuiffi tilføjede, at maskinlæring og datavidenskab, generelt – er også nyttig til denne type tværfaglig forskning.

"Jeg tror, ​​at de moderne værktøjer, der er tilgængelige til dataanalyse, giver os mulighed for at udforske store varierede datasæt nemmere end nogensinde før, " sagde han. "Jeg sætter også pris på tværfaglig indsats på dette område, med denne undersøgelse f.eks. fordi eksterne forskere kan se agnostisk på dataene. Til denne undersøgelse, Jeg bragte ofte resultater til Dr. Mathers uden at vide, om de gav mening - og han ville virkelig nyde at drille ud, hvad dataene viste. Hvis jeg havde mere indsigt i kemien, Jeg kan have fordrejet analysen med mit synspunkt."

Ifølge Mathers, undersøgelsen viste også, hvordan datavidenskab og materialevidenskab kan bidrage til at løse problemer, som måske engang er blevet overvejet uden for deres felter.

"Jeg havde været interesseret i bæredygtighed, bæredygtige materialer og denne idé om grøn kemi i lang tid, " sagde Mathers. "Og da vi så på undersøgelserne i den aktuelle litteratur, vi fandt ud af, at der var mange mennesker, der undersøgte plastik i havet, og de fleste af disse forskere var oceanografer, havbiologer, økologer, og havbiologer. De lavede virkelig interessant arbejde, men fra et materialemæssigt synspunkt, ingen systematiske undersøgelser var tilgængelige."

Han tilføjede, at der skal gøres mere arbejde for at undersøge plastik i havet, herunder tilføjelse af flere data.