Определение доли переработанного пластика в пластиковом изделии

Почему это важно для повседневного использования пластика

Пластиковые бутылки, контейнеры для пищи и упаковка всё чаще указывают наличие «переработанного содержания», но на сегодняшний день нет надёжного способа проверить эти утверждения, исследуя только готовое изделие. В этом исследовании предложен новый недеструктивный метод оценки того, сколько переработанного пластика действительно содержится в предмете, с помощью сочетания электрических и оптических измерений и искусственного интеллекта. Работа может помочь регуляторам, производителям и потребителям проверять экологические заявления и поддерживать более честную циркулярную экономику для пластика.

Проблема доверия к маркировке «переработано»

Мировой объём пластиковых отходов достигает сотен миллионов тонн в год, но лишь малая часть действительно перерабатывается. Многие политики сейчас стремятся требовать, чтобы продукты содержали минимальный процент переработанного пластика. Проблема в том, что после переплавки и повторного придания формы базовая химическая идентичность пластика выглядит почти одинаково как для нового («вторичного»/virgin) материала, так и для переработанного. Стандартные лабораторные методы, которые измеряют потери веса при нагреве, поведение при плавлении или даже подробную молекулярную структуру, не позволяют напрямую определить долю переработанного материала в готовом изделии. Аудиты цепочек поставок и использование химических меток существуют, но они неполны, редко применяются в реальных продуктах или слишком просты для обхода.

Как пластик меняется при переработке

Хотя переработка обычно не меняет общую химию такого пластика, как ПЭТ (материал большинства бутылок для напитков), она повреждает длинные молекулярные цепи. Многоразовый нагрев, плавление и воздействие кислорода разрывают цепи и вносят дефекты и мелкие примеси. Эти тонкие изменения влияют на то, как пластик хранит электрический заряд, как он теряет энергию в виде тепла в электрическом поле и как вибрируют его молекулярные связи при исследовании инфракрасным светом. Авторы пришли к выводу, что, хотя ни одно отдельное измерение не захватывает все эти эффекты достаточно ясно, сочетание нескольких взаимодополняющих сигналов может создать надёжный «отпечаток» доли переработанного материала.

Множество измерений — один объединённый отпечаток

Команда создала мультимодальную систему датчиков, использующую четыре разных типа тестов на тонких ПЭТ-плёнках с известной долей переработанного материала от 0% до 100%. Во‑первых, трибоэлектрические испытания многократно прижимают и сдвигают металлические пластины по пластику, затем измеряют, как быстро накапленный заряд исчезает. Переработанные образцы удерживают заряд дольше, что указывает на большее количество электрически активных дефектов. Во‑вторых, диэлектрические и импедансные измерения помещают пластик между пластинами конденсатора и исследуют, как легко он поляризуется и сколько энергии теряется; переработанное содержание обычно снижает способность хранить заряд и увеличивает склонность к диссипации энергии. В‑третьих, измерения ёмкости в простой RC‑цепи изучают скорость затухания напряжения при заряде и разряде, снова отражая различия в хранении заряда, связанные с дефектами. В‑четвёртых, среднеинфракрасная спектроскопия облучает пластик инфракрасным светом и фиксирует, какие длины волн поглощаются, выявляя небольшие, но систематические сдвиги в колебаниях конкретных молекулярных связей по мере изменения концов цепей и кристалличности при переработке.

Обучение машины распознавать сигналы

Поскольку каждое измерение даёт сложную кривую, а не одно число, и различия между образцами могут быть тонкими, исследователи обратились к машинному обучению. Они подали все четыре типа данных в глубокую нейронную сеть, спроектированную для сжатия богатых инфракрасных спектров в компактные числовые представления и объединения их с выделенными признаками из электрических измерений. Чтобы справиться с ограниченным числом физических образцов, использовали увеличение данных, создавая множество реалистичных вариаций на основе статистики измерений. Полученная модель смогла классифицировать ПЭТ‑плёнки по дискретным категориям содержания переработанного материала с общей точностью порядка 92% по диапазону 0–100% и более чем 97% точностью в практически важном диапазоне 0–50% переработанного материала, на который, вероятно, будут ориентироваться будущие правила.

Что это означает для более чистого пластикового будущего

Для неспециалиста ключевой вывод в том, что авторы показали техническую осуществимость оценки доли переработанного пластика в изделии без его разрезания или предварительного добавления специальных меток. Объединяя несколько недеструктивных тестов в единый «отпечаток» и интерпретируя его с помощью искусственного интеллекта, их метод способен с высокой точностью различать пластики с разным содержанием переработанного материала — по крайней мере для ПЭТ, полученного из бутылок для напитков. При дальнейшем развитии, включая адаптацию к другим видам пластика и более разнообразным потокам отходов, такой подход мог бы лечь в основу портативных или встроенных в производство инструментов для верификации заявлений о переработанном содержании. Это, в свою очередь, упростит соблюдение правил переработки, вознаграждение честных производителей и обеспечит, чтобы используемые и повторно используемые пластики приближали нас к подлинной циркулярной экономике.

Цитирование: 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

Ключевые слова: переработанные пластики, пластиковые отходы, полиэтилентерефталат, недеструктивное тестирование, датчики и машинное обучение