AI-guided design and optimization of recycled polymer blends for high-performance and sustainable composites

Descripción del proyecto

Reciclaje de alto rendimiento de residuos de polipropileno y polietileno

La gestión de los residuos plásticos es uno de los mayores retos ambientales a nivel mundial. La mayor parte de los residuos plásticos acaba en vertederos o directamente en el medio ambiente debido a un reciclaje ineficaz y a un rendimiento deficiente de los productos. El equipo del proyecto OPTIRBLEND, que cuenta con el apoyo de las Acciones Marie Skłodowska-Curie, tiene como objetivo diseñar un marco basado en el análisis de datos para mejorar el reciclaje y el rendimiento de los productos fabricados a partir de residuos plásticos mixtos de polipropileno (PP) y polietileno (PE). Mediante experimentos de fabricación avanzada, algoritmos de aprendizaje automático, modelización de elementos finitos y métodos de optimización, el estudio determinará los parámetros óptimos para el procesamiento de materiales plásticos mixtos de PP/PE, con el fin de hacerlos más resistentes y duraderos. El objetivo del proyecto es ofrecer herramientas para la predicción y la fabricación de plásticos reciclables que puedan reutilizarse en sectores de alto rendimiento, como el transporte y la construcción.

Objetivo

Plastic waste is one of the most pressing global challenges, with more than 350 million metric tons generated annually and less than 10% effectively recycled. Polypropylene (PP) and Polyethylene (PE) account for nearly 50% of global plastic production and are often collected as mixed waste streams. Their immiscibility, however, leads to poor mechanical performance, preventing their use in high-value applications. Overcoming this limitation requires new methodologies to optimize manufacturing parameters and microstructures to maximize mechanical performance and reduce their intrinsic variability.
This project proposes a data-driven framework for the design and optimization of recycled PP/PE blends. The methodology integrates:
1. A manufacturing campaign with systematic variation of processing parameters (blend composition, compounding time, temperatures, screw speed, cooling rate, etc.), combined with morphological characterization.
2. Generative machine learning to model and reproduce microstructures conditioned on manufacturing parameters.
3. A multi-fidelity model based on finite element analyses to predict yield stress, ultimate strength, and toughness while quantifying epistemic and aleatoric uncertainties.
4. Bayesian active learning and multi-objective optimization to identify optimal manufacturing configurations.
The framework will be validated through an experimental testing campaign. Expected outcomes include a fundamental understanding of process–microstructure–property relationships in recycled PP/PE blends, efficient predictive tools, and manufacturing guidelines. The project will directly support the circular economy by enabling recycled polymers to be used in high-demand sectors (e.g. transportation, construction), strengthening Europe’s competitiveness while reducing environmental impacts.