Thực trạng áp dụng các công nghệ nền tảng của cách mạng công nghiệp 4.0 trong quản lý chất thải rắn đô thị của một số nước trên thế giới

THỰC TRẠNG ÁP DỤNG CÁC CÔNG NGHỆ NỀN TẢNG CỦA
CÁCH MẠNG CÔNG NGHIỆP 4.0 TRONG QUẢN LÝ CHẤT THẢI
RẮN ĐÔ THỊ CỦA MỘT SỐ NƯỚC TRÊN THẾ GIỚI
Phạm Thị Mai Thảo
Trường Đại học Tài ngun và Mơi trường Hà Nội
Tóm tắt
Mơ hình cơng nghiệp 4.0 được biết đến với cơng nghệ cao, định vị ảo và kỹ thuật số. Các
công nghệ hiện có trong nền cơng nghiệp 4.0 khơng nhất thiết phải mới, điều thay đổi là sự tích
hợp giữa chúng, cho phép ngành công nghiệp hoạt động năng động và nhanh chóng đáp ứng
các nhu cầu bên trong và bên ngoài. Trong bối cảnh sản xuất hiện nay, những cơng nghệ này
cho phép các quy trình sản xuất hiệu quả hơn, tinh gọn hơn và nhanh hơn. Nền tảng của cuộc
cách mạng công nghiệp 4.0 giúp mang lại hiệu quả quản lý mơi trường bền vững hơn, tối ưu
hố trong giảm thiểu chất thải và tái sử dụng chất thải nhiều hơn. Riêng đối với lĩnh vực quản
lý chất thải rắn đơ thị, việc tích hợp cơng nghiệp 4.0 đã và đang được áp dụng tại nhiều quốc
gia trên thế giới. Điển hình là Internet vạn vật (ToT) được sử dụng để giám sát việc phát sinh
chất thải theo thời gian thực tại Ấn Độ và Trung Quốc. Công nghệ trí tuệ nhân tạo (AI) được
dùng để dự đốn lượng chất thải phát sinh tại Canada và Mỹ. Các kỹ thuật học máy (ML) giúp
phân loại chất thải rắn thành các loại khác nhau với độ chính xác khá cao đã được áp dụng tại
Tây Ban Nha. Tại Việt Nam ToT cũng được áp dụng để phát triển mô hình quản lý thu gom chất
thải rắn nguy hại tại Thành phố Hồ Chí Minh. Những ví dụ trên cho thấy công nghệ nền tảng từ
cách mạng công nghiệp 4.0 có thể giúp việc quản lý chất thải rắn đơ thị nó riêng và quản lý mơi
trường nói chung ngày càng hiệu quả hơn.
Từ khố: Cách mạng cơng nghiệp 4.0; Chất thải rắn đơ thị; Trí tuệ nhân tạo.
Abstract
The situation of application of foundation technologies of the industrial revolution 4.0
in urban solid waste management of some foreign countries
Industry 4.0 is known for high technology, virtual and digital positioning. Existing
technologies in Industry 4.0 are not necessarily new, changes are their integration which allow
the industry to operate dynamically and quickly respond to internal and external needs. In the
manufacturing context, these technologies enable more efficient, leaner, and faster manufacturing
processes. The foundation of the Industrial Revolution 4.0 helps bring about more sustainable

environmental management, optimizes waste reduction and reuses waste more. Particularly for
urban solid waste management, the integration of Industry 4.0 has been applied in many countries
around the world. Typically, the Internet of Things (ToT) is used to monitor real-time waste
generation in India and China. Artificial intelligence (AI) is used to predict the amount of waste
generated in Canada and the United of America. Machine learning (ML) that help classify solid
waste into different categories with high accuracy have been applied in Spain. In Vietnam ToT is
also applied to develop a management model for hazardous waste collection in Ho Chi Minh City.
The above examples show that the underlying technologies from the industrial revolution 4.0 can
make urban solid waste management in particular and environmental management in general
more and more effective.
Keywords: Industrial Revolution 4.0; Urban solid waste; Artificial intelligence.
194

Hội thảo Quốc gia 2022


1. Giới thiệu
Thuật ngữ công nghiệp 4.0 lần đầu tiên được đề cập bằng tiếng Đức trong sự kiện “Hội chợ
Hannover” năm 2011 tại Đức và được đưa ra như một đề xuất cho việc phát triển một khái niệm
mới về chính sách kinh tế của Đức dựa trên các chiến lược công nghệ cao, tượng trưng cho sự khởi
đầu của cái gọi là Cách mạng công nghiệp lần thứ tư. Do đó, từ năm 2011, các ấn phẩm khoa học
về công nghiệp 4.0 bắt đầu xuất hiện, tăng theo cấp số nhân vào khoảng năm 2013. Và nhiều học
giả, nhà nghiên cứu và chuyên gia kinh doanh đã chú ý đến mơ hình cơng nghiệp mới và các cơng
nghệ tiềm năng của nó.
Cơng nghiệp 4.0 là một mơ hình sản xuất tiên tiến với đặc trưng là một tập hợp tồn diện
các cơng nghệ hợp lý hóa hiệu suất cơng nghiệp, tích hợp hơn, ảo, kỹ thuật số, với thời gian đáp
ứng tuyệt vời đối với các tác nhân bên trong và bên ngoài, đặc biệt là với hành vi bền vững và môi
trường chuẩn mực. Ngành công nghiệp 4.0 bao gồm một tập hợp sáu nguyên tắc thiết kế về bản
chất bao gồm phân cấp, ảo hóa, khả năng tương tác, tính hệ thống, khả năng theo thời gian thực và
định hướng dịch vụ.

Một trong những đặc thù của nền cơng nghiệp 4.0 là khả năng tích hợp phụ thuộc lẫn nhau
của hai chuỗi giá trị, ngang và dọc thơng qua q trình số hóa. Số hóa chuỗi giá trị theo chiều
ngang hoạt động để tích hợp và tối ưu hóa luồng thơng tin và hàng hóa từ khách hàng đến nhà
cung cấp, và do đó thơng tin sẽ quay trở lại. Quá trình này liên quan đến việc tích hợp và chủ động
kiểm sốt tất cả các lĩnh vực nội bộ của công ty, chẳng hạn như lập kế hoạch, mua hàng, sản xuất
và hậu cần. Quá trình này cũng bao gồm tất cả các đối tác bên ngồi chuỗi giá trị, những người
tham gia chính trong việc đáp ứng các yêu cầu của khách hàng và thực hiện các dịch vụ được yêu
cầu. Mặt khác, số hóa chuỗi giá trị dọc gắn liền với việc đảm bảo luồng dữ liệu và thông tin bán
hàng thông qua phát triển sản phẩm cho sản xuất và hậu cần. Chất lượng và tính linh hoạt có thể
được tăng lên và giảm chi phí thơng qua kết nối chính xác và tối ưu của các hệ thống sản xuất và
phòng ngừa ô nhiễm.
Trong nền công nghiệp 4.0, các công nghệ tích hợp với nhau để định vị bền vững hơn, về môi
trường của nền công nghiệp 4.0 trong tất cả các lĩnh vực của nó. Cơng nghiệp 4.0 quan tâm đến sử
dụng hiệu quả tài nguyên thiên nhiên hơn, ít chất thải hơn, các quy trình gọn gàng hơn và vịng đời
của máy móc và thiết bị dài hơn. Tất cả những yếu tố này cùng với cơng nghệ góp phần làm cho
quản lý môi trường 4.0. cũng trở nên đột phá so với các ngành công nghiệp trước đây.
Sự kết nối giữa các mạng lưới tạo giá trị trong nền công nghiệp 4.0 mang đến cơ hội mới cho
việc hợp nhất các vịng đời sản phẩm khép kín và cộng sinh công nghiệp. Kết nối mạng cho phép
điều phối hiệu quả các dòng nước, năng lượng, nguyên liệu và sản phẩm trong suốt vòng đời của
sản phẩm, cũng như giữa các nhà máy khác nhau. Vòng đời sản phẩm khép kín giúp giữ cho sản
phẩm ln trong vịng đời với nhiều giai đoạn sử dụng khác nhau, với việc tái sản xuất hoặc tái sử
dụng giữa chúng. Cộng sinh công nghiệp giúp tăng cường hợp tác giữa các nhà máy khác nhau để
đạt được lợi thế cạnh tranh bằng cách mua bán và trao đổi nước, năng lượng, nguyên liệu và sản
phẩm cũng như dữ liệu thông minh ở cấp địa phương.
Những chuyển đổi bởi công nghiệp 4.0 đã cách mạng hóa các hình thức thương mại và thúc
đẩy thay đổi hành vi trong lĩnh vực tiêu dùng và sản xuất để hình thành các mơ hình kinh doanh
bền vững hơn. Những công nghệ mới liên tục tác động đến các lĩnh vực như y tế, năng lượng và
xây dựng và được lập trình trong quy trình thơng minh tạo ra các sản phẩm và dịch vụ có mục tiêu
là cung cấp sự thoải mái và chất lượng cuộc sống gắn với việc quản lý các nguồn lực hiện có.
Hội thảo Quốc gia 2022

195


2. Nền tảng công nghệ 4.0 và phương pháp nghiên cứu
2.1. Nền tảng công nghệ 4.0
Sự khác biệt của mô hình cơng nghiệp 4.0 so với cơng nghiệp hiện tại là có thể sử dụng một
bộ cơng nghệ có sẵn cho phép hiệu suất công nghiệp phù hợp hơn với môi trường, sạch sẽ và hiệu
quả hơn. Các công nghệ tiềm năng để quản lý môi trường trong nền công nghiệp 4.0 được tóm tắt
như sau [1].
2.1.1. Hệ thống mạng thực - Cyber Physical Systems
Hệ thống mạng thực (CPS) là tác nhân có liên quan đến quản lý mơi trường vì chúng có
thể nhận biết kế hoạch sản xuất, quy định các bước sản xuất, cung cấp dữ liệu về việc sử dụng tài
nguyên và đầu vào sản xuất, quản lý chúng trong suốt quá trình sản xuất theo thời gian thực, đồng
thời có thể thay đổi bất kỳ bước sản xuất nào nếu cần.
Do đó, việc sử dụng các nguồn lực, chủ yếu là tự nhiên, được thực hiện một cách có ý thức
hơn. Tương tự như vậy, có thể tạo ra ít chất thải hơn vì các vật liệu phù hợp đang được sử dụng ở
mức độ phù hợp và khi cần thiết. Bởi vì chúng được kết nối với internet và được quản lý mang tính
hệ thống nên bất kỳ thay đổi nào cần được thực hiện, CPS có thể truyền đạt thơng báo đó thơng
qua các thơng báo tới hệ thống máy tính và thiết bị di động và tự thực hiện những thay đổi cần thiết
trong quá trình sản xuất (khi được lập trình) hoặc được phép (khi có sự phối hợp của con người).
2.1.2. Sản xuất đám mây - Cloud Manufacturing
Sản xuất đám mây (CMfg) là một tác nhân tiềm năng khác để củng cố quản lý môi trường
4.0. Công nghệ này chịu trách nhiệm tiếp nhận, lưu trữ, xử lý, phân tích và chia sẻ dữ liệu và thông
tin sản xuất. Thông qua công nghệ này, không chỉ các vấn đề từ môi trường bên trong được xử
lý mà còn cả những tác nhân bên ngồi. Do tính năng định hướng dịch vụ của nó, bất kỳ thay đổi
nhỏ hoặc cần điều chỉnh đơn đặt hàng của khách hàng, thông báo sẽ được gửi và trình bày trong
hệ thống cho những người chịu trách nhiệm về một bước sản xuất nhất định. Bằng cách này giúp
khách hàng có thể theo dõi các bước sản xuất của một sản phẩm, họ có thể đề xuất sửa đổi hoặc
không. Điều này, trong một ngành công nghiệp truyền thống, có thể dẫn đến lãng phí một lượng

lớn tài nguyên, vật liệu, sử dụng năng lượng hiệu quả, dẫn đến lãng phí. Tuy nhiên, với CMfg, nếu
khách hàng yêu cầu bất kỳ thay đổi nào về sản phẩm, thì sau khi phân tích hệ thống, sản xuất có
thể được thay đổi mà khơng gây lãng phí đáng kể tài nguyên, vật liệu và hiệu quả, đồng thời các
vật liệu khác có thể được sử dụng có thể được tích hợp vào q trình sản xuất, dẫn đến tối ưu hóa
nguồn lực.
2.1.3. Phân tích dữ liệu lớn - Big Data Analytics
Phân tích dữ liệu lớn (BDA) lưu trữ và phân tích tất cả dữ liệu ngành. Tiềm năng của quản
lý mơi trường 4.0 là phân tích và cung cấp dữ liệu và thông tin liên quan về tài nguyên hiện có,
tài nguyên được sử dụng, chức năng của máy móc, hiệu quả năng lượng, phát sinh chất thải, sử
dụng chất thải và mức độ phát sinh ô nhiễm. BDA có thể cung cấp thơng tin lịch sử về một nguồn
tài nguyên có thể đã được sử dụng để sản xuất cùng một hàng hóa, có thể được tái sử dụng lại. Nó
cũng có thể thơng báo, bởi các hệ thống, việc thiếu một nguồn lực nhất định để sản xuất, hoặc thậm
chí là sự cố của một số máy móc, khiến q trình sản xuất bị gián đoạn.
Với quyền truy cập thơng tin CMfg, BDA có thể đề xuất những thay đổi trong các đặc điểm
cụ thể của quy trình sản xuất. BDA đóng vai trị như một cảnh báo về các cơ hội và nhu cầu sửa
chữa, cũng như khả năng lưu trữ dữ liệu và thông tin cao. Do đó, bất kỳ cơ hội nào để nâng cao
năng lực sản xuất bằng cách sử dụng ít tài nguyên hơn hoặc tận dụng ít chức năng của máy móc
196

Hội thảo Quốc gia 2022


hơn, hoặc bằng cách cảnh báo việc sử dụng sai nguồn tài nguyên hoặc vật liệu nhằm mục đích sản
xuất hàng hóa, hoặc thậm chí là hoạt động của một chiếc máy bị hỏng, đều có thể được thơng báo
bởi BDA, giúp đóng góp tích cực vào mơi trường.
2.1.4. Thực tế tăng cường - Augmented Reality
Thực tế ảo tăng cường (AR) hợp tác hiệu quả với quản lý môi trường 4.0 vì nó có thể tư vấn
về việc lập kế hoạch trước khi thành hiện thực, mơ phỏng những gì sẽ được thực hiện và nhu cầu
sửa chữa ngay cả ở khoảng cách xa hoặc từ các địa điểm khác nhau. Nó cũng góp phần vào q
trình đào tạo và nâng cao năng lực, truyền đạt kiến ​​thức cho nhân viên về các hành động bền vững

với môi trường thông qua việc hình dung các dự báo thực tế. Cộng nghệ này giúp định tuyến đường
xếp dỡ hàng hóa, nhờ đó các tài xế xe tải tối ưu tuyến đường họ cần đến giúp giảm phát thải từ các
phương tiện vận chuyển. AR cũng có thể được tích hợp với việc giám sát các hoạt động sản xuất,
cho phép kiểm tra các hỏng hóc, sự cố, gián đoạn hoặc lỗi trong dây chuyền sản xuất và các chức
năng liên quan khác.
2.1.5. Cảm biến thông minh - Smart Sensors
Cảm biến thông minh (SS) là một loại công nghệ cảnh báo để nhân viên xem các lỗi có thể
xảy ra hoặc sự khơng phù hợp trong ngun liệu, sản phẩm, máy móc, bước hoặc dây chuyền sản
xuất và có thể đo lường mức độ chất thải hoặc ô nhiễm được tạo ra.
2.1.6. Phát hiện vị trí - Location Detection
Việc phát hiện vị trí giúp các nguồn lực cần có trong dây chuyền sản xuất được định vị dễ
dàng mà khơng lãng phí nhiều thời gian và tiết kiệm năng lượng cho việc vận hành máy móc. Với
tính năng phát hiện vị trí, ngành cơng nghiệp trở nên nhanh và chính xác hơn, giảm thiểu phát sinh
chất thải do các lỗi xác minh cục bộ. Ngồi ra, hậu cần có thể ngăn chặn việc giao hàng và vận
chuyển sai do nhầm lẫn trong việc xác định địa điểm lưu kho.
2.1.7. Internet vạn vật - Internet of Things
Internet vạn vật (IoT) kết nối dữ liệu và thông tin từ tất cả các lĩnh vực của ngành và hơn thế
nữa với các bên có liên quan. IoT cho phép xác định các lỗi máy móc và thiết bị có thể đảo ngược
hoặc khơng thể đảo ngược, các vấn đề về cảm biến và hệ thống, gián đoạn sản xuất, thay đổi yêu
cầu của khách hàng, cơ hội dịch vụ của các bên liên quan và nhiều khả năng khác.
Vì vậy, IoT là một cơng nghệ có giá trị cho quản lý mơi trường 4.0 vì nó có thể ngăn ngừa
việc hư hỏng máy móc hoặc thiết bị sản xuất do tình trạng hư hại chưa được xác minh trước đó, do
đó phát sinh chất thải ra. Tương tự như vậy, IoT thể nhanh chóng xác minh rằng các cảm biến và
hệ thống không hoạt động bình thường và khơng thể nhận thấy việc sử dụng khơng đúng một tính
năng cụ thể trong một sản phẩm, điều này có thể dẫn đến mất tính năng và sản phẩm, dẫn đến việc
chiết xuất tính năng bị mất và phát thải ra môi trường.
2.1.8. Sản xuất bồi đắp - Additive Manufacturing
Sản xuất bồi đắp (AM) là một công nghệ có mức độ đổi mới cao trong việc sử dụng các
nguồn lực trong sản xuất. Đóng góp chính của AM đối với quản lý mơi trường 4.0 là nó có thể
sử dụng các loại vật liệu khác khơng nhất thiết phải lấy từ tự nhiên để sản xuất các loại sản phẩm

khác nhau.
Với AM, một số phân khúc ngành có thể chuyển đổi sản xuất các sản phẩm của họ bằng cách
sử dụng nguyên liệu không trực tiếp từ tự nhiên hoặc có thể phân hủy sinh học. Bằng cách này,
ngành cơng nghiệp có thể đạt được một hành vi đúng đắn hơn về môi trường liên quan đến việc
mua lại các phụ phẩm từ ngành này cho các đầu vào sản xuất của ngành khác.
Hội thảo Quốc gia 2022

197


Về phát sinh chất thải, AM có thể sử dụng các vật liệu không phù hợp hoặc phụ tùng trong
ngành và làm cho chúng khả thi để sản xuất các sản phẩm mới tích hợp chúng thay vì lựa chọn các
vật liệu được chiết xuất hoặc đúc sẵn, loại bỏ những vật liệu không phù hợp gây ra các kết quả tiêu
cực về môi trường.
2.1.9. Kỹ thuật học máy - Machine Learning
Học máy (ML) là một công nghệ phát triển từ lĩnh vực trí tuệ nhân tạo. Các thuật tốn ML là
các chương trình máy tính có khả năng học hỏi về cách hoàn thành các nhiệm vụ và cách cải thiện
hiệu suất theo thời gian.
ML vẫn đòi hỏi sự đánh giá của con người trong việc tìm hiểu dữ liệu cơ sở và lựa chọn các
kĩ thuật phù hợp để phân tích dữ liệu. Đồng thời, trước khi sử dụng, dữ liệu phải sạch, khơng có
sai lệch và khơng có dữ liệu giả.
Các mơ hình ML u cầu lượng dữ liệu đủ lớn để “huấn luyện” và đánh giá mơ hình. Trước
đây, các thuật toán ML thiếu quyền truy cập vào một lượng lớn dữ liệu cần thiết để mơ hình hóa
các mối quan hệ giữa các dữ liệu. Sự tăng trưởng trong dữ liệu lớn (big data) đã cung cấp các thuật
toán ML với đủ dữ liệu để cải thiện độ chính xác của mơ hình và dự đốn.
2.1.10. Trí tuệ nhân tạo - Aritifical Intelligient
Trí tuệ nhân tạo (AI) là sự thơng minh của máy móc do con người tạo ra, đặc biệt tạo ra cho
máy tính, robot, hay các máy móc có các thành phần tính tốn điện tử. Trí tuệ nhân tạo là một lĩnh
vực của khoa học và cơng nghệ nhằm làm cho máy có những khả năng của trí tuệ và trí thơng minh
của con người, tiêu biểu như biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu

ngôn ngữ và tiếng nói, biết học và tự thích nghi,...
Trí tuệ nhân tạo được ứng dụng trong nhiều khía cạnh của mơi trường ví dụ như: Giúp thay
đổi cách sử dụng năng lượng, làm cho các thành phố trở nên trong sạch và bền vững hơn; Hỗ trợ
xây dựng nền nông nghiệp thơng minh; Góp phần bảo vệ đại dương hay dự đốn sự thay đổi của
thời tiết và khí hậu một cách chính xác hơn,…
2.2. Phương pháp nghiên cứu
Phương pháp phân tích tài liệu, số liệu từ các nghiên cứu đã được xuất bản được áp dụng
trong nghiên cứu này để tìm hiểu và đánh giá thực trạng ứng dụng cơng nghiệp 4.0 trong quản lý
chất thải rắn đô thị.
3. Thực trạng ứng dụng công nghiệp 4.0 trong quản lý chất thải rắn đô thị
3.1. Áp dụng IoT để giám sát thời gian thực về việc phát sinh chất thải rắn đơ thị
Để ứng phó với sự gia tăng phát sinh chất thải rắn đô thị, nhiều hệ thống giám sát khác nhau
áp dụng IoT đã được phát triển để giám sát việc phát sinh chất thải tại Ấn Độ và Trung Quốc [2].
Hệ thống IoT đã được phát triển để giám sát trạng thái hoặc mức độ lấp đầy của các thùng rác để
tạo điều kiện thuận lợi cho công tác hậu cần liên quan đến việc thu gom chất thải thông qua thu
thập, chia sẻ, xử lý dữ liệu và hiển thị thông tin bằng cách sử dụng các cảm biến khác nhau, công
nghệ truyền thông, phần mềm lưu trữ và xử lý dữ liệu.
Các cảm biến khác nhau có thể được sử dụng để đo trọng lượng, khơng gian chiếm dụng và/
hoặc phát sinh khí do chất thải phân huỷ trong các thùng rác, do đó tạo ra dữ liệu liên quan đến
trạng thái hoặc mức độ đầy của thùng. Nghiên cứu của Cerchecci và cộng sự (2018) [3] cho thấy
rằng cảm biến siêu âm có thể cung cấp độ chính xác ở mức 1 cm trong việc đo chiều cao chiếm
trong thùng rác khi chúng chưa đầy. Các cảm biến thường được đặt bên trong thùng rác, nhưng
198

Hội thảo Quốc gia 2022


để đo trọng lượng, cảm biến cũng có thể được gắn vào xe thu gom để đo trọng lượng khi chất thải
đang được chuyển từ thùng rác sang xe thu gom. Ngoài dữ liệu liên quan đến chất thải, hệ thống
GPS được sử dụng để thu thập dữ liệu về vị trí của các xe thu gom. Nghiên cứu của Misra và cộng

sự (2018) [3] cơng bố rằng độ chính xác của cảm biến siêu âm là ~ 3,0 mm.
Việc truyền dữ liệu có thể được thực hiện bằng các công nghệ mạng và truyền thông khác
nhau. Cerchecci và cộng sự (2018) [3] cũng đã sử dụng công nghệ LoRa LPWAN để truyền tải dữ
liệu cảm biến trong thời gian thực từ các thùng rác và chứng minh rằng phạm vi truyền cho nút IoT
nguyên mẫu đến nút cổng là 1,1 km ở trung tâm thành phố, trong khi 2,7 km trong tầm nhìn rõ ràng
giữa các nút. Hơn nữa, cần 10 giây để truyền. Wen và cộng sự (2018) [3] sử dụng module GPRS
để gửi dữ liệu và thông tin trong thời gian thực từ xe thu gom từ các thiết bị cảm biến trên tàu (bao
gồm dữ liệu trọng lượng của chất thải và liên quan đến bộ tạo ra chất thải từ thẻ RFID tương ứng)
đến một máy chủ/điều khiển nền trung tâm. Misra và cộng sự (2018) đã sử dụng module Wi-Fi để
truyền dữ liệu cảm biến từ thùng rác đến máy chủ từ xa.
Wen và cộng sự (2018) cũng đã phát triển một nền tảng quản lý dữ liệu mà dữ liệu từ tất cả các
thiết bị cảm biến trên bo mạch được truyền tải và trực quan hóa để thực hiện quản lý thời gian thực
cho những người ra quyết định [4]. Misra và cộng sự (2018) đã sử dụng một ứng dụng mã nguồn mở
để xử lý dữ liệu. Dữ liệu được hiển thị trực quan trong một ứng dụng di động và có thể được truy cập
để cập nhật trạng thái của các thùng rác liên quan đến khí và khối lượng đổ đầy. Sử dụng máy chủ
đám mây, có thể tạo các ứng dụng ghi nhật ký cảm biến, theo dõi vị trí và mạng lưới [2].
3.2. Áp dụng trí tuệ nhân tạo để dự đoán chất thải phát sinh
Để tạo điều kiện thuận lợi cho các dịch vụ quản lý chất thải ở các khu vực đô thị theo các quy
định và chiến lược liên tục chặt chẽ hơn nhằm cải thiện hoạt động xử lý chất thải rắn sinh hoạt, các
dự báo dựa trên dữ liệu về các dòng chất thải trong tương lai là rất quan trọng [5]. Ở Canada, các
hoạt động quản lý chất thải có sự khác nhau giữa các tỉnh và thành phố. Thêm vào đó, các nhà quản
lý đang mong muốn thay thế nguồn điện sản xuất từ diesel sang nguồn điện từ chất thải [6]. Để
đáp ứng cả hai mục tiêu này, trí tuệ nhân tạo (AI - Aritifical Intelligient), học máy (ML - Machine
learning) đã được sử dụng để dự đoán sự phát sinh chất thải trong tương lai. Việc dự đoán chính
xác về các dịng chất thải trong tương lai có thể cung cấp cho các bên liên quan thông tin để cải
thiện hệ thống quản lý chất thải hiện tại và thiết kế các hệ thống quản lý chất thải mới theo nhu cầu
trong tương lai cả ngắn hạn, trung hạn và dài hạn. Abbasi và El Hanandeh (2016) đã áp dụng 4 kỹ
thuật ML khác nhau bao gồm mạng nơron nhân tạo (ANN), hệ thống suy luận mờ thần kinh thích
ứng (ANFIS), máy vectơ hỗ trợ (SVM) để dự báo CTRSH theo tháng bằng cách sử dụng dữ liệu
trọng số về CTRSH phát sinh hàng tháng từ 18 năm [5].

Kannangara và cộng sự (2018) đã sử dụng cây quyết định và mạng nơron nhân tạo để xây
dựng các mô hình dự đốn CTRSH phát sinh tại Canada. Dữ liệu được sử dụng trong dự đoán bắt
nguồn từ dữ liệu chất thải khu dân cư trong 9 năm. Các tham số được sử dụng bao gồm các biến
dự báo các tham số kinh tế - xã hội và nhân khẩu học [6].
Kontokosta và cộng sự (2018) báo cáo rằng khả năng dự đoán bằng máy học hoạt động tốt
đối với tổng lượng chất thải rắn, chất thải rắn, giấy và kim loại, thủy tinh và nhựa (MGP) cho tất
cả 609 khu vực tại New York vào năm 2016 [7].
3.3. Áp dụng công nghệ học máy trong cải thiện phân loại chất thải rắn đô thị
Cách tiếp cận phân loại rác hiện nay được áp dụng nhiều nhất sử dụng các phương pháp
phân loại chất thải tự động từ xử lý hình ảnh. Với vấn đề này, học máy và trí tuệ nhân tạo được đề
Hội thảo Quốc gia 2022

199


xuất để cải thiện việc phân loại. Ruiz và cộng sự (2019) đã chỉ ra rằng máy tính được lập trình để
phát hiện và phân loại đối tượng bằng cách sử dụng các kỹ thuật phân tích hình ảnh, bao gồm phân
đoạn, trích xuất tính năng, tìm hiểu và phân loại. Việc phân loại hình ảnh thường dựa trên mơ hình
mạng nơron tích chập (Convolutional Neural Network (CNN)) hoặc học sâu (Deep Learning) [8].
Vrancken, Longhurst và Wagland (2019) nói rằng CNN thường được lập trình với tập dữ liệu lớn
về các hình ảnh được gắn nhãn, với nhiều ví dụ về từng loại chất thải rắn cần được phân loại. CNN
được lập trình sau đó được kiểm tra với các hình ảnh mới và riêng biệt trong các loại chất thải tại
Tây Ban Nha.
Ruiz và cộng sự (2019) đã đào tạo và thử nghiệm các mơ hình CNN khác nhau để phân loại
sáu loại chất thải khác nhau (nhựa, kim loại, bìa cứng, giấy, thủy tinh và thùng rác thơng thường)
và đạt độ chính xác trung bình 88,6 %. Học sâu kết hợp với CNN được so sánh với máy vectơ hỗ
trợ (Support Vector Machine - SVM) để phân loại rác thành ba loại (nhựa, giấy và kim loại) trong
nghiên cứu của Sakr et al. (2016), người đã phát hiện ra rằng SVM có thể đạt tỷ lệ phân loại là
95 % trong khi CNN có thể đạt được 83 % [9]. Chu và cộng sự (2018) đã sử dụng kỹ thuật học
sâu kết hợp nhiều lớp, kết hợp hình ảnh ngoài dữ liệu cảm biến, để phân loại chất thải rắn thành 6

loại (giấy, nhựa, kim loại, thủy tinh, phân hủy sinh học và các loại khác) và thu được tỷ lệ chính
xác trên 90 % [10, 11].
Ngồi các ứng dụng điển hình trên của cơng nghiệp 4.0 vào quản lý chất thải rắn nói riêng
thì cịn rất nhiều ứng dụng khác của công nghiệp 4.0 vào quản lý các nguồn thải khác nhằm tối ưu
hoá hiệu quả sử dụng nhiên liệu, năng lượng đồng thời giảm phát sinh chất thải tiến tới sản xuất
và tiêu dùng bền vững.
Tại Việt Nam, nay có nghiên cứu của nhóm các nhà khoa học đứng đầu là phó giáo sư tiến sĩ
Bùi Tá Long đã phát triển mơ hình H - waste trong quản lý chất thải nguy hại. Mơ hình H - waste
là hệ thống thông tin, kết hợp phần cứng (máy đọc và thẻ điện tử) và phần mềm trong một hệ thống
thống nhất. Phần mềm H - waste gồm các module chính: Module nhập liệu, module làm thống
kê, tạo báo cáo, quản lý tin tức môi trường, gắn với bản đồ số, quản lý danh mục, phân quyền và
module tạo chứng từ điện tử.
H - waste hoạt động nhờ kết nối với đường truyền Internet, các dữ liệu về chứng từ chuyển
giao chất thải nguy hại (CTNH) đều được đưa về trung tâm dữ liệu của Sở Tài nguyên và Mơi
trường (TN&MT) Thành phố Hồ Chí Minh. Đồng thời, hệ thống E - card đọc hay ghi thẻ sẽ ghi
nhận thời gian và chuyển về trung tâm dữ liệu. Khi có phát sinh CTNH, khơng kể một phần được
đem đi tái chế hoặc xuất khẩu, phần CTNH còn lại giao cho chủ vận chuyển đến chủ xử lý. Tại
đây, khi đã xử lý an toàn, chủ xử lý sẽ gửi thông báo xác nhận đến Sở TN&MT thông qua Internet.
Trong mỗi bước chuyển giao CTNH, các thông tin đều được truyền về trung tâm dữ liệu [12].
4. Kết luận
Nền tảng công nghệ của cách mạng công nghiệp 4.0 đã được phát triển và ứng dụng trong
lĩnh vực quản lý môi trường nói chung và trong quản lý chất thải rắn đơ thị nói riêng tại nhiều quốc
gia trên thế giới. Điển hình là tại Ấn Độ và Trung Quốc, Internet vạn vật (ToT) được sử dụng để
giám sát việc phát sinh chất thải theo thời gian. Tại tại Canada và Mỹ, cơng nghệ trí tuệ nhân tạo
(AI) được dùng để dự đoán lượng chất thải phát sinh. Tại Tây Ban Nha, các kỹ thuật học máy (ML)
đã giúp phân loại chất thải rắn thành các loại khác nhau với độ chính xác khá cao. Trong khi đó tại
Việt Nam, Internet vạn vật (ToT) cũng đã được ứng dụng để phát triển mơ hình quản lý chất thải
rắn nguy hại. Các ví dụ điển hình trên cho thấy cơng nghệ nền tảng từ cách mạng công nghiệp 4.0
200

Hội thảo Quốc gia 2022


đã và đang được phát triển và ứng dụng hiệu quả tại nhiều quốc gia khác nhau đặc biệt trong lĩnh
vực quản lý chất thải rắn đơ thị. Chính vì vậy có thể đề xuất nhân rộng các mơ hình trên tại Việt
Nam để giúp hoạt động quản lý chất thải rắn nói chung và chất thải rắn đơ thị nói riêng hiệu quả
hơn đặc biệt khi Điều 75 về phân loại, lưu giữ, chuyển giao chất thải rắn sinh hoạt và Điều 77 về
thu gom, vận chuyển chất thải rắn sinh hoạt của Luật Bảo vệ môi trường năm 2020 được thực thi
bắt buộc trên phạm vi cả nước.
TÀI LIỆU THAM KHẢO
[1]. Ana, C. P. C. et al. (2020). Industry 4.0 technologies: What is your potential for environmental
management ?. ISBN: 978 - 1 - 83880 - 094 - 9, United of Kingdom.
[2]. Misra, D. et al. (2018). An IoT - based waste management system monitored by cloud. Journal of
Material Cycles and Waste Management, 20(3), p. 1574-1582. Doi: 10.1007/s10163-018-0720-y.
[3]. Cerchecci, M. et al. (2018). A low power IoT sensor node architecture for waste management within
smart cities context. Sensors, 18(4). Doi: 10.3390/s18041282.
[4]. Chu, Y. et al. (2018). Multilayer hybrid deep - learning method for waste classification and recycling.
Computational intelligence and neuroscience, p. 9. Doi: 10.1155/2018/5060857.
[5]. Wen, Z. et al. (2018). Design, implementation and evaluation of an Internet of Things (IoT) network
system for restaurant food waste management. Waste Management, 73, p. 26 - 38. Doi: https://doi.
org/10.1016/j.wasman.2017.11.054.
[6]. Abbasi, M. and El Hanandeh, A. (2016). Forecasting municipal solid waste generation using artificial
intelligence modelling approaches. Waste Management, 56, p. 13 - 22. Doi: />wasman.2016.05.018.
[7]. Kannangara, M. et al. (2018). Modeling and prediction of regional municipal solid waste generation
and diversion in Canada using machine learning approaches. Waste Management, 74, p. 3 - 15. Doi:
/>[8]. Kontokosta, C. E., Hong, B., Johnson, N. E., & Starobin, D. (2018). Using machine learning and small
area estimation to predict building - level municipal solid waste generation in cities. Computers, Environment
and Urban Systems, 70, p. 151 - 162. Doi: />[9]. Ruiz, V. et al. (2019). Automatic image - based waste classification. Ferrández Vicente, J. M., et al. (ed.)
from Bioinspired systems and Biomedical applications to Machine learning. Cham, Springer International
Publishing, p. 422 - 431.

[10]. Vrancken, C, Longhurst, P. and Wagland, S. (2019). Deep learning in material recovery: Development
of method to create training database. Expert Systems with Applications, 125, p. 268 - 280. Doi: https://doi.
org/10.1016/j.eswa.2019.01.077.
[11]. Chu Y., Huang C, Xie X., Tan B., Kamal S., and Xiong X. (2018). Multilayer hybrid deep - learning
method for waste classification and recycling. Computational Intelligence and Neuroscience, Special Issue,
p. 1 - 9. Doi: />[12]. Sakr, G. E. et al. (2016). Comparing deep learning and support vector machines for autonomous waste
sorting. 2016 IEEE International Multidisciplinary Conference on Engineering Technology (IMCET), 2 - 4
Nov. 2016, p. 207 - 212.
[13]. Bùi Tá Long, Nguyễn Đại Thể, Dương Ngọc Hiếu, Trương Thị Diệu Hiền, Phạm Thị Thu Hà (2009).
Ứng dụng công cụ e - manifest, e - card trong quản lý chất thải nguy hại (CTNH) tại TP. HCM. Tạp chí
Khoa học phổ thơng.

BBT nhận bài: 29/9/2022; Chấp nhận đăng: 31/10/2022

Hội thảo Quốc gia 2022

201