Waste in waste out - Benchmark of waste management system

WasteIN_WasteOUT
Modello di benchmarking per sistemi di Raccolta Differenziata dei rifiuti

WasteIN_WasteOUT - Sistema di benchmarking del posizionamento dei punti di Raccolta Differenziata
Abstract
Quanto riportato è il frutto di un progetto durato 12 settimane svolto nell’ufficio ambientale di Aljaraque, comune della
regione spagnola dell’Andalusia, nell’ambito del progetto europeo ENJOY (Environmental Job Opportunities for Youth).
Il progetto vuole essere una proposta di sistema di valutazione analitica tramite simulazione matematica della collocazione
geografica dei punti di raccolta dei rifiuti, sulla base dell’incrocio tra domanda ed offerta del servizio.
Il sistema è pensato per essere implementato su sistemi di informazione geografica programmabili, presentando il risultato
della valutazione in forma di mappe tematiche e indicatori di performance definiti ad-hoc.
E’ riportato un caso pratico di georeferenziazione dei punti di raccolta dei rifiuti mediante software Open Source.
A corollario sono stati presi in considerazione possibili scenari di integrazione del sistema con quanto già in essere nella tipica
gestione dei Rifiuti Urbani.
2
Opera rilasciata con licenza Creative Commons - https://creativecommons.org/licenses/by-nc-sa/4.0/

INDICE
1. PRE-REQUISITI
a. Caratterizzazione della Produzione (Localizzazione, Quantità)
b. Caratterizzazione della Raccolta (Localizzazione, Capacità)
c. Strumenti software
2. MODELLO DI SIMULAZIONE
a. Schema di funzionamento e definizione dati in ingresso
b. Modello di calcolo
3. IMPATTI SUL SISTEMA
a. Indicatori di performance a supporto delle decisioni
b. Miglioramento economico
c. Miglioramento della raccolta differenziata
4. EVOLUZIONI
a. Adeguamento del modello e Business Intelligence
3

1.
2.
3.
4.
PREREQUISITI
MODELLO DI SIMULAZIONE
IMPATTI SUL SISTEMA
EVOLUZIONI

Caratterizzazione delle componenti
I dati in ingresso devono poter rispondere esaustivamente
almeno alle seguenti domande:
1. Dove è localizzata la produzione di rifiuti?
2. Come è distribuita nelle varie frazioni?
3. Dove sono localizzati i punti di raccolta?
4. Qual’è la capacità per ogni frazione?
5

Di seguito vengono illustrate due metodologie che consentono
di ottenere le risposte ricercate, ovvero l’acquisizione dei dati per
la caratterizzazione delle componenti.
Per quanto riguarda la produzione viene proposta l’analisi di
database anagrafici istituzionali.
Per la caratterizzazione della raccolta invece, è presentato il
metodo realmente utilizzato nel caso studio.
Caratterizzazione delle componenti
6

Caratterizzazione della Produzione
1. Dove è localizzata la produzione?
Indirizzo
Reverse GeoCode
Coordinate GPS
DATABASE ANAGRAFICI
7
● Anagrafe dei servizi di base
○ Acqua, Energia, Tassa Rifiuti, …
● Anagrafe comunale
● OSM (Open Source Map)
● Database specializzati

Il dato utile è il profilo anonimo
PRIVACY OK
Utenza: Domestica
Dimensione: 5 persone
GPS: 43.7764032,11.2509774
Anagrafica Vettore Utenza (Anonimo)
1b. Problema privacy utenti:
8
Mario Rossi e Lucia Bianchi
3 Figli (Nucleo di 5 persone)
Via Nazionale, 34 Firenze, 3° Piano

2. Come è distribuita nelle varie frazioni?
Vettore UtenzaProfilo Standard
Organico Multi-Materiale Carta-Cartone Vetro Olio Vegetale Tessili
9
Fattore Dimensionale

Caratterizzazione della Raccolta
3. Dove sono localizzati i punti di raccolta?
LOCALIZZAZIONE
● Incertezza dell’ubicazione
● Necessità di verifica aggiornamento
● Impossibilità di elaborazione
Caso Studio:
Dati di input in forma di
CARTOGRAFIA CARTACEA
10

CAPACITA’ DI CARICO
4. Qual’è la capacità per ogni frazione?
IMPOSSIBILE DETERMINARE
LA DIMENSIONE DEI CONTENITORI
Caso Studio:
Dati di input in forma di
CARTOGRAFIA CARTACEA
11

CAPACITA’ DI CARICO
LOCALIZZAZIONE
● Incertezza dell’ubicazione
● Necessità di verifica
● Impossibilità di elaborazione
RACCOLTA DATI SUL CAMPO
IMPOSSIBILE DETERMINARE
LA DIMENSIONE DEI CONTENITORI
12

13
Il metodo descritto è stato applicato nel caso studio reale, e
quindi è da intendersi di solo esempio.
Tramite opportuni adattamenti, nella codifica delle frazioni
raccolte o nella logica di raggruppamento dei contenitori in
“isole”, è quindi facilmente applicabile in qualsiasi contesto.

Definizione Dati di Input
CASO STUDIO
Aljaraque = AL
Bellavista = BV
Dehesa Golf = DG
Corrales = CS
La Monacilla = LM
1. Codifica delle isole di raccolta
ID CODICE ZONA # ISOLA
CASO STUDIO
Sono stati utilizzati i
numeri progressivi
utilizzati dalla società di
gestione della raccolta
# = Numero Progressivo
14

CASO STUDIO
● AL.42.V.01
○ Primo contenitore della raccolta del Vetro nell’isola 42 del
nucleo urbano di Aljaraque
● CS.02.C.02
○ Secondo contenitore della raccolta della Carta nell’isola 02 del
nucleo urbano di Corrales
2. Codifica dei contenitori
ID ZONA # ISOLA FRAZIONE # CONTENIORE
CASO STUDIO
O = Organico
M = Multimateriale
C = Carta e Cartone
V = Vetro
T = Tessili
L = Olio Vegetale
15

Strumenti Software
Raccolta dati sul campo:
Mobile
Data
Collection
.org
International
Space
Station
Sponsor e utilizzatori:
SUITE
SOFTWARE
● ODK Form Builder
● ODK Collect
● ODK Aggregate
● [...]
16

Aggregate
Strumenti Software
Form Builder
Questionario
WEB
CLOUD
QGIS
Google Maps
Google Earth
Collect
Android
GPS
Google App Engine
17

Strumenti Software
Open Data Kit - Collector
Piattaforme:
● Android
● iOS
● Windows Mobile
● Palm Pilot
● BlackBerry (w.i.p.)
18

Open Data Kit - Aggregate
Strumenti Software
Piattaforme:
● Linux
● OSX
● Google App Engine
● Windows
19

Strumenti Software
Data Output: Tabella ( .csv )
Vantaggi:
● Portabilità
● Immediatezza
● Stampabile
20

Strumenti Software
Data Output: GIS ( .kml .json )
QGIS - Quantum GIS
● Elabora dati georeferenziati
● FOSS (Free and Open Source)
● Programmabile in Python
● Crea mappe tematiche
21

Strumenti Software
Data Output: Google Maps Engine
Disegno delle icone
Organico MultiMat Carta
Vetro Vetro (Sistema Vacri)
22

Produzione & Raccolta
Raccolta
Produzione Domestica
Produzione Commerciale
Esempio di schema della situazione finale
23

Simulazione: Schema Funzionale
Isola.01
Isola.02
Isola.03
Produzione
Caratterizzata
Raccolta
Caratterizzata
Modello di
Simulazione
Previsione Riempimento Contenitori
al momento della Raccolta
25

id_isola
latitudine
longitudine
Ii
=
id_isola
frazioneRaccolta
#contenitore
tipoContenitore
capacitaContenitore
posizionamentoContenitore
frequenzaRaccolta
Ci
=
1. Vettori $isola e $contenitore
26

AL.09
-9.98348
40.79821
Ii
= Ci
=
AL.09
Vetro
2
Vacri
2
Marciapiede
7 Giorni
1. Vettori $isola e $contenitore (valorizzati)
27

Ui
=
idUtenza
latitudine
longitudine
tipoUtenza
indiceDimensionale
2. Vettori $utenza e $prodUtenza
PUi
=
idUtenza
produzioneGiornaliera_organico
produzioneGiornaliera_multimateriale
produzioneGiornaliera_carta
produzioneGiornaliera_vetro
produzioneGiornaliera_tessili
produzioneGiornaliera_olioVegetale
28

2. Vettori $utenza e $prodUtenza (valorizzati)
Ui
=
idUtenza
-9.43134
40.12425
Domestica
4 [persone]
PUi
=
idUtenza
1.23 [kg]
1.14 [kg]
0.61 [kg]
0.83 [kg]
0.12 [kg]
0.17 [kg]
29

Modello di inclusione dei contenitori
Messa in relazione della
distanza utenza-contenitore e
probabilità del contenitore
di ricevere i rifiuti di quell’utenza
secondo una legge non lineare
distanza ( utente , contenitore ) P ( rifiuti(utente) , contenitore )
30

Probabilità(FattorediRiempimento)
Dist. Relativa
dMAX
=LimitediDistanza
dMIN
=DistanzaMinima
dMAX
dMIN
= φ (Coeff. di “voglia”)
100% 200% 300% 400%
Il parametro φ misura quanto un’utenza si
allontanerebbe dal contenitore a lei più vicino.
φ = 4
f(x)
Dom(f) = [ dMIN
, dMAX
]
dMIN
= 100% = Distanza dal contenitore più vicino
dMAX
= 400% = Limite di distanza dell’intorno
31

Probabilità(FattorediRiempimento)
dMAX
=LimitediDistanza
dMIN
=DistanzaMinima
100% 200% 300% 400%
ZONA 1
Tutti i contenitori più vicini sono equiparati
ZONA 2
Penalizzazione delle medie distanze
ZONA 3
Tutti i contenitori più lontani sono equiparati
Dist. Relativa
32

CASO 1
Al raddoppiare la distanza,
il conferimento è quasi dimezzato
CASO 2
Al triplicare la distanza, il conferimento
è di molto inferiore ad un terzo del più
vicino.
CASO 3
Triplicare o Quadruplicare la distanza
non genera sostanziali cambiamenti.
d d d
R R R
33

H1
C1
C2 d3
d1
d2
C3r2
=δmax
d1
= r1
= δmin
Per ciascuna utenza:
Viene definito un insieme di contenitori
presumibilmente utilizzati, in base alla loro
distanza relativa, espressa in relazione al
contenitore più vicino.
Viene suddivisa la produzione media
dell’utenza nei contenitori dell’insieme
definito, secondo una curva di carico
funzione della distanza relativa.
34

Simulazione: Risultati attesi
AL.01.V.1
CS.02.V.1
AL.02.V.2
AL.02.V.1
AL.03.M.1
CS.15.T.1
BV.02.C.2
0% 25% 50% 75% 100%
!
!
Lun Mar Mer Gio Ven Sab Dom
35
Situazione di riempimento
di ciascun contenitore,
in un qualsiasi istante temporale.

Indicatori a supporto delle decisioni
37
Di seguito sono proposte alcune ipotetiche domande che
potrebbero trovare risposta negli indicatori calcolati da un
modello come quello proposto.
Le situazioni possono essere infinite, e altrettante possono
essere quindi le domande a cui un pianificatore vorrebbe
avere risposte quantitative.

Cubatura media a disposizione delle utenze
Quanta capacità ha a disposizione, mediamente, una certa classe di utenze
(domestiche, commerciali, … ), le utenze di una determinata zona della città,
oppure una determinata utenza presa a campione?
38

Cubatura media a disposizione delle utenze
Quando verranno terminate ed utilizzate nuove residenze in una zona già popolata
e gestita dal servizio di raccolta, quali cambiamenti nella disposizione dei contenitori
o nella frequenza di svutamento garantirebbero il migliore compromesso tra spesa
sostenuta e qualità del servizio di raccolta dei rifiuti?
39

Deviazione standard di riempimento dei contenitori
Esiste una collocazione più funzionale dei contenitori, tale per cui si ottiene un
utilizzo più bilanciato del servizio di raccolta, evitando le situazioni in cui si svuotano
cronicamente contenitori già vuoti, o sia necessario raccogliere rifiuti conferiti fuori
da contenitori abitualmente stracolmi?
40

Se aumentassi la cubatura diminuendo la frequenza della raccolta
(risparmiando su personale e mezzi) sarebbe possibile accorpare più postazioni
di raccolta mantenendo lo standard di qualità del servizio?
Deviazione standard di riempimento dei contenitori
41

Miglioramento Economico
● Funzione obiettivo
○ min ( Capacità - Riempimento ) (TR
)
■ Capacità del contenitore
■ Riempimento = ∑(Rifiutii
)
■ TR
= Momento della raccolta
● Vincoli del sistema
○ Distanza utente-contenitore
inferiore ad una determinata
soglia (esempio: 150m)
Evitare di svuotare contenitori troppo vuoti o troppo pieni
ottimizzando il tempo della raccolta, e quindi il costo.
42

Miglioramento Raccolta Differenziata
Identificazione delle criticità
Redistribuzione dei contenitori
Monitoraggio e feedback degli utenti
Estensione del sistema
Plan
Do
Check
Act
43

Misurazioni reali
Registrazione attività di conferimento
Utilizzando sistemi di apertura con “chiavetta”, ovvero
transponder unici che permettono il conferimento è possibile
sapere quali utenze utilizzano il contenitore.
Misurazione distanza percorsa
E’ quindi possibile validare o comunque calibrare i parametri
che regolano il modello di simulazione, quali ad esempio la
distanza tra utente e contenitore e la frequenza di
conferimento dei rifiuti, affinandolo ulteriormente.
45

Misurazioni reali
Marcatura dei contenitori
Associando un codice univoco al contenitore (codice a barre,
QRCode, Transponder, ...) questo diventa univocamente
identificabile
Associazione su database
Mediante un database di conversione è possibile associare
ciascun contenitore al corrispondente contenitore “virtuale”
sul modello di calcolo.
AL.42.M.01
46

Misurazioni reali
Pesatura Dinamica
Applicando ai mezzi utilizzati per la raccolta un sistema di
pesatura dinamica è possibile pesare il rifiuto al momento
dello svuotamento, senza rallentamenti nel ciclo di
svuotatura.
Rispetto all’installazione del dispositivo di pesatura sui
contenitori, oltre al vantaggio di essere meno soggetto ad
atti vandalici, si ottengono valori di pesatura in condizioni
standardizzabili, più affidabili, e quindi confrontabili.
47

Misurazioni reali
Dati della pesata
Quando: Timestamp (Data - Ora)
Dove: Coordinate GPS
Quale: Numero identificativo del contenitore
Quanto: Peso netto del rifiuto
10Gen2016 22:47:13
43.769344,11.1981598
FI.584.M.02
845.3 Kg
48

Adeguamento modello
SIMULAZIONE
ADEGUAMENTO
DATI PREVISTI
DATI MISURATI
Confronto dei dati
Il riscontro tra i dati previsti e i dati misurati consente il
miglioramento continuo del modello.
Tale processo, reiterabile all’infinito, apre le porte a sviluppi
futuri di business intelligence e deep learning già applicati con
successo in svariati progetti basati sulla geolocalizzazione
(Waze, UBER, GMaps, etc… ).
49

Implementazione
A completamento della presentazione verrà rilasciato lo
script di implementazione del modello in linguaggio
Python.
Lo script è in grado di elaborare database georeferenziati
di utenze e contenitori in formato .csv riproducendo il
comportamento descritto nel presente documento.
I risultati sono esportabili sotto forma di database in
formato .csv per consentire successive elaborazioni.
50

Contatti
Ing. Davide Antonio Mereu
http://www.davidemereu.com
info@davidemereu.com
51

Waste in waste out - Benchmark of waste management system

Recommended

Recommended

More Related Content

Similar to Waste in waste out - Benchmark of waste management system

Similar to Waste in waste out - Benchmark of waste management system (20)

Waste in waste out - Benchmark of waste management system