Binalar yapılırken, yenilenirken veya yıkılırken büyük miktarda inşaat ve yıkım atığı ortaya çıkar. Beton, metal, ahşap, plastik, tuğla ve alçıpan gibi malzemeler bu atıkların önemli bir bölümünü oluşturur.

Bu malzemelerin bir kısmı geri dönüştürülebilir. Ancak geri dönüşümde asıl sorun, malzemenin yalnızca “ne olduğu” değildir. Malzemenin ne kadar temiz olduğu, başka maddelerle karışıp karışmadığı ve yeniden kullanım için uygun olup olmadığı da en az malzeme türü kadar önemlidir.

Bu durum özellikle alçıpan atıkları için geçerlidir.

Alçıpan, iç mekân duvarlarında ve bölmelerde yaygın kullanılan bir yapı malzemesidir. Temel olarak alçı ve kâğıt yüzeyden oluşur. Temiz alçıpan atıkları yeni alçıpan üretiminde, çimento üretiminde veya bazı tarımsal uygulamalarda değerlendirilebilir. Fakat yıkımdan çıkan alçıpan parçaları çoğu zaman boya, çivi, vida, ahşap, yalıtım malzemesi, toz, nem veya küf gibi kirleticiler içerebilir.

Bu nedenle geri dönüşüm tesisleri için kritik soru şudur:

Bu parça geri dönüşüme uygun mu, ek ayrıştırma mı gerekiyor, yoksa ayrı mı işlenmeli?

Yulin Chen, Shenzhou Dai ve Dana Cupkova tarafından hazırlanan çalışma, bu soruya yapay zekâ ve görüntü işleme üzerinden cevap arıyor.

Alçıpanı Sadece “Alçıpan” Olarak Tanımak Yetmiyor

Geleneksel yapay zekâ çalışmalarında inşaat atıkları genellikle geniş sınıflara ayrılır: beton, tuğla, ahşap, metal, plastik, alçıpan gibi.

Bu yaklaşım ilk bakışta faydalıdır. Fakat geri dönüşüm uygulaması açısından yeterli değildir. Çünkü aynı malzeme sınıfındaki iki alçıpan parçası, kirlenme düzeyine göre tamamen farklı işlem gerektirebilir.

Örneğin:

• Temiz bir alçıpan parçası doğrudan geri dönüşüm sürecine alınabilir.
• Boya veya yüzey kaplaması olan bir parça ek değerlendirme gerektirebilir.
• Üzerinde metal, ahşap veya başka inşaat kalıntıları olan parça önce ayrıştırılmalıdır.
• Küflenmiş veya biyolojik olarak zarar görmüş alçıpan ise doğrudan geri dönüşüm için riskli olabilir.

Bu yüzden çalışma, alçıpan atıklarını yalnızca malzeme türüne göre değil, geri dönüşüm kararına göre sınıflandırmayı hedefliyor.

Araştırmada Dört Alçıpan Sınıfı Kullanıldı

Çalışmada toplam 930 görselden oluşan bir alçıpan atığı veri seti oluşturuldu. Görseller, saha fotoğrafları ve web kaynaklı örneklerden derlendi. Araştırmacılar alçıpan atıklarını dört sınıfa ayırdı.

C0 — Temiz Alçıpan  
Görünür bir kirlenme veya yabancı malzeme içermeyen, standart ya da yangına dayanıklı alçıpan parçalarını kapsar. Bu grup en düşük riskli kategori olarak değerlendirilir.

C1 — Yüzey İşlemli Alçıpan  
Boya, kaplama, neme dayanıklı yüzey, küf önleyici işlem veya benzeri yüzey özellikleri taşıyan alçıpanları içerir. Bu parçalar tamamen atık değildir; ancak geri dönüşüm öncesi ek değerlendirme gerektirebilir.

C2 — İnşaat Karışımlı Alçıpan  
Ahşap, metal bağlantı elemanları, bant, yalıtım, beton, toprak veya başka yıkım kalıntılarıyla karışmış alçıpan parçalarını kapsar. Bu grup ayrıştırma gerektiren bir kategori olarak düşünülür.

C3 — Biyolojik veya Küflü Alçıpan  
Küf, nem hasarı, renk değişimi, yumuşama, kabarma veya biyolojik bozulma belirtileri gösteren alçıpanları içerir. Bu grup yüksek riskli kabul edilir ve doğrudan geri dönüşüme alınmamalıdır.

Makaledeki görsel örneklerde de bu dört sınıf açıkça gösteriliyor: temiz alçıpan, yüzey işlemli alçıpan, karışık inşaat atığı içeren alçıpan ve küflü/biyolojik olarak zarar görmüş alçıpan.

Yapay Zekâ Modelleri Nasıl Test Edildi?

Çalışmada beş farklı derin öğrenme modeli karşılaştırıldı:

• ResNet50
• ConvNeXt
• EfficientNet-B1
• Vision Transformer
• Swin Transformer

Bu modeller, görselleri inceleyerek alçıpanın hangi kategoriye ait olduğunu tahmin etmeye çalıştı. Amaç yalnızca yüksek doğruluk almak değil; geri dönüşüm açısından kritik sınıfları doğru ayırabilmekti.

Sonuçlara göre en iyi performansı Vision Transformer modeli gösterdi. ImageNet-1K üzerinde ön eğitilmiş bu model, testlerde yaklaşık %97,16 doğruluk ve %97,20 makro F1 skoru elde etti.

Bu oranlar, yapay zekânın görsel ipuçlarına dayanarak alçıpan kirlenme durumunu oldukça başarılı şekilde ayırt edebileceğini gösteriyor.

Neden Vision Transformer Daha Başarılı Olmuş Olabilir?

Vision Transformer, görüntüyü küçük parçalara ayırarak bu parçalar arasındaki ilişkileri öğrenen bir yapay zekâ mimarisidir. Bu tür modeller, yalnızca tek bir bölgedeki dokuya değil, görüntünün genel yapısına da bakabilir.

Alçıpan sınıflandırmasında bu önemli olabilir. Çünkü kirlenme her zaman tek bir küçük noktada görünmez. Bazen yüzey rengi, kenar yapısı, bağlı malzemeler, nem izi veya küf dağılımı birlikte değerlendirilmelidir.

Bu nedenle Vision Transformer modelinin daha geniş görsel ilişkileri yakalayabilmesi, alçıpan atıklarındaki farklı kirlenme türlerini ayırt etmede avantaj sağlamış olabilir.

Her Büyük Yapay Zekâ Daha İyi Sonuç Vermiyor

Çalışmanın dikkat çekici bir sonucu daha var.

Araştırmacılar farklı ön eğitim stratejilerini de karşılaştırdı. Daha büyük veriyle veya görüntü-metin eşleştirmesiyle eğitilmiş bazı modellerin bu özel görevde daha iyi performans göstermediği görüldü.

Bu önemli bir ders veriyor:

Yapay zekâda daha büyük model veya daha büyük eğitim kaynağı her zaman daha iyi sonuç anlamına gelmez.

Özellikle geri dönüşüm, atık ayrıştırma ve malzeme tanıma gibi alanlarda görev çok özeldir. Modelin başarısı, yalnızca genel görsel bilgiye değil; hedef malzemenin yüzey dokusu, renk farkı, kirlenme tipi ve pratik geri dönüşüm kararlarıyla ilişkili özellikleri öğrenebilmesine bağlıdır.

Geri Dönüşüm İçin Neden Önemli?

İnşaat ve yıkım atıklarının geri dönüşümünde en büyük sorunlardan biri karışık ve kirli atıkların ayrıştırılmasıdır. Geleneksel ayrıştırma çoğu zaman insan emeğine dayanır. Bu süreç hem maliyetlidir hem de çalışanlar için toz, keskin parçalar, ağır malzemeler ve kirleticiler nedeniyle risk oluşturabilir.

Görüntü işleme ve yapay zekâ destekli sistemler bu süreci daha güvenli, daha hızlı ve daha tutarlı hale getirebilir.

Örneğin bir geri dönüşüm tesisinde kamera sistemi, banttan geçen alçıpan parçalarını tarayabilir. Yapay zekâ modeli bu parçaları temiz, işlemli, karışık veya küflü olarak sınıflandırabilir. Daha sonra robotik sistem veya operatör bu bilgiye göre parçayı farklı hatta yönlendirebilir.

Bu sayede:

• Temiz alçıpanlar daha kolay geri kazanılabilir.
• Kirli parçalar ek ayrıştırmaya gönderilebilir.
• Küflü veya riskli parçalar ayrı işlenebilir.
• Geri dönüştürülen malzemenin kalitesi artabilir.
• Depolama sahasına giden atık miktarı azalabilir.

Bu, döngüsel ekonomi açısından önemli bir adımdır. Çünkü atığın gerçekten tekrar kaynağa dönüşebilmesi için doğru sınıflandırılması gerekir.

Çalışmanın Sınırları

Bu araştırma önemli bir başlangıç olsa da bazı sınırları var.

İlk olarak veri seti 930 görselden oluşuyor. Bu sayı bir araştırma prototipi için değerli olsa da, gerçek endüstriyel kullanım için daha büyük ve daha çeşitli veri setlerine ihtiyaç vardır.

İkinci olarak çalışma yalnızca RGB görüntülerle yapılmış. Yani model yalnızca kameranın gördüğü yüzey bilgisine dayanıyor. Oysa bazı kirleticiler, kimyasal katkılar veya gizli nem hasarı çıplak gözle görünmeyebilir.

Üçüncü olarak gerçek geri dönüşüm tesislerinde atıklar üst üste binmiş, tozlu, hareketli bant üzerinde, farklı ışık koşullarında ve karışık halde olabilir. Bu nedenle modelin gerçek saha ortamında da test edilmesi gerekir.

Dördüncü olarak çalışma görüntü düzeyinde sınıflandırmaya odaklanıyor. Gerçek tesislerde yalnızca “bu görsel hangi sınıf?” sorusu değil, “görüntüdeki kirlenmiş alan tam olarak nerede?” sorusu da önemlidir. Bunun için ileride nesne tespiti ve segmentasyon modelleri gerekebilir.

Sonuç

Bu çalışma, yapay zekânın inşaat ve yıkım atıklarının geri dönüşümünde yalnızca malzemeyi tanımakla kalmayıp, malzemenin geri dönüşüme uygunluk durumunu da değerlendirmeye yardımcı olabileceğini gösteriyor.

Alçıpan gibi yaygın kullanılan bir yapı malzemesi için kirlenme düzeyinin doğru belirlenmesi, geri dönüşüm kalitesini artırabilir ve depolama sahasına giden atık miktarını azaltabilir.

Çalışmada geliştirilen dört sınıflı alçıpan veri seti ve model karşılaştırması, gelecekte daha akıllı geri dönüşüm tesisleri için önemli bir temel oluşturuyor.

Geleceğin atık ayrıştırma sistemleri yalnızca “bu beton mu, ahşap mı, alçıpan mı?” diye sormayacak. Aynı zamanda şunu da soracak:

Bu malzeme ne kadar temiz, nasıl işlenmeli ve geri dönüşüm için doğru hatta mı yönlendirilmeli?

Yapay zekânın geri dönüşümdeki asıl değeri de burada ortaya çıkıyor.

Kaynak ve Yöntem Notu

Bu içerik, Yulin Chen, Shenzhou Dai ve Dana Cupkova tarafından hazırlanan “Deep Learning–Enabled Drywall Classification for C&D Waste: A Recycling-Oriented Dataset” başlıklı akademik çalışmadan yararlanılarak Verianla editoryal formatında özgün olarak hazırlanmıştır.

Not: Bu yazı bilgilendirme ve eğitim amacıyla hazırlanmıştır. İnşaat atığı yönetimi, çevre mevzuatı, iş güvenliği, geri dönüşüm yatırımı veya profesyonel mühendislik danışmanlığı yerine geçmez. Alçıpan atıklarının işlenmesi, yerel mevzuat, tesis koşulları ve uzman değerlendirmesi dikkate alınarak yapılmalıdır.