Yüksek frekanslı ultrason ile derin öğrenmenin birleşimi mikroplastiğin tanımlanmasını ve boyut tahminini sağlıyor

Neden küçük plastik parçacıklar hepimizi ilgilendiriyor

Plastik, gözümüzün göremeyeceği kadar küçük parçalara ayrılıyor ve artık okyanuslar, toprak, hava ve hatta insan organlarında bile bulunuyor. Bu “mikroplastikleri” takip etmek, çevrede nasıl yayıldıklarını ve sağlığımıza neler yapabileceklerini anlamak için kritik önemde. Ancak günümüz laboratuvar testleri yavaş, pahalı ve kontrollü ortamların dışına kolayca taşınamıyor. Bu çalışma, ses dalgaları ve yapay zekâ kullanarak mikroplastikleri hızlı ve tahribatsız şekilde tespit edip ölçebilen bir yaklaşımı araştırıyor; bu da nehirler, göletler ve arıtma tesislerinde gerçek zamanlı izlemeye kapı açıyor.

Plastiği sese dinlemek

Araştırmacılar parçacıklara ışık tutmak yerine insanın duyabileceğinin çok üzerinde frekansta yüksek frekanslı ultrason—yani ses dalgaları—kullandı; farklı plastiklerden ve referans materyallerden yapılmış küçük küreleri incelemek için. Bir ultrason darbesi bir parçacığa çarptığında, bir kısmı tekrar detektöre doğru saçılır. Bu yankının tam deseni parçacığın boyutuna ve yoğunluğu ile sertliği gibi yapıldığı maddeye bağlıdır. Ekip, yankıların hem malzeme tipini hem de boyutu kodlayan zengin, ayırt edilebilir imzalar taşımasını sağlamak için parçacık boyutuna benzer frekanslarda çalıştı.

Ham yankılardan etiketli parçacıklara

Bu fikri çalışan bir sisteme dönüştürmek için ekip, plastik (PE ve PMMA) ve plastik olmayan (cam ve çelik) mikroküreleri suyu taklit eden yumuşak bir jel içinde gömdü. Tek bir ultrason dönüştürücü örneği nokta nokta tarayarak iki uzamsal yön artı zamanı içeren üç boyutlu bir veri bloğu topladı. Ardından özel bir “tepe ayıklama” algoritması bu blok içinde en güçlü yankıları aradı; bunlar bireysel parçacıklara karşılık geliyor. Tespit edilen her yankı, algoritmanın gerçekten gürültü veya kümeler yerine tek parçacıklara kilitlenip kilitlenmediğini doğrulamak için eşleşen mikroskop görüntüleriyle çapraz kontrol edildi ve yaklaşık %96 tespit doğruluğu elde edildi.

Bilgisayarlara plastiği tanıtmak

Parçacığa özgü yankılar izole edildikten sonra araştırmacılar sinyallere hem zaman hem de frekans düzeyinde baktı. Sinyalin frekanslarının ne kadar yayıldığı ve enerjisinin çoğunun nerede yoğunlaştığı gibi bir dizi basit sayısal özellik hesapladılar. Bu özellikler malzemeden malzemeye karakteristik biçimde farklılık gösteriyordu. Ekip, bu özellikler üzerinde birkaç standart makine öğrenmesi modeli eğitti ve ayrıca ham frekans verisinden doğrudan desenleri öğrenen bir boyutlu evrişimli sinir ağı (1D-CNN) geliştirdi. Pek çok testte CNN en iyi performansı gösterdi ve karışık örneklerde bile bireysel parçacıkların malzemesini ortalama yaklaşık %97 doğrulukla doğru tanımladı.

Türünü olduğu kadar boyutunu da ölçmek

Malzemeleri ayırt etmenin ötesinde, yöntem her parçacığın ne kadar büyük olduğunu da tahmin edebiliyor. Geri saçılan ultrason spektrumunun şekli, parçacık çapı değiştikçe öngörülebilir şekilde gerilir. Bunu yakalamak için araştırmacılar, her malzeme için birer tane olmak üzere küçük çok katmanlı algılayıcılar (multilayer perceptron) eğiterek parçacıkları yaklaşık 20 mikrometreden 300 mikrometre civarına kadar dört boyut aralığına ayırdı. Bu modeller ortalama %99’un üzerinde doğruluk elde etti ve çoğu malzeme için neredeyse mükemmel performans gösterdi. Önemli olarak, tüm eğitim ve test verileri parçacık düzeyinde ayrıldı; bu da modellerin gerçekten daha önce “görmedikleri” parçacıklar üzerinde test edildiğini garanti ediyor.

Gerçek dünya izleme için atılacak adımlar

Mevcut deneyler sabit parçacıkların jel içinde kullanılmasıyla sınırlı olsa da, temel yaklaşım akış halindeki su sistemlerine iyi uyuyor. Ultrason donanımı kompakt ve analiz hattı sürekli akışlarla başa çıkacak kadar hızlı—saniyede binlerce sinyali işleyebiliyor. Kalan ana zorluklar, zayıf yankılara sahip çok küçük parçacıkları tespit etmek ve parçacıkların üst üste geldiği yoğun bölgelerle başa çıkmak. Yine de çalışma, yüksek frekanslı ultrasonun modern yapay zekâ ile birlikte kimyasallar veya karmaşık optikler kullanmadan mikroplastikler için bir “sonar” gibi davranarak kısa sürede ne olduklarını ve ne kadar büyük olduklarını belirleyebileceğini gösteriyor.

Günlük yaşam için anlamı

Uzman olmayanlar için ana mesaj, yakında mikroplastikleri yalnızca yavaş laboratuvar çalışmalarından sonra değil, gerçek zamanlı olarak izleyebilen araçlara sahip olma olasılığımızın yüksek olduğudur. Bu, fabrikalardan, atık su tesislerinden veya yağmur akışından kaynaklanan kirliliğin izlenmesine yardımcı olabilir ve düzenleyicilere ile topluluklara plastiklerin nerede biriktiğine dair daha iyi veriler sağlayabilir. Küçük parçacıkların sesi nasıl saçtığını dinleyerek, bu yöntem modern kirliliğin en yaygın biçimlerinden birini izleme ve nihayetinde yönetme yolunda pratik bir yol sunuyor.

Atıf: 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

Anahtar kelimeler: mikroplastikler, ultrason algılama, derin öğrenme, çevresel izleme, parçacık boyutu analizi