使用手持光谱学的数据驱动循环采购对位芳纶

《Cleaner Environmental Systems》：Data-Driven Circular Procurement of para-aramid using Handheld Spectroscopy

　　

报废材料（End-of-Life, EoL）的可靠质量评估仍是循环经济实际运作的瓶颈。EoL材料的异质性、有限的追溯性以及收集点传感技术的不足，造成了破坏整个价值链的低效率。手持近红外光谱（NIR）和拉曼光谱为实现实时、非破坏性材料分析提供了有前景的途径。然而，较低的精度和对环境变化的高度敏感性阻碍了实际应用。该研究引入了一种双视角决策框架，将手持光谱学与化学计量学相结合，以指导循环采购。通过将材料组成与卖方视角的价值和买方视角的可接受阈值联系起来，该框架能够在收集点实现定量、基于证据的决策。以EoL对位芳纶材料作为概念验证，研究人员在多个质量阈值下对四种手持分光光度计（Trinamix、Neospectra、Tellspec和Mira）进行了基准测试。光谱数据用于开发买方视角的分类模型和卖方视角的回归模型，同时环境和经济评估量化了手持筛选的更广泛影响。Trinamix成为最优设备，在92%对位芳纶阈值下实现了100%平衡准确率，并通过支持向量回归获得了最低的预测均方根误差（RMSEP）0.56%。通过将EoL材料筛选从约束重新定义为数据驱动分析过程，手持光谱学带来了可衡量的环境和经济收益，并推动了向低碳循环系统的转型。

**论文解读：数据驱动的手持光谱学在循环采购中的应用——以对位芳纶为例**

**研究背景与问题**

随着全球经济从线性模式向循环经济转型，报废材料（End-of-Life, EoL）被重新引入生产流程以减少废弃物和对原生原料的依赖。然而，EoL材料的质量评估成为循环采购（circular procurement）的主要瓶颈。由于EoL材料具有高度异质性、含有混合杂质和表面污染物，且缺乏有效的现场传感技术，当前实践中通常将材料直接运输到实验室进行后期评估，导致运输不合格材料的风险增加，效率低下。此外，买卖双方在循环系统中存在信息不对称：卖方可能缺乏披露完整材料信息的动机，而买方则难以独立验证可回收性，影响了信任和供应链效率。因此，需要一种能够在收集点快速、低成本、可靠地评估材料质量的技术，以支持数据驱动的循环采购决策。

**研究内容与意义**

研究人员针对上述问题，引入了双视角决策框架，将手持光谱学（handheld spectroscopy）与化学计量学（chemometrics）相结合，用于指导EoL材料的循环采购。该框架通过卖方视角的价值评估和买方视角的接受阈值，实现收集点的定量、基于证据的决策。以EoL对位芳纶（para-aramid）纺织品作为概念验证，研究人员在多个质量阈值下对四种手持分光光度计进行了评估，并集成了环境与经济影响分析。结果表明，结合手持光谱学与机器学习，可以将材料质量评估从主观过程转变为定量、可重复的方法，从而降低环境与经济成本，推动低碳循环系统的建立。该论文发表在《Cleaner Environmental Systems》。

**关键技术方法**

研究人员使用了76个来自Teijin Aramid（荷兰）的EoL对位芳纶样本，这些样本来源于印度、巴西、美国、中国、德国、泰国、土耳其、马来西亚和荷兰，涵盖多种工业应用。关键方法包括：①使用四种手持分光光度计（Trinamix-NIR、Neospectra-NIR、Tellspec-NIR和Mira-Raman）进行光谱采集；②对光谱数据进行预处理（标准正态变量变换SNV、Savitzky-Golay平滑、不对称最小二乘基线校正），并采用z-score法去除异常值；③建立分类模型（支持向量机SVM、逻辑回归、决策树、随机森林、K近邻KNN、偏最小二乘-线性判别分析PLS-LDA）用于买方视角的接受/拒绝决策，以及回归模型（偏最小二乘PLS、支持向量回归SVR、随机森林）用于卖方视角的连续含量预测；④环境评估使用Ecoinvent数据库（v3.4）与ReCiPe Midpoint (H)方法，经济评估基于处置成本和原生原料市场价格。

**研究结果**

**3.1 预处理**
原始光谱因设备不同而存在形状、基线漂移和分辨率差异。预处理通过减少噪声、校正基线效应，增强了所有设备的光谱一致性，为后续化学计量学建模提供了稳健基础。

**3.2 模型性能对比**
**3.2.1 分类**
分类结果揭示了材料回收率与原料纯度之间的权衡。较低阈值提高了回收率但加剧了类别不平衡，较高阈值则降低了回收率但增加了光谱重叠挑战。Mira表现最弱，平衡准确率接近随机水平；NIR设备整体表现更好，其中Trinamix在最高阈值下达到接近完美或完美的平衡准确率。没有单一分类算法在所有设备-阈值组合中表现最优，PLS-LDA通常表现不佳，而其他算法（如SVM、随机森林）表现各异。

**3.2.2 回归**
回归性能因设备而异。Mira预测精度有限；Neospectra在低阈值下误差较大，随纯度提高而改善；Tellspec表现出中等精度，SVR通常最佳；Trinamix始终产生最低预测误差。提高阈值降低了数据集异质性并改善了回归准确性，但减少了可回收材料。SVR是最稳健的回归模型，能够捕捉非线性关系并保持有效正则化。

**3.3 最优设备与质量阈值确定**
对于每个设备-阈值组合，选择分类误分类率最低和回归RMSEP最小的模型。Trinamix在92%阈值下实现了零误分类和最低RMSEP，提供了材料回收率与质量评估置信度的最佳平衡。Mira误分类率随阈值提高而增加，Tellspec不可靠，Neospectra分类表现好但回归误差较高。

**3.4 环境与经济评估**
**3.4.1 环境评估**
手持预筛选通常改善了CO₂性能，但效益大小取决于输入材料流组成。最佳设备（Trinamix）在德国、美国、巴西等国家实现了最大CO₂节约，而最差设备（Mira）在某些情况下（如印度）可能使预筛选适得其反。加权分析显示，最佳设备实现了最大的整体CO₂节约。

**3.4.2 经济评估（买方视角）**
经济结果主要由误分类样本的填埋成本和避免原生原料成本驱动。最佳设备在所有情景中均实现了最大净节约，其次是基线情景和最差设备。荷兰除外，基线情景下所有样本被拒导致净成本，而手持预筛选则产生净节约。

**3.4.2 卖方视角**
卖方处置成本因地区政策而异。荷兰和德国因高填埋税和欧盟循环经济政策而成本最高，美国、中国、巴西成本较低，泰国、马来西亚、土耳其和印度成本最低，此时转售价值可能成为主要激励。

**3.5 总结讨论与未来展望**
没有通用的手持分光光度计选择方案，最优选择取决于光谱范围、目标变量和光谱特征与材料组成的关系。算法选择同样依赖于应用，分类中线性模型在类别分离良好时表现好，非线性方法在低阈值下更优；回归中RBF SVR始终可靠。集成分类与回归改善了EoL价值链决策，采用与否还取决于区域政策。该框架可扩展至其他材料流，并结合数字产品护照（DPP）实现实时验证。未来研究应优化分光光度计-算法组合，发展自适应校准模型，并纳入统计质量控制。

**结论翻译**
循环经济的成功不仅取决于回收技术的进步，还取决于验证和采购高质量二次原材料的能力。该研究引入了一个循环采购框架，其中手持光谱学和化学计量学实现了EoL材料的实时、数据驱动评估。以对位芳纶纺织品为案例，在多个质量阈值下评估了四种手持分光光度计（Trinamix、Neospectra、Tellspec和Mira）。Trinamix表现最优，在最优92%阈值下实现了100%平衡准确率，并使用RBF SVR获得了0.56%的RMSEP。这些发现表明，将光谱学与机器学习相结合，将材料质量评估从主观过程转变为定量、可重复的方法，实现了二次原材料的透明评估。将分析结果与环境和经济结果联系起来，进一步证明了数据驱动采购的价值：最佳设备比基线情景和最差分光光度计实现了更大的CO₂节约和财务收益。尽管卖方激励仍受地方废物政策影响，通常不足以促进可持续的EoL管理，但买方显然受益于手持预筛选。尽管样本量有限，但主要结论保持不变：当与适当的质量阈值和分光光度计配对时，手持光谱学可以改善环境和经济性能。通过连接分析化学、数据科学和循环经济实践，该工作将手持光谱学定位为低碳、基于证据的循环采购的使能技术。尽管在此以对位芳纶纺织品为例进行演示，但所提出的框架可转移到其他高价值回收流，为更透明、高效、有弹性的循环价值链提供了可扩展的路径。