Una nueva técnica analiza la huella química de plásticos desechados y distingue PET, PP, HDPE y LDPE, incluso trabajando con muestras procedentes de residuos reales.
- ♻️ Cuatro plásticos comunes identificados.
- 🔬 Un pulso láser como “huella química”.
- 🤖 Aprendizaje automático para interpretar cada señal.
- 🎯 Precisión experimental: del 61,7 % al 100 %.
- 🗑️ Pruebas con residuos reales, no únicamente muestras perfectas.
- 🏭 Tecnología todavía lejos de una planta comercial.
¿Por qué importa?
Una botella de PET y un envase de polietileno pueden parecer fáciles de distinguir. Cuando toneladas de residuos avanzan mezcladas por una cinta transportadora, sucias, deformadas, coloreadas y fabricadas con polímeros diferentes, la historia cambia bastante.
Separar correctamente los plásticos determina qué parte puede convertirse de nuevo en materia prima de calidad. Investigadores de Corea del Sur han probado una combinación de espectroscopia láser y aprendizaje automático capaz de distinguir cuatro de los polímeros más habituales utilizando residuos reales. En las mejores configuraciones analizadas, la precisión llegó al 100 %.
No se trata de un nuevo método para reciclar plástico. Es una tecnología para resolver un problema anterior y decisivo: saber qué plástico es cada pieza antes de enviarla al proceso de reciclaje adecuado.
Un pequeño disparo láser para averiguar de qué está hecho un residuo
La técnica utilizada se denomina espectroscopia de plasma inducido por láser, más conocida por sus siglas LIBS.
Su funcionamiento tiene algo bastante visual. Un pulso láser de gran intensidad se concentra sobre una zona diminuta del residuo. Durante un instante, parte del material se vaporiza y forma un pequeño plasma. Los átomos y moléculas excitados emiten luz al regresar a estados de menor energía.
Esa luz contiene información sobre la composición del material.
Un espectrómetro recoge la señal y la descompone en diferentes longitudes de onda. El resultado funciona como una especie de firma espectral que permite encontrar diferencias entre materiales que, vistos desde fuera, pueden resultar muy similares.
Ahí entra el aprendizaje automático.
El equipo utilizó técnicas como el análisis de componentes principales (PCA) y el algoritmo de k vecinos más próximos (kNN) para interpretar los espectros y asignar cada muestra a una categoría.
Los investigadores se centraron en cuatro plásticos muy habituales:
- PP: polipropileno.
- PET: tereftalato de polietileno.
- HDPE: polietileno de alta densidad.
- LDPE: polietileno de baja densidad.
Son materiales presentes en botellas, envases, recipientes, películas, bolsas y multitud de productos cotidianos. Separarlos correctamente resulta esencial porque mezclar polímeros incompatibles puede reducir considerablemente la calidad del material reciclado.
El detalle importante: utilizar basura real
La parte especialmente interesante del estudio no está únicamente en alcanzar una cifra elevada de precisión.
Los sistemas de identificación suelen funcionar muy bien cuando trabajan con materiales de referencia limpios y condiciones de laboratorio cuidadosamente controladas. Una planta de residuos es otra cosa.
La superficie de un objeto puede estar rayada. Puede haber suciedad, pigmentos, etiquetas, aditivos y variaciones en la distancia entre el sensor y el material. Incluso la cantidad de energía láser que alcanza la superficie puede fluctuar.
Los investigadores diseñaron precisamente el experimento para introducir parte de esa variabilidad. Trabajaron bajo condiciones no optimizadas y utilizaron materiales estándar para desarrollar el modelo, mientras que la validación externa se realizó con muestras físicamente diferentes procedentes de residuos reales.
Es una diferencia relevante. Un algoritmo que reconoce perfectamente las muestras con las que ha sido entrenado tiene poco valor industrial. Lo interesante es comprobar qué ocurre cuando aparece delante un objeto que no había visto anteriormente.
Del 61,7 % al 100 %: el algoritmo necesitaba aprender qué mirar
Las primeras clasificaciones quedaron lejos de ser perfectas.
Sin un tratamiento adecuado de los datos, la precisión fue de aproximadamente 61,7 %. El equipo estudió entonces 23 combinaciones de preprocesamiento y siete métodos de selección de variables.
El objetivo era separar la información realmente útil del ruido.
Los espectros obtenidos mediante LIBS contienen una enorme cantidad de datos. No todas las longitudes de onda aportan el mismo valor para diferenciar un PET de un HDPE o un PP.
Procesar mejor las señales permitió elevar considerablemente el rendimiento. En el trabajo previo del equipo, determinadas configuraciones alcanzaban un 94,8 % antes de la selección adicional de variables. Tras identificar las regiones espectrales más informativas, algunas configuraciones llegaron al 100 % de precisión en el conjunto experimental evaluado.
Una de las regiones especialmente útiles apareció alrededor de la línea del hidrógeno situada en 656,28 nm.
Esto deja una enseñanza interesante: disponer de más datos no garantiza necesariamente una mejor clasificación. Encontrar las señales adecuadas puede ser tan importante como mejorar el propio algoritmo.
¿Por qué no basta con una cámara?
La inteligencia artificial ya está entrando en las plantas de tratamiento mediante cámaras y sistemas de visión artificial. Estos equipos pueden reconocer una botella, una bandeja o determinados envases por su forma, color y aspecto.
El problema aparece cuando dos objetos visualmente parecidos están fabricados con materiales diferentes.
Las plantas utilizan también tecnologías espectroscópicas, especialmente sensores de infrarrojo cercano (NIR), para identificar polímeros. Son sistemas rápidos y ampliamente implantados, aunque determinados colores, superficies, formulaciones y combinaciones de materiales pueden complicar la identificación.
LIBS aborda el problema desde otro ángulo: analiza la respuesta química generada por el propio material al recibir el pulso láser.
Por eso no tiene por qué entenderse como sustituto automático de todas las tecnologías existentes. Una futura planta podría combinar cámaras, infrarrojo, LIBS, sensores adicionales y algoritmos de inteligencia artificial, utilizando cada fuente de información donde aporte más valor.
La clasificación se está convirtiendo en uno de los grandes campos de batalla del reciclaje
El trabajo coreano encaja en una transformación que ya puede observarse dentro de la industria.
Los sistemas modernos de clasificación combinan cámaras, sensores ópticos, espectroscopia, robótica y algoritmos de aprendizaje automático. Algunos equipos comerciales ya reconocen decenas de categorías de residuos sobre cintas transportadoras y proporcionan información en tiempo real sobre lo que entra y sale de una instalación.
LIBS podría añadir otra capa de información.
El concepto tampoco está limitado a los envases domésticos. Investigaciones recientes han estudiado la combinación de LIBS y aprendizaje automático para distinguir aleaciones presentes en residuos electrónicos, mientras otros trabajos exploran su utilización con plásticos procedentes de aparatos eléctricos y electrónicos, donde aparecen resinas mezcladas y retardantes de llama.
Cuanto más complejo es el residuo, más importante resulta conocer exactamente qué contiene.
Qué impacto puede tener en el medio ambiente
Mejorar la clasificación parece un cambio pequeño frente al enorme problema mundial de los residuos plásticos. En realidad, afecta a uno de los puntos críticos de toda la cadena.
Un flujo de PET relativamente puro tiene mucho más valor como materia prima secundaria que una mezcla contaminada con diferentes polímeros. Lo mismo ocurre con el HDPE y otras fracciones.
Cuanto mejor sea la separación, mayores son las posibilidades de obtener material reciclado de calidad suficiente para sustituir plástico virgen.
También puede reducirse la cantidad de material potencialmente aprovechable que termina en valorización energética o eliminación porque la planta no ha conseguido identificarlo correctamente.
Pero existe otra cara.
LIBS necesita un láser, instrumentación óptica, detectores y capacidad informática. Incorporarlo a una instalación industrial tiene costes económicos y energéticos. La ventaja ambiental real tendría que evaluarse comparando esos recursos adicionales con la cantidad efectiva de plástico que permite recuperar y devolver al mercado.
Una precisión espectacular en laboratorio no demuestra todavía que el balance ambiental completo resulte favorable a escala industrial.
Europa necesitará separar cada vez mejor los envases
Esta clase de tecnología llega además en un momento interesante para el sector europeo del reciclaje.
El nuevo marco europeo sobre envases y residuos de envases está aumentando la presión para reducir residuos, mejorar la reciclabilidad e incrementar el uso de materias primas recicladas. Para determinados envases plásticos, el contenido reciclado dejará progresivamente de ser únicamente una decisión voluntaria del fabricante.
Eso plantea un problema práctico: no puede crecer indefinidamente la demanda de plástico reciclado de calidad si las plantas no consiguen generar materias primas secundarias suficientemente homogéneas.
Los sensores avanzados, la inteligencia artificial y la automatización pueden ayudar precisamente en ese cuello de botella.
El 100 % necesita un asterisco importante
Es probablemente la cifra que más llamará la atención del estudio. También es la que exige mayor prudencia.
El 100 % corresponde a determinadas configuraciones dentro del conjunto experimental evaluado. No demuestra una precisión universal del 100 % frente a cualquier residuo plástico.
El estudio trabaja con cuatro familias. Fuera quedan PVC, poliestireno, policarbonatos, poliamidas, bioplásticos y muchas otras formulaciones comerciales.
Y un objeto real puede contener bastante más que el polímero principal: pigmentos, cargas minerales, fibras, plastificantes, retardantes de llama, adhesivos, tintas, recubrimientos o varias capas de materiales diferentes.
La basura real es incómoda. Justamente por eso resulta interesante que los investigadores hayan comenzado a abandonar las muestras ideales.
Lo que todavía falta demostrar
Para que esta técnica dé el salto a una instalación de clasificación habrá que responder preguntas bastante terrenales.
La primera es la velocidad. Una cinta industrial mueve enormes cantidades de material y la identificación debe producirse prácticamente en tiempo real.
Después está la robustez. Habrá que comprobar el rendimiento con residuos húmedos, envejecidos, aplastados, contaminados y fabricados con formulaciones mucho más variadas.
También será necesario ampliar considerablemente la biblioteca de materiales. Reconocer cuatro familias constituye una demostración convincente del principio, pero una planta recibe un catálogo de residuos mucho más caótico.
Finalmente queda la economía. El sistema tendrá que demostrar que el valor del material adicional recuperado compensa el coste del láser, espectrómetro, mantenimiento, integración industrial y procesamiento de datos.
Ficha rápida
Cómo funciona
Un pulso láser incide sobre el plástico y genera un pequeño plasma. La luz emitida se analiza mediante espectroscopia LIBS. El espectro obtenido pasa por diferentes procesos de tratamiento de señal y posteriormente por algoritmos de aprendizaje automático que clasifican el residuo según el tipo de polímero.
En cifras
- 4 polímeros: PP, PET, HDPE y LDPE.
- 61,7 %: precisión de clasificación antes de la optimización indicada en el estudio.
- 100 %: máxima precisión obtenida en determinadas configuraciones experimentales.
- 23: combinaciones de preprocesamiento evaluadas.
- 7: métodos de selección de variables analizados.
- 656,28 nm: región correspondiente a una línea espectral del hidrógeno que resultó especialmente informativa en el análisis.
Qué tiene de diferente
El sistema combina información espectroscópica del propio material con aprendizaje automático y se ha probado utilizando residuos reales como conjunto externo de validación. Además, los investigadores introdujeron variaciones experimentales destinadas a aproximarse mejor a las fluctuaciones que podrían aparecer fuera de unas condiciones ideales de laboratorio.
Comparación directa con la tecnología convencional
Visión artificial: identifica principalmente características visuales como forma, color y apariencia.
Infrarrojo cercano (NIR): identifica materiales a partir de su respuesta espectral y ya está ampliamente utilizado en clasificación industrial.
LIBS + aprendizaje automático: genera un plasma mediante láser y utiliza su espectro para obtener información de la composición del material.
LIBS no debe interpretarse todavía como sustituto demostrado del NIR. Su posible ventaja estaría en complementar otros sensores cuando la identificación resulte especialmente difícil.
Limitaciones
La precisión del 100 % no puede extrapolarse a todos los residuos plásticos.
Solo se analizaron cuatro familias de polímeros. Falta validar el método frente a mezclas más complejas, plásticos multicapa, suciedad, aditivos, pigmentos y otras formulaciones industriales.
Tampoco se ha demostrado todavía un sistema completo trabajando continuamente sobre una cinta industrial a gran velocidad.
Quedan por evaluar aspectos esenciales como coste, consumo energético, mantenimiento, velocidad de análisis, estabilidad del modelo y balance ambiental a escala comercial.
En qué fase se encuentra
Laboratorio / prueba experimental.
La investigación demuestra la viabilidad de la clasificación con residuos reales bajo condiciones deliberadamente no ideales, pero no presenta una planta piloto de clasificación industrial ni un producto comercial derivado del sistema.
Quién está detrás
El estudio está firmado por Jieun Kang, Jungwun Lee, Moonsoo Bak, Seong-kyun Im y Serang Kwon, con investigadores vinculados a Korea University y Sungkyunkwan University, en Corea del Sur, y a Stanford University, en Estados Unidos.
La investigación recibió apoyo de la National Research Foundation of Korea (NRF), del programa Basic Research de la NRF, del Korea Basic Science Institute y de Korea University. Parte de la financiación procede del Ministerio de Ciencia y TIC de Corea del Sur.
Fuente de los datos
Artículo científico revisado por pares, publicado en Scientific Reports, de Nature Portfolio, el 23 de septiembre de 2026.
Título del estudio: Classification of real plastic waste using machine learning-assisted laser-induced breakdown spectroscopy.
El trabajo fue recibido el 9 de marzo de 2026 y aceptado el 18 de septiembre de 2026. Los autores indican que no existen conflictos de interés.
Más información: Classification of real plastic waste using machine learning-assisted laser-induced breakdown spectroscopy
Deja una respuesta