Résumé :
La prolifération des appareils électroniques a engendré une quantité sans précédent de déchets, nécessitant des solutions efficaces pour réduire l'impact environnemental et maximiser la récupération des ressources qu'ils contiennent. Dans cette optique, mes travaux de thèse s’articulent autour de la conception d’un prototype de tri et du processus qui l’accompagne intégrant des avancées majeures dans la reconnaissance et la caractérisation des déchets électroniques. Permettant d’accéder à des ressources jusqu’alors inexploitées et perdues (Maurice et al. 2021).
Ce prototype fonctionne grâce à une combinaison innovante de technologies et d'intelligence artificielle. Le processus de tri se base tout d'abord sur la reconnaissance optique des composants électroniques. Pour ce faire, nous utilisons une reconnaissance optique basée sur l'intelligence artificielle pour identifier et classer les différents composants électroniques en fonction de leur apparence. Cette approche permet une détection rapide et précise (> 95 %) des composants. Cette approche présente néanmoins un défaut majeur ; le manque d’information sur la composition chimique des composants. Deux composants similaires optiquement pouvant renfermer des éléments différents. Pour pouvoir accéder à ces informations, nous utilisons en addition des informations optiques de la spectroscopie multi-énergies par transmission de rayons-X. Basée sur un détecteur développé par le CEA-LETI, cette technique permet d'analyser en profondeur les matériaux, révélant ainsi leur composition élémentaire. Grâce à des modèles d’intelligence artificielle, notre système est capable de reconnaître et de classifier les composants en fonction de leur composition chimique, permettant une séparation précise des éléments précieux et stratégiques. Globalement, le banc de tri avancé ainsi développé permet de trier les composants électriques à de cadences compatibles avec celles requise par les industrielles du recyclage (Charpentier et al., 2023).
Cette innovation technologique, qui représente une première mondiale, ouvre de nouvelles perspectives dans le domaine du recyclage des déchets électroniques. Grâce à notre méthode novatrice, nous avons pu la rentabilité de l’extraction de la mine urbaine d’éléments jusqu'alors inexploités. Ceci venait du fait que leurs concentrations dans le gisement global y est généralement trop faible pour être recyclés directement dans le flux initial de déchets électroniques. Grâce à notre outil de tri avancé, ces concentrations dans les bacs de tri peut être multiplié d’un facteur 100 à 10 000, selon le métal considéré, les rendant ainsi recyclable de façon rentable. C’est par exemple le cas de terres rares comme le néodyme présent dans certains condensateurs (Xia et al., 2022), ou encore du tantale ainsi que de nombreux autres éléments qui étaient jusqu’à maintenant perdus lors des procédés de recyclage classique.
Ces avancées dans le tri des déchets électroniques peuvent avoir un impact considérable tant sur le plan environnemental qu’économique. Ce procédé s’inscrit donc dans une démarche de gestion des déchets durable et efficace grâce à une meilleure rentabilité économique de traitement des déchets électroniques avec l’accès à des éléments de valeur. Cela permet enfin d’accélérer l’essor du minage urbain en permettant à certains pays ou régions du monde à réduire leur dépendance vis-à-vis de l’approvisionnement en matières premières de leurs industries.
Mots-clés : Recyclage, Caractérisation des matériaux, Apprentissage machine, Instrumentation.
Sujet de thèse financé par le projet ANR : "REVIWEE" (ANR-22-PERE-0009) et le PEPR (Programmes et équipements prioritaires de recherche) "Recyclage".
Electronic waste recycling : sorting and reuse
Abstract:
This thesis presents the development of an innovative approach to the sorting and characterisation of electronic components in the context of Waste Electrical and Electronic Equipment (WEEE) recycling. By integrating advanced machine vision, multi-energy X-ray absorption spectroscopy and machine learning techniques, this study proposes a comprehensive and accurate sorting process.
This study demonstrates the effectiveness of optical sorting based on machine vision coupled with sorting algorithms such as convolutional neural networks (CNN). This combination allows similar electronic components to be efficiently grouped together, making them easier to recycle. In addition to optical sorting, X-ray absorption spectroscopy is being introduced to overcome the limitations of optical sorting by providing crucial information on the elemental composition of electronic components.The integration of all these sorting methods into a single process, supported by the construction of a prototype, demonstrates the relevance of this approach.
The overall process offers the opportunity not only to group similar electronic components efficiently, but also to significantly enrich the final streams with targeted elements, enabling the recovery of previously lost elements due to their low concentration in WEEE. This study opens the door to large-scale industrial application of the process, making it economically viable to recycle many elements of interest. And more importantly this approach that is compatible with today's challenges in WEEE recycling.
Keywords: Recycling, Materials characterisation, Machine learning.
Thesis funded by the ANR project: "REVIWEE" (ANR-22-PERE-0009) and the PEPR (Priority research programs and equipment) "Recyclage".
