Bestimmung des Anteils an recyceltem Kunststoff in einem Kunststoffprodukt

Warum das für den täglichen Umgang mit Kunststoff wichtig ist

Wasserflaschen, Lebensmittelbehälter und Verpackungen werben zunehmend mit „recyceltem Anteil“, doch bislang gibt es keine zuverlässige Möglichkeit, diese Angaben allein durch Tests am fertigen Produkt zu überprüfen. Diese Studie stellt eine neue nicht-destruktive Methode vor, mit der sich abschätzen lässt, wie viel recycelter Kunststoff tatsächlich in einem Kunststoffgegenstand steckt – durch die Kombination elektrischer und optischer Messungen mit künstlicher Intelligenz. Die Arbeit könnte Regulierungsbehörden, Herstellern und Verbrauchern helfen, Nachhaltigkeitsaussagen zu verifizieren und eine ehrlichere Kreislaufwirtschaft für Kunststoffe zu unterstützen.

Die Herausforderung, recycelte Angaben zu vertrauen

Die globale Kunststoffmenge hat Hunderte Millionen Tonnen pro Jahr erreicht, doch nur ein kleiner Bruchteil wird tatsächlich wiederaufbereitet. Viele Regelwerke zielen heute darauf ab, dass Produkte einen Mindestanteil an recyceltem Kunststoff enthalten. Das Problem ist, dass die chemische Grundstruktur eines Plastiks nach dem Einschmelzen und Umformen – ob neu („virgin“) oder recycelt – fast identisch aussieht. Standard-Labortools, die etwa Gewichtsverluste beim Erhitzen, Schmelzverhalten oder sogar detaillierte molekulare Strukturen messen, können nicht direkt sagen, wie viel eines fertigen Teils aus recycelten Quellen stammt. Lieferkettenprüfungen und optionale chemische Marker existieren, sind aber lückenhaft, selten in echten Produkten vorhanden oder leicht zu umgehen.

Wie sich Kunststoff beim Recycling verändert

Obwohl Recycling die Gesamtchemie eines Kunststoffs wie PET (dem Material der meisten Getränkeflaschen) nicht grundlegend verändert, schädigt es dessen lange Molekülketten. Wiederholtes Erhitzen, Schmelzen und Sauerstoffeinfluss zerbrechen Ketten und führen zu Defekten und feinen Verunreinigungen. Diese subtilen Veränderungen beeinflussen, wie der Kunststoff elektrische Ladung speichert, wie er in einem elektrischen Feld Energie als Wärme verliert und wie seine molekularen Bindungen bei Infrarot-Anregung schwingen. Die Autoren erkannten, dass zwar keine einzelne Messung all diese Effekte ausreichend erfasst, die Kombination mehrerer komplementärer Signale jedoch ein verlässliches Fingerabdruckmuster dafür erzeugen könnte, wie viel recyceltes Material vorhanden ist.

Viele Messungen, ein kombinierter Fingerabdruck

Das Team baute eine „multimodale“ Messtechnik auf, die vier verschiedene Testarten an dünnen PET-Folien mit bekannten Anteilen an recyceltem Material von 0 % bis 100 % anwendet. Erstens werden triboelektrische Tests durchgeführt, bei denen Metallplatten wiederholt auf den Kunststoff gepresst und darüber geschoben werden, um anschließend zu messen, wie schnell die aufgeladene Ladung wieder entweicht. Recycelte Proben halten die Ladung länger, was auf mehr elektrisch aktive Defekte hindeutet. Zweitens platzieren dielektrische und Impedanzmessungen das Material zwischen Kondensatorplatten und prüfen, wie leicht es polarisiert und wie viel Energie es verliert; Rezyklat reduziert tendenziell die Ladungsspeicherfähigkeit und erhöht die Neigung zur Energiezerstreuung. Drittens untersuchen Kapazitätsmessungen in einem einfachen RC-Schaltkreis, wie schnell die Spannung beim Laden und Entladen abklingt, was erneut Unterschiede in der Ladungsspeicherung widerspiegelt. Viertens beleuchtet die mid-infrarot Spektroskopie den Kunststoff mit Infrarotlicht und misst, welche Wellenlängen absorbiert werden; so zeigen sich kleine, aber systematische Verschiebungen bei bestimmten Molekülbindungs‑Schwingungen, wenn Recycling Kettenenden und Kristallinität verändert.

Eine Maschine darin schulen, die Signale zu lesen

Da jede Messung eher eine komplexe Kurve als eine einzelne Zahl ergibt und die Unterschiede zwischen den Proben subtil sein können, wandten sich die Forscher dem maschinellen Lernen zu. Sie speisten alle vier Datentypen in ein tiefes neuronales Netz ein, das darauf ausgelegt ist, die reichen Infrarotspektren in kompakte numerische Zusammenfassungen zu komprimieren und diese dann mit verdichteten Merkmalen aus den elektrischen Messungen zu kombinieren. Um mit der begrenzten Anzahl physischer Proben umzugehen, nutzten sie Datenaugmentation und erzeugten viele realistische Variationen basierend auf den Messstatistiken. Das resultierende Modell konnte PET-Folien in diskrete Rezyklat-Kategorien mit etwa 92 % Gesamterkennungsrate über 0–100 % klassifizieren und erreichte mehr als 97 % Genauigkeit im praktisch wichtigen Bereich von 0–50 % Rezyklatanteil, auf den sich künftige Vorschriften voraussichtlich konzentrieren werden.

Was das für eine sauberere Kunststoffzukunft bedeutet

Für Nicht-Fachleute ist das Kernresultat, dass die Autoren gezeigt haben, dass es technisch möglich ist, ohne Zerstörung des Produkts oder das Vorab-Einbringen spezieller Marker abzuschätzen, wie viel recycelter Kunststoff in einem Produkt steckt. Durch die Kombination mehrerer nicht-destruktiver Tests zu einem einzigen „Fingerabdruck“ und die Interpretation dieses Musters mit künstlicher Intelligenz kann ihre Methode Kunststoffe mit unterschiedlichen Rezyklatanteilen mit hoher Genauigkeit unterscheiden – zumindest für PET aus Getränkeflaschen. Mit weiterer Entwicklung, einschließlich der Anpassung an andere Kunststoffe und vielfältigere Abfallströme, könnte dieser Ansatz die Grundlage für handliche Geräte oder Inline-Werkzeuge in Fabriken bilden, die Rezyklatangaben überprüfen. Das würde die Durchsetzung von Recyclingvorgaben erleichtern, ehrliche Hersteller belohnen und sicherstellen, dass die von uns verwendeten und wiederverwendeten Kunststoffe uns einer echten Kreislaufwirtschaft näherbringen.

Zitation: Zhao, Y., Adhivarahan, C., Jyothula, C.L. et al. Determining the percentage of recycled plastic content in a plastic product. Commun Eng 5, 51 (2026). https://doi.org/10.1038/s44172-026-00639-y

Schlüsselwörter: recycelte Kunststoffe, Kunststoffabfälle, Polyethylenterephthalat, nicht-destruktive Prüfung, Maschinelles Lernen Sensoren