El proyecto MultiCycle, financiado por la UE, con el objetivo de desarrollar una planta piloto de reciclaje industrial y el tratamiento de plásticos multicapa. Esta planta se centra en dos importantes segmentos industriales que suponen un reto para los recicladores: los envases multicapa/películas flexibles y los compuestos termoplásticos reforzados con fibra, del tipo utilizado en el sector del automóvil.

El NIR y el HSI-NIR son las técnicas utilizadas convencionalmente para la clasificación de envases. La primera es adecuada para piezas individuales de envases antes de su trituración y también puede proporcionar una evaluación inicial de idoneidad antes de pasar a la segunda, que proporciona un modo de obtención de imágenes. En el proyecto MultiCycle, los materiales de envasado se introdujeron en una cinta en forma de copos de hasta 5 cm y, por lo tanto, la HSI era la técnica objetivo para la implementación final en el prototipo del sistema de control de entrada. No obstante, la espectroscopia NIR puntual fue la técnica objetivo que se utilizó para la supervisión de los plásticos disueltos y recuperados, durante y después del proceso CreaSolv®, en el que no se necesita capacidad de obtención de imágenes. También se han probado de forma preliminar técnicas complementarias como LIBS y FTIR para detectar otras fracciones como el AlOx o para permitir la detección de envases negros, que podrían mejorar la precisión de la monitorización cuando se implemente un sistema completo.

La espectroscopia NIR es una técnica espectroscópica vibracional. En esta región, los espectros de absorción están compuestos por sobretonos y bandas de combinación respecto a los modos fundamentales de las moléculas en la región del infrarrojo medio. La radiación NIR tiene un rango de longitud de onda de 900 a 2500 nm. Las bandas de absorción en esta región son amplias, debido al alto grado de superposición de bandas. Además, debido a las reglas de selección de los fenómenos, la intensidad de la señal es de diez a mil veces más débil que las señales de la región del infrarrojo medio. Sin embargo, esta falta de intensidad y el elevado solapamiento de bandas se compensa con su elevada especificidad. La especificidad de la espectroscopia NIR se basa en el hecho de que los enlaces NH, OH y CH absorben fuertemente la radiación en estas longitudes de onda, lo que la convierte en una herramienta óptima para el estudio de compuestos orgánicos y polímeros. Además, el uso de métodos multivariables para el análisis de los datos espectrales, ha permitido explotar todo el potencial de la técnica para fines de identificación, discriminación, clasificación y cuantificación.

Las tecnologías actuales para el seguimiento y la clasificación de los residuos plásticos sólidos en la región del infrarrojo cercano han incorporado cámaras hiperespectrales en su configuración. Permiten, en lugar de recoger un único espectro, registrar una imagen hiperespectral (HSI) de la muestra (cubo hiperespectral), que contiene no sólo la localización espacial de la muestra, sino su composición química y su distribución. En este sentido, se han realizado varias publicaciones y desarrollos tecnológicos utilizando HSI-SWIR para la clasificación e identificación de plásticos. 

Un sistema básico de imágenes hiperespectrales, mostrado en la Fig.3, incluye en su configuración, un sensor sensible (cámara CCD); una fuente de iluminación de banda ancha; un espectrómetro, que separa la luz retrodispersada/transmitida en sus diferentes longitudes de onda y, cuando se requiere, una cinta transportadora para el muestreo. En este caso, hay que señalar que la cinta transportadora debe estar sincronizada con la velocidad de grabación del sensor CCD para una correcta adquisición de imágenes. Un sistema hiperespectral proporciona como salida un hipercubo. Un hipercubo es un conjunto de datos ordenados en tres dimensiones, dos espaciales (un plano XY) y una espectral (𝜆, longitud de onda), como se representa a continuación.

Los parámetros más relevantes para la grabación de cubos hiperespectrales se pueden resumir en los siguientes:

• Velocidad de fotogramas de la cámara (fps)
• Velocidad del transportador (m/s)
• Distancia cámara-transportador (cm) y tiempo de recogida (µs). Estos parámetros están relacionados entre sí y deben ser optimizados para obtener una buena calidad en los espectros registrados.

Las imágenes hiperespectrales que se grabaron con una cámara SWIR que opera en el rango ∼900-1700 nm, a una velocidad de cuadro de 214 fps, con un tiempo de integración de 350𝜇s y con una velocidad del transportador de 25m/min.

Imagen 1: (Izquierda) Conjunto de muestras nº 1. Incluye películas plásticas flexibles de PE, PP, PA y PET. Se incluyeron combinaciones simples y dobles de estos polímeros (es decir, polímero A/polímero B). (Derecha) Imagen de clasificación realizada por un modelo PLSDA.

El sistema de monitorización HSI ha permitido proporcionar una buena aproximación del porcentaje de contenido de polímero en una muestra de polímero multicapa. En el peor de los casos, se predice el polímero más abundante presente en la muestra, por lo que, con lotes grandes, los porcentajes finales serían bastante precisos. En cuanto a la monitorización del proceso de disolución, sólo se proporcionó 1 polímero y 1 disolvente para probar en IRIS. Los resultados obtenidos con Visum Palm™ fueron los esperados, pero no se probaron modelos de proceso en el tiempo. El control de la disolución no se realizó debido a problemas con el viscosímetro instalado en LOEMI. Por esta razón, no hay más resultados en esta sección.

Para el seguimiento de las muestras de automoción, la técnica seleccionada fue la LIBS. La optimización de LIBS fue complicada, ya que era la primera vez que se utilizaba. Se realizaron modelos cambiando diferentes parámetros para seleccionar las mejores condiciones. La herramienta PATbox para LIBS no permitía adquirir datos a la misma velocidad que el software LIBS, por lo que hubo que modificar los modelos. Finalmente, se calibraron y probaron los modelos para predecir el tipo de fibras en los plásticos negros PP y PA. Los resultados obtenidos en los 3 lotes fueron satisfactorios, ya que las predicciones dadas por los modelos (quimiometría y aprendizaje automático) se aproximaron al contenido real. Se realizaron algunas pruebas para diferenciar entre PP y PA, pero la tasa de clasificación resultó en torno al 80% de buenas predicciones. En general, el mal etiquetado y la suciedad de las muestras no fueron muy útiles para el desarrollo de los modelos de predicción.