Plastic-to-x modelling considering energy integration using a machine-learning-embedded multi-objective graph-theoretic optimization approach: an EU-27 case study

The growing environmental and economic challenges associated with plastic waste call for sustainable recycling solutions that align with circular economy principles and energy decarbonization goals. This work develops a novel machine learning-embedded multi-objective graph-theoretic (P-graph) optimization framework to evaluate plastic-to-X pathways across the EU-27, including Norway and Ireland. Four recycling strategies are examined: mechanical recycling (plastic-to-plastic), pyrolysis to pyro-oil (plastic-to-fuel), gasification to methanol (plastic-to-chemical), and incineration (plastic-to-energy), each applied to four plastic compositions, i.e., mixed plastics (MP), polyethylene (PE), polypropylene (PP), and polystyrene (PS). The model integrates country-specific electricity mixes and normalizes performance based on both total cost and CO₂ emissions using surrogate models derived from process simulations and literature data. Results show that pathway selection is influenced by both plastic composition and the national electricity profile. Mechanical recycling is economically favored for pure streams like HDPE, while pyrolysis dominates PS and PP due to high oil yields and low emissions. MP, a hybrid approach combining mechanical recycling and methanol production is consistently selected. An analysis of the top 1000 near-optimal solutions reveal that the combination of multiple pathways is attractive as opposed to single technologies. These near-optimal solutions are particularly valuable for decision-makers, as they can accommodate practical considerations not explicitly captured in the model, such as policy constraints, infrastructure availability, or technological readiness. This study provides a comprehensive decision-support framework for optimizing plastic waste valorization under region-specific energy conditions.

Le crescenti sfide ambientali ed economiche legate ai rifiuti plastici richiedono soluzioni di riciclo sostenibili che rispettino i principi dell’economia circolare e gli obiettivi di decarbonizzazione energetica. Questo lavoro sviluppa un nuovo quadro di ottimizzazione grafico multi-obiettivo con apprendimento automatico incorporato (P-graph) per valutare i percorsi plastic-to-X nell’UE-27, inclusi Norvegia e Irlanda. Sono analizzate quattro strategie di riciclo: riciclo meccanico (plastica in plastica), pirolisi per ottenere olio di pirolisi (plastica in combustibile), gassificazione per produrre metanolo (plastica in prodotto chimico) e incenerimento (plastica in energia), applicate a quattro tipologie di plastica: plastica mista, polietilene, polipropilene e polistirene. Il modello integra i mix elettrici specifici di ciascun paese e normalizza le prestazioni in funzione sia del costo totale sia delle emissioni di CO₂, utilizzando modelli surrogati derivati da simulazioni di processo e dati di letteratura. I risultati mostrano che la scelta del percorso dipende sia dalla composizione della plastica sia dal profilo elettrico nazionale. Il riciclo meccanico è economicamente favorito per flussi puri come l’HDPE, mentre la pirolisi domina per PS e PP grazie agli elevati rendimenti in olio e alle basse emissioni. Per la plastica mista viene selezionato costantemente un approccio ibrido che combina riciclo meccanico e produzione di metanolo. L’analisi delle mille soluzioni quasi ottimali rivela che la combinazione di più percorsi è più vantaggiosa rispetto all’impiego di singole tecnologie. Queste soluzioni quasi ottimali sono particolarmente preziose per i decisori, poiché consentono di considerare aspetti pratici non esplicitamente inclusi nel modello, come vincoli normativi, disponibilità di infrastrutture o maturità tecnologica. Questo studio fornisce un quadro completo di supporto alle decisioni per ottimizzare la valorizzazione dei rifiuti plastici in funzione delle condizioni energetiche specifiche di ciascuna regione.