Um piloto avaliado por pares em 10 locais em Lahore, Paquistão, combinou sensores ultrassónicos de nível de enchimento com otimização de rotas por IA na nuvem, processando mais de 200 milhões de pontos de dados e obtendo um ganho de 32% na eficiência das rotas, uma redução de 29% no consumo de combustível, um aumento de 33% no processamento de resíduos e uma redução de 18% nos custos de manutenção de veículos.
32 %
Melhoria da eficiência das rotas (2023-2024)
29 %
Redução do consumo de combustível e das emissões (2023-2024)
33 %
Aumento da capacidade de processamento de resíduos (2023-2024)
18 %
Redução dos custos de manutenção dos veículos (2023-2024)
200+ million
Pontos de dados de sensores processados (2023-2024)
Detalhes
Maturidade
Piloto
Promotor
Lahore municipal solid waste authorities (research pilot with local government collaboration)
Período
2023–2024
Palavras-chave
waste management, IoT, municipal operations, logistics
Contexto
A recolha de resíduos representa um custo elevado e um peso ambiental significativo para cidades em rápido crescimento. Investigadores testaram um sistema inteligente de gestão de resíduos baseado em IoT e IA em 10 locais em Lahore e arredores, no Paquistão, escolhendo deliberadamente locais com populações entre 0,5 e 5 milhões de habitantes e diferentes níveis de rendimento, densidade e clima, em colaboração com as autoridades municipais de resíduos sólidos.
Objetivos
O projeto-piloto procurou testar se sensores ultrassónicos de nível de enchimento dos contentores, combinados com rotas de recolha recalculadas dinamicamente por IA, poderiam superar a recolha por horário fixo, e se eventuais ganhos de eficiência se manteriam em contextos urbanos muito diferentes, e não seriam apenas um resultado pontual de um único local.
Atividades
Sensores ultrassónicos mediam os níveis de enchimento dos contentores e transmitiam os dados através de uma rede LoRaWAN e celular que garantia conectividade em toda a cidade. Uma plataforma de análise na nuvem utilizava estes dados em tempo real para recalcular dinamicamente as rotas de recolha, minimizando tempo, distância e consumo de combustível, substituindo os horários fixos.
Resultados
Ao longo do projeto-piloto, que processou mais de 200 milhões de pontos de dados de sensores, o estudo revisto por pares (PLOS ONE, julho de 2024) reportou uma melhoria de 32% na eficiência das rotas, uma redução de 29% no consumo de combustível e nas emissões, um aumento de 33% na capacidade de processamento de resíduos e uma redução de 18% nos custos de manutenção dos veículos, em comparação com a recolha por rota fixa convencional.
Conclusões
Os resultados provêm de um projeto-piloto multissítio revisto por pares, e não de uma operação permanente confirmada em toda a cidade, e o material publicado não esclarece se algum organismo municipal de Lahore adotou formalmente o sistema como política permanente — uma questão em aberto para quem avalia a durabilidade para além do piloto.
Implementação
Custo indicativo
Médio (50 mil–500 mil €) — Sensor hardware, LoRaWAN/cellular network build-out and cloud analytics platform across 10 sites; cost not disclosed in sources.
Tempo até resultados
Curto (< 1 ano) — Pilot ran 2023-2024, culminating in July 2024 peer-reviewed publication.
Equipa e competências
Research team (multi-site pilot leads), Lahore municipal solid-waste authorities (collaborating partner)
Condições de sucesso
Reliable ultrasonic sensor hardware validated across varying climates and densities
LoRaWAN-and-cellular connectivity covering all 10 pilot sites
Local government collaboration for route/collection data access
Modos de falha comuns
No public confirmation that any Lahore municipal body formally adopted the system as standing policy after the pilot
Onde se enquadra
Tipo de governação
municipal government with academic/research partnership
Escala
multi-site pilot (10 locations, populations 0.5-5 million)
Nível de rendimento
lower-middle income
Implementa esta prática?
Reivindique-a —
implementadores verificados obtêm um contacto público na página e podem propor correções.
Fontes de dados
De onde foi obtida a informação desta prática, e quando.