Ultrasuoni ad alta frequenza combinati con deep learning permettono l’identificazione e la stima delle dimensioni delle microplastiche

Perché i frammenti di plastica minuscoli ci riguardano tutti

La plastica si frammenta in particelle così piccole da non essere visibili, eppure ora le ritroviamo nei mari, nel suolo, nell’aria e perfino all’interno di organi umani. Monitorare queste “microplastiche” è fondamentale per capire come si muovono nell’ambiente e quale impatto possano avere sulla salute. Ma le analisi di laboratorio odierne sono lente, costose e difficili da applicare fuori da contesti controllati. Questo studio esplora un modo più rapido e non distruttivo per rilevare e misurare le microplastiche usando onde sonore e intelligenza artificiale, aprendo la possibilità di monitoraggi in tempo reale in fiumi, laghi e impianti di trattamento.

Ascoltare la plastica con il suono

Invece di illuminare le particelle, i ricercatori hanno usato ultrasuoni ad alta frequenza—onde sonore ben oltre ciò che l’uomo può udire—per sondare piccole sfere fatte di diverse plastiche e materiali di riferimento. Quando un impulso a ultrasuoni colpisce una particella, una parte del suono viene diffusa indietro verso il sensore. Il pattern esatto di questo eco dipende dalla dimensione della particella e dal materiale di cui è composta, compresa la sua densità e rigidità. Operando a frequenze comparabili alla dimensione delle particelle, il team ha fatto in modo che gli echi di ritorno contenessero firme ricche e distinguibili che codificano sia il tipo di materiale sia la dimensione.

Dagli echi grezzi alle particelle etichettate

Per trasformare l’idea in un sistema funzionante, il team ha incorporato microsfere di plastica (PE e PMMA) e non plastiche (vetro e acciaio) in un gel morbido che imita l’acqua. Un singolo trasduttore a ultrasuoni ha scandito il campione punto per punto, raccogliendo un blocco tridimensionale di dati: due direzioni spaziali più il tempo. Un algoritmo personalizzato di “estrazione dei picchi” ha poi setacciato questo blocco per trovare gli echi più forti, corrispondenti a particelle individuali. Ogni eco individuato è stato confrontato con immagini microscopiche corrispondenti per confermare che l’algoritmo stesse effettivamente colpendo singole particelle piuttosto che rumore o aggregati, raggiungendo una precisione di rilevamento di circa il 96%.

Insegnare ai computer a riconoscere la plastica

Una volta isolate le tracce specifiche delle particelle, i ricercatori hanno analizzato i segnali sia nel dominio del tempo sia in quello della frequenza. Hanno calcolato un insieme di semplici caratteristiche numeriche—come quanto erano disperse le frequenze del segnale e dove era concentrata la maggior parte dell’energia. Queste caratteristiche differivano in modi caratteristici a seconda del materiale. Il team ha addestrato diversi modelli di machine learning standard su queste caratteristiche e ha anche costruito una rete neurale convoluzionale monodimensionale (1D-CNN) che apprendeva i pattern direttamente dai dati grezzi in frequenza. Nei numerosi test, la CNN ha ottenuto le migliori prestazioni, identificando correttamente il materiale delle singole particelle con un’accuratezza media a livello di particella di circa il 97%, anche in campioni misti contenenti più materiali contemporaneamente.

Misurare la dimensione oltre al tipo

Oltre a distinguere i materiali, il metodo può anche stimare quanto è grande ogni particella. La forma dello spettro degli ultrasuoni retrodiffusi si allunga in modo prevedibile al variare del diametro della particella. Per cogliere questo effetto, i ricercatori hanno addestrato piccole reti neurali chiamate percettroni multistrato, una per ciascun materiale, per classificare le particelle in quattro intervalli di dimensione da circa 20 micrometri fino a circa 300 micrometri. Questi modelli hanno raggiunto un’accuratezza media superiore al 99%, con prestazioni quasi perfette per la maggior parte dei materiali. È importante che tutti i dati di addestramento e di test siano stati separati a livello di particella, garantendo che i modelli siano stati veramente valutati su particelle che non avevano mai “visto” prima.

Passi verso il monitoraggio nel mondo reale

Sebbene gli esperimenti attuali abbiano usato particelle stazionarie incorporate nel gel, l’approccio di base si presta bene a sistemi con acqua in movimento. L’hardware a ultrasuoni è compatto e la pipeline di analisi può elaborare oltre mille segnali al secondo, abbastanza veloce da sostenere flussi continui. Le principali sfide rimanenti riguardano il rilevamento di particelle molto piccole con echi deboli e la gestione di regioni affollate dove le particelle si sovrappongono. Tuttavia, lo studio dimostra che gli ultrasuoni ad alta frequenza, abbinati all’IA moderna, possono funzionare come un “sonar per microplastiche”, identificando rapidamente di cosa sono fatte e quanto sono grandi senza agenti chimici o ottiche complesse.

Cosa significa per la vita di tutti i giorni

Per il pubblico non specialista, il messaggio chiave è che presto potremmo avere strumenti in grado di osservare le microplastiche in tempo reale invece di limitarsi a esami di laboratorio lenti. Questo potrebbe aiutare a tracciare l’inquinamento proveniente da fabbriche, impianti di trattamento delle acque o deflussi pluviali, e fornire a regolatori e comunità dati migliori su dove le plastiche si accumulano. Ascoltando come le particelle minuscole diffondono il suono, questo metodo offre una via pratica verso il monitoraggio e, in prospettiva, la gestione di una delle forme più pervasive di inquinamento moderno.

Citazione: Zarrabi, N., Strohm, E.M., Rezvani, H. et al. High-frequency ultrasound combined with deep learning enables identification and size estimation of microplastics. npj Emerg. Contam. 2, 9 (2026). https://doi.org/10.1038/s44454-026-00029-1

Parole chiave: microplastiche, rilevamento a ultrasuoni, deep learning, monitoraggio ambientale, analisi delle dimensioni delle particelle