Polimeri riciclati: quando la DSC incontra l’intelligenza artificiale

Condividi

Utilizzare polimeri riciclati non significa soltanto sostituire una materia prima vergine con una materia prima seconda: significa gestire materiali più variabili, spesso eterogenei, la cui composizione può cambiare in funzione del flusso di raccolta, della selezione, della storia di processo, della presenza di additivi, cariche o contaminanti.

Curve DSC ottenute analizzando un blend poliolefinico composto da PP, LDPE, LLDPE e HDPE

Per chi lavora nella filiera delle materie plastiche, questa variabilità ha conseguenze concrete. Un materiale etichettato come “PP”, “PE” o blend poliolefinico può contenere frazioni diverse da lotto a lotto, con effetti su cristallizzazione, comportamento di fusione, reologia, proprietà meccaniche, finestra di processo e qualità del prodotto finale.

Per questo, la caratterizzazione quantitativa dei riciclati sta diventando sempre più centrale. Non basta più identificare genericamente una famiglia polimerica: servono dati affidabili sulla composizione, utili per verificare i materiali in ingresso, qualificare i fornitori, supportare il controllo qualità e documentare le caratteristiche del materiale.

Al XXXI Congresso nazionale delle materie plastiche, organizzato per il 17 novembre 2026 dall’associazione TMP in collaborazione con le riviste Plastix e Stampi, NETZSCH Analisi & Prove Italia porterà l’attenzione su Proteus® Now Quantify, una soluzione software che combina analisi DSC e machine learning per trasformare i dati termoanalitici in informazioni quantitative sulla composizione dei polimeri riciclati.

Focus sulla DSC e sul nuovo Proteus® Now Quantify

La calorimetria differenziale a scansione è uno strumento consolidato per caratterizzare il comportamento termico dei polimeri, poiché fornisce informazioni sulle transizioni di fusione e sulla cristallizzazione. Nei riciclati complessi, tuttavia, più fasi possono generare curve DSC con eventi termici sovrapposti, rendendo l’interpretazione quantitativa impegnativa e dipendente dall’esperienza dell’utente.

Proteus® Now Quantify supporta questo passaggio applicando modelli di machine learning ad apprendimento supervisionato per mettere in relazione le curve DSC con la composizione polimerica. Il software aiuta a identificare le famiglie polimeriche presenti nei campioni riciclati di composizione incognita e a quantificarne le relative frazioni.

La prima versione si focalizza sui sistemi poliolefinici – in particolare PP, HDPE, LDPE ed LLDPE – ampiamente presenti nei flussi di riciclo post consumo. Gli sviluppi futuri prevedono l’estensione dell’analisi ad altre famiglie polimeriche di rilevanza industriale, tra cui PET, PA e sistemi polimerici caricati.

Questo percorso sarà anche al centro della presentazione al Congresso TMP, a cura di Tiziana Bardelli, sales & application specialist di NETZSCH.

Ampliare il database termico condiviso, anche grazie al contributo di riciclatori, compoundatori, università e partner industriali, significherà rafforzare la caratterizzazione quantitativa dei materiali, migliorare la trasparenza dei riciclati e contribuire a una filiera delle materie plastiche più circolare, documentata e tecnologicamente solida.

Ti potrebbero interessare