《Polymers》:Analysis of Waste Polymer Composition by a Simple Device for Raman Spectra Decomposition
编辑推荐:
当今,寻求与非化石原料相关、需较少碳基能耗、用水少且产生可回收废物的资源正成为主流。未来,这一努力是否会被足以以环保方式生产的充足资源所取代?资源将以受控方式循环,材料将具可持续性。多数能源将来自自然资源(太阳、风、浪、地热等)并具可持续性。世界将由数据管理,
当今,寻求与非化石原料相关、需较少碳基能耗、用水少且产生可回收废物的资源正成为主流。未来,这一努力是否会被足以以环保方式生产的充足资源所取代?资源将以受控方式循环,材料将具可持续性。多数能源将来自自然资源(太阳、风、浪、地热等)并具可持续性。世界将由数据管理,实现资源充裕。因此可持续发展是涵盖经济、人类(社会)与环境的长期战略,要求在复杂识别与量化不同来源废物(含塑料与纤维)方面取得进展。聚合物复杂混合物及纤维混纺废物(含微塑料)的识别是有效环境监测与综合回收管理的基础工具。拉曼光谱结合光谱解混(spectral unmixing)技术,为分辨重叠光谱组分及表征纤维状聚合物材料组成提供强有力手段。高光谱解混的通用目标是将观测光谱混合矩阵分解为一组纯组分光谱及其各自占比(丰度)或理想浓度,这需在物理与数学约束下求解逆问题。基于奇异值分解(SVD)的主成分分析(PCA)继以独立成分分析(ICA)旋转,用于将组分数约简至有意义的端元(endmember)集合。提取的端元应统计独立、非负且和为一,因其代表混合物中真实化学组分。这些要求通过牛顿线性化法的约束二次规划满足。基于此流程的RAMIX程序已于他文描述,其Python源代码可获,专用于聚合物混合物实验拉曼光谱分析及废料纤维混纺制图。本文以该程序分析由不同短纤维类型组成的压缩纺织样品拉曼光谱。为评估拉曼光谱,研究构建了简易、低成本的定制测量系统,可对纤维混合物沿线或面进行拉曼光谱制图。
研究背景方面,当前社会面临环境污染、非可再生资源耗竭与高能耗问题,纺织等合成纤维废物因依赖非可再生资源、难降解及产生微塑料而加剧环境压力。传统填埋、焚烧等处理方式不可持续,而回收需先准确识别与量化废物中聚合物组成。实际废聚合物多以多组分混合形式存在,且纤维形态、染料、荧光剂等会干扰光谱,单一拉曼(Raman)光谱直接判读困难,故需将高光谱解混框架引入拉曼数据处理。研究人员旨在以低成本自制拉曼测量系统结合约束解混算法,对压缩纺织短纤维混合物进行组分分解与沿线分布制图,验证RAMIX程序在真实废料场景的有效性,论文发表于《Polymers》。
关键技术方法上,研究人员构建由785 nm激发迷你拉曼光谱仪(LightNovo)与带微米级XY位移及粗调Z位移校准台组成的低成本线/面制图系统;样本为预处理后压缩纺织短纤废料混合物,沿20 mm剖面以0.3125 mm等距采64条光谱。数据处理采用基于SVD的PCA降维,依碎石图定主成分数,继以ICA类旋转,再用牛顿线性化约束二次规划(非负、和为一)求端元与丰度,全部计算由Python版RAMIX程序完成。
研究结果各节如下。
引言(Introduction)节指出合成纤维优势与微塑料风险并存,回收前必须无损鉴别聚合物类型,拉曼光谱虽灵敏但受结晶度、取向、染料及荧光干扰,混合物解混是核心难点,从而引出自制装置加解混软件的方法论定位。
拉曼光谱(Raman Spectroscopy)节阐明拉曼非弹性散射原理与近红外、中红外区段适用尺度,列述聚酯、聚酰胺、棉、毛等典型纤维特征峰,并指出TiO2消光剂在142 cm?1附近锐峰及表面活性剂可洗除等实际干扰,强调将遥感高光谱解混概念移植至拉曼混合谱的可行性。
混合物拉曼光谱的统计分析(Raman Spectra of Mixtures: Statistical Analysis)节形式化多维数据“维度灾”“空子空间”“距离耦合”三症,以矩阵X(行波长、列对象)建模,用PCA提取潜变量、由特征值碎石图定显著维数,经SVD分解、ICA旋转后施非负与和为一约束做物理意义优化,以此作为RAMIX内核,并在模拟四组分(聚酯、聚酰胺、棉、毛)加噪混合谱上验证重建峰位与比例吻合。
实验(Experiment)节描述LightNovo 785 nm光谱仪加Trilobyte合作微调位移台构成装置,对压缩纺织短纤废料沿线20 mm取64点(间距0.3125 mm)获系列谱图,目标为获组成随位置变化。
结果与讨论(Results and Discussion)节中,PCA碎石图(取十进制对数特征值)判定显著端元数为4;RAMIX解混迭代0.0042 s、总时4.9468 s、目标函数最小值5.079684,重构误差低;提取端元对应聚酯(红)、棉(绿)、聚酰胺(紫)、羊毛(蓝)四类,沿线丰度剖面显示各纤维占比随空间位置波动,证明方法可同时分离组分、估比例及定位分布,可用于微塑料源追踪与废纺混纺辨识。
结论(Conclusions)节总结:拉曼光谱对非破坏性聚合物分析高效,面对旧纺织品、塑料、微塑料等不确定混合物时,光谱解混能分离重叠信号提取纯签名;自制制图系统可替代昂贵拉曼平台。后续研究将扩展至PP、PET、PA6、PA6.6、丙烯酸系、PET/CO混纺等,引入机器学习与化学计量学、建光谱库、联用其他成像以提升分辨,服务回收与污染监控。
讨论部分浓缩而言,研究人员强调解混框架从遥感向拉曼的迁移解决了多组分纤维废料定量制图痛点,约束优化保障端元物理合理,低成本硬件使现场级废料分选具备可能;结论译文为:聚合物检测在环境、材料与回收领域愈显重要,拉曼光谱凭分子振动敏感性提供精细签名;废弃聚合物常成未知混合物,光谱分解可辨主族;解混算法分离重叠拉曼信号、提取纯签名,使拉曼加先进解混成为复杂样品精确辨识利器,所建测量系统可替代高价拉曼装置;未来将增强拉曼光谱与显微在纺织塑料废物中的检测,发展更高效解混以区分PP、PET、PA6、PA6.6、丙烯酸系、棉、毛及共聚物PET/CO等,探机器学习分解与化学计量学以识降解物与微塑料,建纤维光谱库,并融合其他成像提空间分辨,从而提升回收、污染追踪与可持续材料管理效能。