根据独特的光谱特征对聚合物进行分类
本应用说明由 yvette mattley 博士和derek guenther 撰写。
塑料在我们的日常生活中被广泛使用，几乎无处不在，因此，无论是正面的还是负面的，塑料都受到公众的高度关注。从研究人员、制造商到环保主义者和监管者，各种观点的人们都特别关注的一个领域就是塑料回收。
在本应用说明中，我们将探讨如何在塑料回收中使用光谱技术对各种塑料进行高度特异性的识别和分类。
背景介绍
一些塑料的合成材料使用聚合物等高分子材料。这些聚合物通常是在低温下通过注塑成型制造的，这表明通过回收再利用这些材料非常简单。然而， 只有极少数类型的塑料可以混合成均匀的混合物，因此有必要在回收流中清洁地分离不同的聚合物。
由于近红外光谱和拉曼分析等技术可以提供有关材料特性（包括化学成分）的有用信息，因此它们在识别回收塑料方面非常有效。将光谱技术整合到回收流中可以减少一些分类步骤，从而简化流程。
在近红外波长（>800 nm）下，聚合物具有强烈而明显的光谱特征，这些特征与印在塑料上的回收代码密切相关（图 1）。此外，使用近红外光谱，只需很少的样品制备工作。设置灵活，可根据多种不同情况进行定制。
图 1.大多数编码塑料都具有明显的近红外光谱特征。光谱仪可集成到回收流程中，帮助对塑料类型进行分类。
在某些情况下，拉曼光谱可用于识别未知化合物。事实上，在适当的条件下，即在足够的信号水平和适当的方法以减少荧光干扰的情况下，拉曼光谱在塑料鉴定方面具有很高的特异性。
虽然拉曼光谱和近红外光谱可以有效识别透明和有色塑料，但这两种方法都不适合识别黑色聚合物。这是因为碳黑会吸收所有的拉曼激发激光光和所有的近红外区域光。不过，也有文献提到使用中红外光谱技术鉴定黑色聚合物1。
使用 flame-nir 光谱仪的漫反射仪
本应用说明的重点是近红外光谱。为了证明 flame-nir 光谱仪在塑料鉴定方面的有效性，我们测量了几种样品的漫反射率：pete（聚对苯二甲酸乙二酯），常用于容器和服装；热塑性塑料 ldpe（低密度聚乙烯）；pp（聚丙烯），日常应用广泛；ps（聚苯乙烯），用于各种包装和容器。
flame-nir （图 2）拥有一个紧凑、高性能的光学工作台，配备一个非制冷 ingaas 阵列探测器，光谱响应范围为 970-1700 nm。与早期型号相比，它的灵敏度提高了 6 倍，从而降低了检测限，缩短了积分时间。
图 2.flame-nir 体积小巧，功耗低，是一种极具吸引力的选择，可以集成到回收流中。
为了测量样品，我们使用了 flame-nir 配有高功率卤钨灯光源、600 微米反射探头和漫反射标准。oceanview 操作软件完成了设置。我们将参数设置为 6 毫秒积分时间，平均扫描 50 次，箱车宽度设置为 1。
oceanview 以吸光度模式获取数据，因此我们可以绘制反射光谱的对数（1/r），r是样品的反射率。这可以更直观地显示用于化学分析的反射光谱，因为利用反射光谱的对数（1/r），我们可以看到浓度与信号强度的比例关系。
最初，我们采集 flame-nir 光谱时未进行基线校正（图 3）。为了更容易辨别光谱特征，我们进行了基线校正，从光谱中的每个数据点减去 1303 nm 处的反射率。这是一个数据处理步骤，有助于消除纤维移动或其他问题可能导致的强度偏移，从而更容易检查光谱形状的差异（图 4）。
图 3.使用 flame-nir 光谱仪（970-1700 纳米）测量的塑料样品漫反射率。所示数据未经基线校正。
图 4.应用基线校正后，使用 flame-nir 光谱仪测量的漫反射光谱显示出不同塑料类型之间的明显差异。
使用 nirquest 光谱仪进行漫反射分析
还使用nirquest 1.7 进行了其他测量，这是一种热电冷却 ingaas 阵列探测器光谱仪，响应范围为 900-1700 纳米（图 5）。还提供响应范围为 900-2200 纳米和 900-2500 纳米的版本。
图 5.nirquest 1.7 光谱仪（900-1700 纳米）是一种高灵敏度仪器，具有极高的热稳定性，因此非常适合加工环境。
nirquest 光谱仪采用增强型光学工作台设计，具有高灵敏度性能，可在较长波长进行漫反射测量时实现低检测限和更纯净的光谱。 与 flame-nir 相比，nirquest 的灵敏度更高，可提供更长近红外波长（>1700 nm）的光谱响应。
与 flame-nir 一样，我们使用大功率卤钨灯光源、600 µm 反射探头和漫反射标准测量塑料样品（pet 和 pp）。我们在 oceanview 软件中将参数设置为 5 毫秒积分时间，25 次扫描取平均值，箱车宽度设置为 1。我们将结果缩放为 %reflection（图 6）。
图 6.使用 nirquest 1.7 光谱仪测量的聚丙烯漫反射率。
利用近红外数据
利用近红外光谱，您可以建立强大的校准模型，但如果您试图在这些校准模型之外进行预测，这些模型就不太可行了。事实上，近红外光谱提供了大量的样品信息，但前提是您必须拥有提取这些数据的工具。例如，主成分分析是一种化学计量分析方法，可应用于所收集的数据，通过光谱特征对样品进行分组和分类。
此外，在塑料分拣过程中，利用近红外反射光谱做出有用的决策，对我们的海洋智能（ocean intelligence）机器学习算法来说也是一个很好的机会。将 ocean intelligence 应用于自动回收分拣过程，可为更高效、更少分拣错误地分离聚合物提供另一层见解。任何未正确分拣的物品都会成为废物，不得不再次回收。
结论
随着近红外光谱仪和机器学习专业技术的不断发展，回收商可以简化塑料分拣流程，提高运营成本效益，并促进环境的可持续发展。
参考资料
1 becker, w., sachsenheimer, k. and klemenz, m., “detection of black plastics in the middle infrared spectrum (mir) using photon up-conversion technique for polymer recyclingpurposes,”polymers(basel).2017 sep; 9(9)：435.