Áttörés a műanyagok azonosításában: Mesterséges intelligencia és rezgési spektroszkópia a hatékonyabb újrahasznosításért

A műanyaghulladék pontos szétválogatása az egyik legnagyobb akadálya a globális újrahasznosítási arány növelésének. A Resources, Conservation and Recycling folyóiratban megjelent legfrissebb tanulmány szerint a Washingtoni Állami Egyetem (WSU) és Puerto Ricó-i kutatók olyan módszert fejlesztettek ki, amely a rezgési spektroszkópiát mélytanulási algoritmusokkal ötvözve szinte hiba nélkül képes azonosítani a leggyakoribb műanyagtípusokat, még szennyezett vagy degradált állapotban is.

A Garcia Tovar és munkatársai által jegyzett kutatás (2026) rávilágít, hogy a hagyományos válogatási módszerek korlátait a modern technológia képes áttörni. A tanulmány központi eleme a spektroszkópiai adatok és a konvolúciós neurális hálózatok (CNN) integrációja, amely feleslegessé teszi a manuális jellemzőkinyerést.

Spektroszkópiai arzenál a műanyagok ellen

A kutatók négy különböző analitikai technikát vizsgáltak meg és hasonlítottak össze, hogy megtalálják a legpontosabb megoldást a fogyasztói műanyagok osztályozására:

• Raman-spektroszkópia: A molekuláris rezgések mérésére alapozva a CNN-modellel kombinálva 100%-os pontosságot értek el a hat leggyakoribb fogyasztói műanyag (PET, HDPE, PVC, LDPE, PP, PS) megkülönböztetésében.

• ATR-FTIR (Gyengített teljes reflexiós Fourier-transzformációs infravörös spektroszkópia): Ez a technika 95%-os pontosságot mutatott, ami ipari és terepi körülmények között is rendkívül magasnak számít.

• NIR (Közeli infravörös spektroszkópia): Bár elterjedt, a kutatás rámutatott bizonyos korlátaira a sötét vagy szennyezett minták esetén.

• LIBS és XRF: A lézer-indukált plazmaspektroszkópia és a röntgenfluoreszcencia kiegészítő információkat szolgáltatott az adalékanyagokról és szennyeződésekről.

Megoldás a tengeri hulladék és a szennyezett minták problémájára

A tanulmány egyik legnagyobb gyakorlati jelentősége, hogy a módszert tengeri műanyaghulladékon is tesztelték. A környezeti hatásoknak kitett, degradálódott és biológiailag szennyezett minták azonosítása eddig komoly kihívást jelentett a hulladékgazdálkodásban.

Az eredmények magukért beszélnek:

• Az ATR-FTIR technológia a CNN-algoritmussal támogatva 99%-os sikerrel azonosította a tengeri törmeléket.

• A rendszer képes volt „átlátni” a felszíni szennyeződéseken, és közvetlenül a polimer kémiai ujjlenyomatát azonosította.

Gyakorlati elmozdulás az automatizált válogatás felé

A kutatók hangsúlyozták, hogy a CNN-alapú modellek képesek közvetlenül a spektroszkópiai nyersadatokból tanulni, így a rendszer rugalmasabb és gyorsabb, mint a korábbi megoldások. Ez a technológiai ugrás lehetővé teszi olyan hordozható és terepi eszközök fejlesztését, amelyekkel a hulladékudvarokban vagy akár a tengerparti takarítások során azonnal és pontosan szétválogatható a műanyag.

A tanulmány konklúziója szerint a spektroszkópia és a mesterséges intelligencia konvergenciája drasztikusan javíthatja az újrahasznosítási rendszerek hatékonyságát, csökkentve a lerakókba kerülő hulladék mennyiségét és támogatva a valódi körforgásos gazdaságot.

Hivatalos forrás:   Garcia Tovar, M. P., et al. (2026). Identification of Common Types of Plastics by Vibrational Spectroscopic Techniques. Resources, Conservation and Recycling, 227, 108767.

Image by Paulina101 from Pixabay