• hyperspektrikuvantaminen
• kemiallinen analyysi
• kuiduntunnistus
• puuvilla-polyesteri

On ajankohtaista tarkastella tekstiilikuitujen kulumaa, jotta uusioraaka-aineen käyttö oikeissa käyttökohteissa on mahdollista. Suomessa on vuonna 2023 astunut voimaan tekstiilien erilliskeräysvelvoite, jossa kuntia velvoitetaan mahdollistamaan poistotekstiilin erilliskeräys (Euroopan komissio 2022, 7). Tutkimalla vaatteeseen sen elinkaaren aikana syntyneitä kuitusuhdemuutoksia mahdollistetaan uusioraaka-aineen hyödyntäminen oikeassa käyttökohteessa tulevaisuudessa. Opinnäytetyössä tutkittiin, kuluuko puuvilla-polyesterisekoitteesta valmistettu työvaate sen elinkaaren aikana, ja jos kuluu, kuinka suurista muutoksista on kyse.

Tekstiilien tuotantomäärät ovat tuplaantuneet 2000-luvun aikana (Ellen MacArthur Foundation 2017, 18–19), ja esimerkiksi vuonna 2019 arvioitiin, että Suomessa noin 44 % kaikista hankituista tekstiileistä päätyi erilliskeräykseen (Dahlbo ym. 2019, 5–6).  Maailmanlaajuisesti vuonna 2021 vain alle 1 % kaikista markkinoilla olleesta tekstiilikuiduista oli valmistettu kierrätystekstiileistä (Textile Exchange 2022, 5).

Tekstiilikuitujen kulumasta on olemassa niukasti tutkimusta, ja poistotekstiilin määrän kasvaessa on tärkeää kiinnittää huomiota itse raaka-aineeseen eli poistotekstiilien kuitusisältöön. On arvioitu, että puuvilla kuluu tekstiileistä niiden elinkaaren aikana.

Tekoälyllä ratkaisu tekstiileiden tunnistamiseen?

Tekstiilikuitujen kulumaa voidaan tutkia eri menetelmillä, jotka voidaan jakaa koneellisiin ja klassisiin menetelmiin. Koneellisia menetelmiä ovat infrapunaspektroskopiaan, tekoälyyn sekä erillisiin tunnisteisiin (viivakoodit ja RFID) perustuvat menetelmät. (Kamppuri 2019, 6–10.)

Infrapunaspektroskopiassa keskitytään tutkimaan näytteiden infrapuna-absorptioita eli näytteiden kemiallista käyttäytymistä infrapuna-alueella. Klassisia menetelmiä ovat mikroskoopilla tarkastelu, kemiallinen analyysi eli liuotus, polttokokeet ja värjäys- ja tiheystestit (Hu 2008, 51–53).

Menetelmiä yhdistelemällä tunnistustarkkuuteen

Tekstiilien tunnistuksessa kulmakivenä voi pitää sitä, että yhdistelemällä useampaa eri menetelmää, on mahdollista maksimoida tunnistustarkkuus (Hu 2008, 51–52). Tunnistusmenetelmistä konenäkö mahdollistaa tekstiilien tehokkaan lajittelun (Kamppuri 2019, 10).

Opinnäytetyössäni tutkimusmenetelminä käytettiin hyperspektrikuvantamista ja kemiallista analyysiä. Hyperspektrikuvantaminen antaa tietoa tekstiileiden yksilöllisistä spektreistä ja spektrien muutoksista ja kemiallisella analyysillä puolestaan mitataan kuitusuhteita liuottamalla näytteitä standardien mukaisissa liuoksissa.

Opinnäytetyöllä vastauksia kuitusuhteiden muutoksiin

Opinnäytetyössä siis tutkittiin tekstiilikuitujen kulumaa, ja lähtötilanteessa kaikkien näytteiden kuitusuhde oli sama: 65 % polyesteriä ja 35 % puuvillaa.

Tutkimukseen kerättiin kaksi näyte-erää:

• pienempi erä, 30 näytettä vaatekappaleista, edustaa eri pesukertojen määrää
• isompi erä, 319 kg, edustaa mekaanisen kuidunavauksen vaikutuksia.

Kemiallisesti analysoitiin yhteensä seitsemän näytettä:

• viisi tekstiilinäytettä ja
• kaksi näytetuppoa.

Kemiallisella analyysillä mitattiin, miten tekstiilinäytteiden elinkaari vaikuttaa tekstiilien kulumaan ja kuluttaako mekaaninen kuidunavaus tekstiilejä.

Jopa 7,5 % kuitusuhdemuutoksia

Tekstiilinäytteiden tulosten välillä oli hajontaa. Vähiten pesuja (3 pesua) läpikäynyt näyte oli muuttunut 65/35 % polyesteri-puuvillasekoitteesta 67,2/32,8 % polyesteri-puuvillaksi, kun taas puolestaan puoliväliä edustavan näytteen (25 pesua) kuitusuhde oli pysynyt alkuperäisenä. Eniten pesty vaate (64 pesua) oli kaikkein kulunein, ja sen kuitusuhde mittauksessa olikin enää 72,5/27,5 % polyesteri-puuvilla. Tässä näytteessä oli peräti 7,5 % muutos alkuperäiseen tilanteeseen.

Lineaarisesta muutoksesta kuitusuhteisiin pesujen vaikutuksesta ei ole kyse ainakaan kyseisellä näyte-erän koolla.

Onko mekaanisella kuidunavauksella vaikutusta kuitusuhteisiin?

Mekaanisen kuidunavauksen vaikutuksia tutkittiin kemiallisella analyysillä. Näytetuppoja oli kaksi:

• tilanne 1: näyte ennen kuidunavausta
• tilanne 2: näyte kuidunavauksen läpikäyneestä kuidusta.

Tuloksena eroa näytteiden välillä oli vain 1 %. Mittalaitteiston tarkkuus oli luokkaa ± 1 %, joten johtopäätöstä mekaanisen kuidunavauksen vaikutuksista kuitusuhteeseen ei voida tehdä. Kyse voi olla elinkaaren aikana syntyneestä kulumasta tai mittalaitteiston tarkkuudesta.

Teksti perustuu Teri Niekan opinnäytetyöhön Tekstiilikuitujen kuluminen ja kuiduntunnistus: tekstiilin elinkaaren vaikutukset kuitusisältöön.

Lähteet

Dahlbo H.; Rautiainen, A.; Savolainen, H.; Oksanen, P.; Nurmi, P.; Virta, M. & Pokela, O. 2019. Textile flows in Finland 2019. https://julkaisut.turkuamk.fi/isbn9789522167873.pdf.

Ellen MacArthur Foundation 2017. A new textiles economy: Redesigning fashion’s future.

Euroopan komissio 2022. Communication from the comission to the European Parliament, the Council, the Europeans Economic and Social Comittee and the Comittee of the Regions. EU Strategy for Sustainable and Circular Textiles. Brysseli. https://environment.ec.europa.eu/document/download/74126c90-5cbf-46d0-ab6b-60878644b395_en?filename=COM_2022_141_1_EN_ACT_part1_v8.pdf.

Hu, J. 2008. Fabric testing. E-kirja. Cambridge: Woodhead Publishing Limited. https://ocd.lcwu.edu.pk/cfiles/Home%20Economics/Maj/H.Eco/TC-307/Fabrictesting.pdf.

Kamppuri, T.; Heikkilä, P.; Pitkänen, M.; Hinkka, V.; Viitala, J.; Cura, K.; Zitting, J.; Lahtinen, T.; Knuutila, H. & Lehtinen, L. 2019a. Tunnistusteknologiat tekstiilien kierrätyksessä. Tutkimusraportti. VTT. https://cris.vtt.fi/ws/portalfiles/portal/24214371/VTT_R_00092_19.pdf.

Textile Exchange. 2022. Preferred Fiber & Materials Market Report. Tutkimusraportti. https://textileexchange.org/app/uploads/2022/10/Textile-Exchange_PFMR_2022.pdf.

Valtioneuvoston asetus jätteistä. 18.11.2021/978.

Artikkelikuva: Teri Niekka