确定塑料制品中再生塑料含量的百分比

这对日常塑料使用的重要性

塑料瓶、食品容器和包装上越来越常见“含有再生材料”的说法，但目前无法仅通过检测成品可靠地验证这些承诺是否属实。本研究提出了一种新的无损方法，通过结合电学和光学测量以及人工智能来估算塑料制品中实际含有多少再生塑料。这项工作可帮助监管者、制造商和消费者核验可持续性声明，并有助于推动更加诚信的塑料循环经济。

信任再生标签的难题

全球塑料废弃物每年已达数亿吨，但真正被回收利用的仅占很小一部分。现在许多政策要求产品必须包含最低比例的再生塑料。问题在于，一旦塑料被熔化并重新成型，其基本化学特性几乎与全新（“初生”）材料相同。常规实验室工具（如测定加热失重、熔融行为或甚至详细的分子结构）无法直接判断一件成品中有多少来源于再生材料。供应链审计和可选的化学示踪剂虽然存在，但它们不完整、在真实产品中很少见，或容易被规避。

塑料在回收过程中如何改变

尽管回收通常不会改变像 PET（大多数饮料瓶所用材料）这样的塑料的总体化学成分，但它会损伤其长链分子。反复加热、熔融和暴露于氧气会使分子链断裂，产生缺陷和微小杂质。这些细微变化会改变塑料存储电荷的能力、在电场中以热能损失能量的方式，以及在红外光探测时分子键振动的特征。作者意识到，尽管没有单一测量能够清晰地捕捉所有这些效应以揭示再生含量，但将若干互补信号结合起来可能形成可靠的指纹，反映再生材料的比例。

多重测量，单一组合指纹

研究团队构建了一个“多模态”传感装置，对含有已知再生材料比例（从 0% 到 100%）的薄 PET 薄膜进行了四类不同测试。首先，摩擦电测试反复将金属板按压并滑动于塑料表面，然后测量累积电荷泄漏的速度。再生样品保留电荷时间更长，表明存在更多电活性缺陷。第二，介电和阻抗测量将塑料置于电容板之间，探测其极化难易度及能量损耗；再生含量往往降低其存储电荷的能力并增加能量耗散倾向。第三，在简单的电阻-电容电路中进行电容测试，检查充放电过程中电压衰减的速度，同样反映了与缺陷相关的电荷存储差异。第四，中红外光谱通过照射红外光并测量被吸收的波长，显示出当回收改变链端和结晶度时，特定分子键振动出现的小但系统性的位移。

教机器解读这些信号

由于每种测量产生的是复杂的曲线而非单一数值，且样本间差异可能很微妙，研究者转向了机器学习。他们将四类数据全部输入一个深度神经网络，该网络被设计用于将丰富的红外光谱压缩为紧凑的数值摘要，然后与来自电学测量的提炼特征相结合。为应对物理样本数量有限的问题，他们使用了数据增强，根据测量统计生成许多逼真的变体。所得模型能够将 PET 薄膜在 0–100% 的区间内分为离散的再生含量类别，总体准确率约为 92%，在实际重要的 0–50% 再生含量区间（未来监管可能关注的范围）准确率超过 97%。

这对更清洁塑料未来的意义

对非专业读者而言，关键结果是作者已证明技术上可行在不切割或预先添加特殊标记的情况下估算产品中有多少再生塑料。通过将若干无损测试组合成单一“指纹”，并用人工智能解读该指纹，他们的方法能够高精度地区分不同再生含量的塑料——至少适用于由饮料瓶回收制成的 PET。随着进一步开发，包括向其它塑料和更多样化废物流的适配，这一方法可支持手持式或生产线内的检测工具来核验再生含量声明。这将使执行回收政策、奖励诚信制造商以及确保我们使用和再用的塑料朝真正的循环经济迈进变得更容易。

引用: 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

关键词: 再生塑料, 塑料废弃物, 对苯二甲酸乙二醇酯, 无损检测, 机器学习 传感器