Bestämning av andelen återvunnet plastinnehåll i en plastprodukt

Varför detta är viktigt för vardaglig plastanvändning

Plastflaskor, matbehållare och förpackningar hävdar allt oftare att de innehåller ”återvunnet material”, men idag finns det inget tillförlitligt sätt att kontrollera om dessa påståenden stämmer genom att endast testa den färdiga produkten. Denna studie presenterar en ny icke-förstörande metod för att uppskatta hur mycket återvunnen plast som faktiskt finns i ett plastföremål, genom att kombinera elektriska och optiska mätningar med artificiell intelligens. Arbetet skulle kunna hjälpa myndigheter, tillverkare och konsumenter att verifiera hållbarhetspåståenden och stödja en mer ärlig cirkulär ekonomi för plaster.

Problemet med att lita på återvinningsmärkning

Den globala plastmängden har nått hundratals miljoner ton per år, men endast en liten del återvinns verkligen. Många regelverk syftar nu till att kräva att produkter innehåller en miniminivå av återvunnen plast. Problemet är att när plast har smälts ned och formats om ser dess grundläggande kemiska identitet nästan likadan ut oavsett om den är ny (”jungfrulig”) eller återvunnen. Standardlaboratorieverktyg som mäter viktminskning vid uppvärmning, smältbeteende eller till och med detaljerade molekylstrukturer kan inte direkt avgöra hur stor del av en färdig produkt som kommer från återvunnet material. Granskningar av leveranskedjor och frivilliga kemiska markörer finns, men de är ofullständiga, sällsynta i verkliga produkter eller för lätta att kringgå.

Hur plast förändras när den återvinns

Även om återvinning vanligtvis inte ändrar den övergripande kemin hos en plast som PET (materialet i de flesta dryckesflaskor), skadar den dess långa molekylkedjor. Upprepade upphettningar, smältningar och exponering för syre bryter kedjorna och introducerar defekter och små föroreningar. Dessa subtila förändringar påverkar hur plasten lagrar elektrisk laddning, hur den förlorar energi som värme i ett elektriskt fält och hur dess molekylbindningar vibrerar när de undersöks med infrarött ljus. Författarna insåg att medan ingen enskild mätning fångar alla dessa effekter tillräckligt tydligt för att avslöja återvunnet innehåll, kan en kombination av flera kompletterande signaler skapa ett pålitligt fingeravtryck för hur mycket återvunnet material som finns.

Många mätningar, ett samlat fingeravtryck

Teamet byggde en ”multimodal” sensorkonfiguration som använder fyra olika typer av tester på tunna PET-filmer med kända mängder återvunnet material från 0 % till 100 %. För det första utförs triboelektriska tester där metallplattor pressas och glider mot plasten upprepade gånger, varefter man mäter hur snabbt den uppbyggda laddningen läcker bort. Återvunna prov behåller laddningen längre, vilket indikerar fler elektriskt aktiva defekter. För det andra utförs dielektriska och impedansmätningar där plasten placeras mellan kondensatorplattor och man undersöker hur lätt den polariseras och hur mycket energi den förlorar; återvunnet innehåll tenderar att minska dess förmåga att lagra laddning och öka tendensen att dissipera energi. För det tredje undersöker kapacitansprov i en enkel resistor–kondensatorkrets hur snabbt spänningen avtar under laddning och urladdning, vilket återigen speglar skillnader i laddningslagring kopplade till defekter. För det fjärde belyser mid-infraröd spektroskopi plasten med infrarött ljus och mäter vilka våglängder som absorberas, vilket avslöjar små men systematiska förskjutningar i specifika molekylbindningsvibrationer när återvinning förändrar kedjeändar och kristallinitet.

Att lära en maskin att läsa signalerna

Eftersom varje mätning ger en komplex kurva snarare än ett enda tal, och eftersom skillnaderna mellan prover kan vara subtila, vände sig forskarna till maskininlärning. De matade alla fyra typer av data till ett djupt neuralt nätverk utformat för att komprimera de rika infraröda spektren till kompakta numeriska sammanfattningar och sedan kombinera dessa med destillerade funktioner från de elektriska mätningarna. För att hantera det begränsade antalet fysiska prover använde de dataaugmentering och skapade många realistiska variationer baserade på statistiken i deras mätningar. Den resulterande modellen kunde klassificera PET-filmer i diskreta kategorier av återvunnet innehåll med ungefär 92 % total noggrannhet över 0–100 % och mer än 97 % noggrannhet i det praktiskt viktiga intervallet 0–50 % återvunnet innehåll, där framtida regelverk sannolikt kommer att fokusera.

Vad detta innebär för en renare plastframtid

För en icke-specialist är huvudresultatet att författarna visat att det är tekniskt möjligt att uppskatta hur mycket återvunnen plast som finns i en produkt utan att skära upp den eller tillsätta särskilda markörer i förväg. Genom att kombinera flera icke-förstörande tester till ett enda ”fingeravtryck” och sedan tolka det med artificiell intelligens kan deras metod skilja plaster med olika nivåer av återvunnet innehåll med hög noggrannhet—åtminstone för PET tillverkad av dryckesflaskor. Med vidare utveckling, inklusive anpassning till andra plaster och mer varierade avfallströmmar, skulle detta tillvägagångssätt kunna utgöra grunden för handhållna eller linjeintegrerade fabriksverktyg som verifierar påståenden om återvunnet innehåll. Det skulle i sin tur göra det mycket lättare att genomdriva återvinningspolicyer, belöna ärliga tillverkare och säkerställa att de plaster vi använder och återanvänder för oss närmare en verklig cirkulär ekonomi.

Citering: 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

Nyckelord: återvunna plaster, plastavfall, polyetylentereftalat, icke-förstörande provning, maskininlärning sensorer