O projeto MultiCycle, financiado pela UE, visa desenvolver uma unidade-piloto para a reciclagem industrial e o tratamento de plásticos multicamadas. Esta unidade centra-se em dois importantes segmentos industriais que constituem um desafio para os recicladores: embalagens multicamadas/filmes flexíveis e compósitos termoplásticos reforçados com fibras do tipo utilizado no sector automóvel.

NIR e HSI-NIR são as técnicas convencionalmente utilizadas para a triagem de contentores. A primeira é adequada para peças individuais de embalagens antes da trituração e também pode fornecer uma avaliação inicial da adequação antes de passar para a segunda, que fornece um modo de obtenção de imagens. No projeto MultiCycle, os materiais de embalagem foram introduzidos num transportador sob a forma de flocos de até 5 cm e, por conseguinte, a HSI foi a técnica visada para a implementação final no protótipo do sistema de controlo de entrada. No entanto, a espetroscopia NIR pontual foi a técnica-alvo utilizada para monitorizar os plásticos dissolvidos e recuperados durante e após o processo CreaSolv®, onde não é necessária qualquer capacidade de imagem. Técnicas complementares, como LIBS e FTIR, também foram testadas preliminarmente para detetar outras fracções, como AlOx, ou para permitir a deteção de recipientes pretos, o que poderia melhorar a precisão da monitorização quando um sistema completo for implementado.

A espetroscopia NIR é uma técnica de espetroscopia vibracional. Nesta região, os espectros de absorção são compostos por sobretons e bandas combinadas em relação aos modos fundamentais das moléculas na região do infravermelho médio. A radiação NIR tem uma gama de comprimentos de onda de 900 a 2500 nm. As bandas de absorção nesta região são largas, devido ao elevado grau de sobreposição de bandas. Além disso, devido às regras de seleção dos fenómenos, a intensidade do sinal é dez a mil vezes mais fraca do que os sinais na região do infravermelho médio. No entanto, esta falta de intensidade e a elevada sobreposição de bandas são compensadas pela sua elevada especificidade. A especificidade da espetroscopia NIR baseia-se no facto de as ligações NH, OH e CH absorverem fortemente a radiação nestes comprimentos de onda, o que a torna uma ferramenta óptima para o estudo de compostos orgânicos e polímeros. Além disso, a utilização de métodos multivariados para a análise de dados espectrais tornou possível explorar todo o potencial da técnica para fins de identificação, discriminação, classificação e quantificação.

As tecnologias actuais para a monitorização e classificação de resíduos sólidos de plástico na região do infravermelho próximo incorporaram câmaras hiperespectrais na sua configuração. Estas permitem, em vez de recolher um único espetro, registar uma imagem hiperespectral(HSI) da amostra (cubo hiperespectral), que contém não só a localização espacial da amostra, mas também a sua composição e distribuição química. A este respeito, foram efectuadas várias publicações e desenvolvimentos tecnológicos utilizando a HSI-SWIR para a classificação e identificação de plásticos.

Um sistema básico de imagiologia hiperespectral, apresentado na Fig.3, inclui na sua configuração um sensor sensível (câmara CCD); uma fonte de iluminação de banda larga; um espetrómetro, que separa a luz retrodifundida/transmitida nos seus diferentes comprimentos de onda e, quando necessário, um tapete rolante para recolha de amostras. Neste caso, é de notar que o tapete rolante deve ser sincronizado com a velocidade de registo do sensor CCD para uma aquisição de imagem adequada. Um sistema hiperespectral fornece um hipercubo como saída. Um hipercubo é um conjunto de dados dispostos em três dimensões, duas espaciais (um plano XY) e uma espetral (𝜆, comprimento de onda), como se mostra abaixo.

Os parâmetros mais relevantes para o registo do cubo hiperespectral podem ser resumidos da seguinte forma

• Taxa de fotogramas da câmara (fps)
• Velocidade do transportador (m/s)
• Distância câmara-transportador (cm) e tempo de recolha (µs). Estes parâmetros estão inter-relacionados e devem ser optimizados para obter espectros registados de boa qualidade.

As imagens hiperespectrais foram registadas com uma câmara SWIR a operar na gama ∼900-1700 nm, a uma velocidade de fotogramas de 214 fps, com um tempo de integração de 350𝜇s e uma velocidade de transporte de 25m/min.

Figura 1: (Esquerda) Conjunto de amostras n.º 1. Inclui películas de plástico flexíveis de PE, PP, PA e PET. Foram incluídas combinações simples e duplas destes polímeros (ou seja, polímero A/polímero B). (Direita) Imagem de classificação efectuada por um modelo PLSDA.

O sistema de monitorização HSI tem sido capaz de fornecer uma boa aproximação da percentagem do conteúdo de polímero numa amostra de polímero multicamada. No pior dos casos, prevê-se o polímero mais abundante presente na amostra, pelo que, com grandes lotes, as percentagens finais seriam bastante exactas. Em termos de monitorização do processo de dissolução, apenas 1 polímero e 1 solvente foram fornecidos para teste no IRIS. Os resultados obtidos com o Visum Palm™ foram os esperados, mas não foram testados modelos de processo ao longo do tempo. O controlo da dissolução não foi efectuado devido a problemas com o viscosímetro instalado no LOEMI. Por esta razão, não há mais resultados nesta secção.

Para a monitorização das amostras de automóveis, a técnica selecionada foi a LIBS. A otimização do LIBS foi complicada, pois foi a primeira vez que foi utilizado. Foram executados modelos alterando diferentes parâmetros para selecionar as melhores condições. A ferramenta PATbox para LIBS não permitia a aquisição de dados à mesma velocidade que o software LIBS, pelo que os modelos tiveram de ser modificados. Finalmente, os modelos foram calibrados e testados para prever o tipo de fibras nos plásticos pretos PP e PA. Os resultados obtidos nos 3 lotes foram satisfatórios, uma vez que as previsões dadas pelos modelos (quimiometria e aprendizagem automática) estavam próximas do conteúdo real. Foram efectuados alguns testes para diferenciar o PP e o PA, mas a taxa de classificação foi de cerca de 80% de boas previsões. Em geral, a rotulagem incorrecta e a sujidade das amostras não foram muito úteis para o desenvolvimento dos modelos de previsão.