Bepalen van het percentage gerecycled kunststof in een kunststofproduct

Waarom dit belangrijk is voor alledaags kunststofgebruik

Kunststofflessen, voedselverpakkingen en andere verpakkingen beweren steeds vaker dat ze "gerecyclede inhoud" bevatten, maar op dit moment is er geen betrouwbare manier om die beloften te controleren door alleen het eindproduct te testen. Deze studie introduceert een nieuwe niet-destructieve methode om te schatten hoeveel gerecycled kunststof daadwerkelijk in een voorwerp zit, door een combinatie van elektrische en optische metingen te gebruiken samen met kunstmatige intelligentie. Dit werk kan toezichthouders, fabrikanten en consumenten helpen duurzaamheidsclaims te verifiëren en een eerlijkere circulaire economie voor kunststoffen ondersteunen.

De uitdaging van vertrouwen in recyclinglabels

De wereldwijde hoeveelheid kunststofafval bereikt honderden miljoenen tonnen per jaar, maar slechts een klein deel wordt daadwerkelijk gerecycled. Veel beleidsmaatregelen proberen nu te eisen dat producten een minimumpercentage gerecycled kunststof bevatten. Het probleem is dat zodra kunststof is gesmolten en opnieuw gevormd, de basischemie vrijwel hetzelfde lijkt, of het nu nieuw ("virgin") of gerecycled materiaal is. Standaard laboratoriummethoden die gewichtsverlies bij verwarming, smeltgedrag of zelfs gedetailleerde moleculaire structuren meten, kunnen niet direct aangeven hoeveel van een gefabriceerd product uit gerecyclede bronnen komt. Audits van toeleveringsketens en optionele chemische tracers bestaan wel, maar ze zijn onvolledig, zeldzaam in echte producten of te gemakkelijk te omzeilen.

Hoe kunststof verandert bij recycling

Hoewel recycling doorgaans de algemene chemie van een kunststof zoals PET (het materiaal in de meeste frisdrankflessen) niet verandert, beschadigt het wel de lange moleculaire ketens. Herhaaldelijk verwarmen, smelten en blootstelling aan zuurstof breekt ketens af en introduceert defecten en kleine onzuiverheden. Deze subtiele veranderingen beïnvloeden hoe de kunststof elektrische lading opslaat, hoe hij energie verliest als warmte in een elektrisch veld, en hoe zijn moleculaire bindingen trillen wanneer ze met infraroodlicht worden onderzocht. De auteurs realiseerden zich dat, hoewel geen enkele meting al deze effecten duidelijk genoeg vastlegt om gerecycled aandeel te onthullen, het combineren van meerdere complementaire signalen mogelijk een betrouwbaar vingeroordeel kan opleveren van hoeveel gerecycled materiaal aanwezig is.

Veel metingen, één gecombineerde vingerafdruk

Het team bouwde een "multi-modale" meetsysteem dat vier verschillende soorten tests uitvoert op dunne PET-films met bekende hoeveelheden gerecycled materiaal van 0% tot 100%. Ten eerste voeren tribo-elektrische tests herhaaldelijk metalen platen op het kunststof, en meten vervolgens hoe snel de opgebouwde lading weglekt. Gerecyclede monsters houden lading langer vast, wat duidt op meer elektrisch actieve defecten. Ten tweede plaatsen diëlektrische en impedantiemetingen het kunststof tussen condensatorplaten en onderzoeken hoe gemakkelijk het polariseert en hoeveel energie het verliest; gerecycled aandeel lijkt zijn vermogen om lading op te slaan te verminderen en zijn neiging om energie te dissiperen te vergroten. Ten derde onderzoeken capaciteitsmetingen in een eenvoudig RC-circuit hoe snel de spanning vervalt tijdens laden en ontladen, wat opnieuw verschillen in ladingopslag als gevolg van defecten weerspiegelt. Ten slotte schijnt midden-infraroodspectroscopie infraroodlicht op het kunststof en meet welke golflengten worden geabsorbeerd, waarbij kleine maar systematische verschuivingen in specifieke moleculaire bindingsvibraties zichtbaar worden naarmate recycling keteneinden en kristalliniteit verandert.

Een machine leren de signalen te lezen

Aangezien elke meting een complexe curve oplevert in plaats van één enkel getal, en omdat de verschillen tussen monsters subtiel kunnen zijn, wendden de onderzoekers zich tot machine learning. Ze voerden alle vier soorten data in een diep neuraal netwerk dat is ontworpen om de rijke infraroodspectra te comprimeren tot compacte numerieke samenvattingen en die vervolgens te combineren met gedestilleerde kenmerken uit de elektrische metingen. Om om te gaan met het beperkte aantal fysieke monsters gebruikten ze data-augmentatie, waarbij veel realistische variaties werden gecreëerd op basis van de statistiek van hun metingen. Het resulterende model kon PET-films classificeren in discrete categorieën van gerecycled aandeel met ongeveer 92% totale nauwkeurigheid over 0–100% en meer dan 97% nauwkeurigheid in het praktisch belangrijke bereik van 0–50% gerecycled materiaal, waar toekomstige regelgeving waarschijnlijk op zal focussen.

Wat dit betekent voor een schonere kunststoftoekomst

Voor de niet-specialist is de kern dat de auteurs hebben aangetoond dat het technisch haalbaar is om te schatten hoeveel gerecycled kunststof in een product zit zonder het te versnijden of vooraf speciale markers toe te voegen. Door meerdere niet-destructieve tests te combineren tot één "vingerafdruk" en die vingerafdruk vervolgens met kunstmatige intelligentie te interpreteren, kan hun methode kunststoffen met verschillende gerecyclede inhoudsniveaus onderscheiden met hoge nauwkeurigheid—althans voor PET gemaakt van drankflessen. Met verdere ontwikkeling, waaronder aanpassing aan andere kunststoffen en meer gevarieerde afvalstromen, zou deze aanpak handheld- of in-lijn fabrieksinstrumenten kunnen ondersteunen die recyclingclaims verifiëren. Dat zou het eenvoudiger maken om recyclingbeleid af te dwingen, eerlijke fabrikanten te belonen en te zorgen dat de kunststoffen die we gebruiken en hergebruiken ons dichter bij een echte circulaire economie brengen.

Bronvermelding: 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

Trefwoorden: gerecyclede kunststoffen, kunststofafval, polyethyleentereftalaat, niet-destructieve testen, machine learning sensoren