基于HS-GC-MS结合化学计量学对原生和再生聚丙烯的鉴别

Identification of Virgin and Recycled Polypropylene Based on HS-GC-MS Combined with Chemometrics

摘要

为了建立一种快捷有效地鉴别原生料和再生料的方法或模型，利用顶空气相色谱-质谱联用（HS-GC-MS）、MSDIAL软件、NIST质谱库以及保留指数对原生聚丙烯（VPP）和再生聚丙烯（RPP）中的挥发性物质进行筛选。在72种原生和再生样本中，初步定性出257种挥发性化合物，涵盖烃类化合物、添加剂、污染物等杂质，发现原生样本中的烃类物质含量远高于再生样本，是VPP主要的挥发性成分。采用主成分分析（PCA）、最小正交偏二乘判别分析（OPLS-DA）和线性判别分析（LDA）等多种计量学方法，对相关物质进行建模，均成功实现对原生和再生PP的良好鉴别。

Abstract

In order to establish a rapid and effective method or model for discriminating virgin materials from recycled materials, headspace gas chromatography-mass spectrometry (HS-GC-MS), MSDIAL software, the NIST mass spectral library, and retention indices were employed to screen volatile compounds in virgin polypropylene (VPP) and recycled polypropylene (RPP). Among the 72 samples of virgin and recycled materials, a total of 257 volatile compounds were preliminarily identified, including hydrocarbons, additives, contaminants, and other impurities. It was found that the content of hydrocarbons in virgin samples was significantly higher than that in recycled samples, making them the primary volatile components in VPP. Various chemometric methods, including principal component analysis (PCA), orthogonal partial least square discriminant analysis (OPLS-DA), and linear discriminant analysis (LDA), were used to model the relevant compounds, all of which successfully achieved good discrimination between virgin and recycled PP.

Graphical abstract

关键词

再生塑料 / 化学计量学 / 顶空气相色谱质谱联用 / 鉴别 / 差异性物质

Key words

Recycled plastics / Chemometrics / Headspace gas chromatography with mass spectrometry / Differential / Differential substances

再生塑料是指采用一系列物理或化学手段(包括预处理、熔化造粒、改性等工艺流程)对废旧塑料进行加工处理，使其重新成为可使用的塑料原料^[1]。这一过程不仅是塑料的再利用，也是循环经济的重要一环。由于聚丙烯(PP)塑料具有优良的耐热性、成本低、易于加工、环保、来源广泛可回收等多种优异性能，是食品接触广泛使用的材料，再生PP材料拥有广阔的市场前景^[2]。近年来，随着全球对环保和可持续发展的高度重视，厂家使用再生料的现象普遍存在^[3]。再生料的使用必须遵循降级使用的原则，不得在药品包装中使用再生料^[4]；当用于食品包装、儿童玩具时^[5]，必须对成分安全性能进行严格的检测。如果违规使用再生塑料，会对消费者构成潜在的威胁^[6]。因此，调查再生塑料中存在的潜在化学风险，并找到有效的方法鉴别原生塑料和再生塑料尤为重要^[7]。

化学计量学是一种基于数学和统计学的工具，可以从复杂的数据集中提取有价值的信息，并识别数据中的规律，并且能够与多种检测分析技术结合使用，从而解决专业上的难题^[8]，例如食品真伪的验证、不同品种草药的鉴别、植物年限的测定以及药材产地的判定领域。近年来，部分研究人员采用化学计量学的方法对再生塑料进行鉴别，并且获得了成功^[9-10]。SONG等^[11]使用固相微萃取结合气相色谱-质谱联用法识别出原生和再生聚苯乙烯(PS)发泡餐盒中的99种挥发性化合物，结合主成分分析(PCA)和层次聚类分析对原生和再生PS样品实现了初步鉴别。LI等^[12]使用顶空-固相微萃取-全二维气相色谱-串联四极杆飞行时间高分辨质谱对127批原生和再生聚对苯二甲酸乙二醇酯(PET)进行研究，采用随机森林和支持向量机算法对挥发性有机化合物建立模型，鉴别准确率达到100%。CHEN等^[13-15]采用HS-GC-MS、GC-MS结合化学计量学的方法对原生和再生聚乙烯(PE)进行研究，发现原生和再生样本的挥发性成分主要差异在于烃类物质的种类和含量，原生PE远高于再生PE，再生样品的挥发性物质主要是添加剂及其降解产物、污染物和其他杂质。基于此，本文利用HS-GC-MS对原生和再生PP的挥发性物质进行分析，并结合多种化学计量学的方法，以求建立一种高效便捷的鉴别原生和再生PP的模型，旨在为相关研究提供参考。

1 实验部分

1.1 主要原料

20种再生PP粒子、20种原生PP粒子和32种原生PP制品。原生和再生PP粒子均按顺序实验，编号分别为VG01~VG20和RG01~RG20；原生PP制品为不同形状和颜色的样品，并未按照连续顺序编号，样品编号分布在VP01~VP56。表1为样品信息。分批次对样品进行试验，每个样品进行两次平行试验，试验前均采用质量浓度为50 mg/L、体积为20 μL的D8萘试剂作为分析检测的标准品，进行峰值校准，以确保分析结果的准确性。采用质量浓度为10 mg/L、体积为100 μL的正构烷烃试剂进行保留指数的测定。

1.2 仪器与设备

气相色谱-质谱联用仪，Agilent7890A-5975C，美国安捷伦科技有限公司；石英毛细管色谱柱，DB-5MS，30 m×0.25 mm×0.25 µm，美国安捷伦科技有限公司；电子天平，AR224CN，中国奥豪斯仪器有限公司。

1.3 实验条件

GC条件：顶空平衡温度180 ℃；定量环温度190 ℃，传输线温度200 ℃，平衡时间30 min；进样体积1 000 μL；分流比5∶1。采用气相色谱-质谱联用仪进行色谱分离，溶剂延迟2 min；使用氦气作为载气，流速1.0 mL/min。采用程序升温，在初始温度50 ℃下保持2 min，然后以20 ℃/min升温至300 ℃，保持2 min。

MS条件：采用电子轰击(EI)离子源，电离能量70 eV；进样口、离子源和四极杆温度分别为200、230、150℃；全扫描(SCAN)模式，质荷比扫描质量范围为45~500 Da。

1.4 实验方法

采用质量浓度为50 mg/L、体积为20 μL的D8萘试剂作为峰面积校准，并且设置两个平行，确保仪器状态基本稳定。将分别称取0.2 g样品(精确至0.001 g)，放至20 mL顶空进样瓶中，迅速密封，待测。每种样品采取两个平行。然后放至Agilent气相色谱-质谱联用仪准备测试。实验初期，进行多次试验，依次采取160 ℃、45 min，160 ℃、30 min和180 ℃、30 min的实验条件。结果显示，相同温度下，30 min和45 min的实验效果并无明显差异，因此选择30 min的实验条件。由于聚丙烯是结晶型聚合物，有着多种晶型，不同晶型的聚丙烯熔点也有所不同，但总体熔点温度分布在150 ℃至180 ℃。因此，综合考虑，最终选择180 ℃、30 min的实验条件。

1.5 保留指数测定

将正构烷烃（C7~C40）标准品稀释至800 μg/L，遵循1.4中所述的实验条件，进行上机检测操作。综合运用NIST20谱库信息与线性温度程序升温的公式，精确计算各目标化合物的保留指数^[16-17]。

I_{\mathrm{R}}=\mathrm{100}n+\frac{\mathrm{100}(t_x-t_n)}{(t_{n+\mathrm{1}}-t_n)}(1)

式(1)中：I_R为保留指数；n为正构烷烃的碳原子数，个；t_x为被测组分在色谱柱上的保留时间，min；t_n与t_{n+\mathrm{1}}分别代表碳原子数为n和n+1的正构烷烃在同一条件下的保留时间，min。

1.6 数据处理

利用MSDIAL软件对GC-MS分析得到的样本数据进行转换、解卷积，结合保留指数和NIST库对检测出的挥发性化合物进行简单的定性分析。参数设置如下：质量数分析区间为45~450 Da，确保最小峰高达到450 Da的阈值。在定性分析阶段，保留指数容差设定为宽泛的100%，同时保留时间容差为100 min，质荷比容差精确至0.5 Da。当电子电离(EI)相似性阈值为70%，并且综合得分在80%以上时，本文认为所匹配物质定性准确。对格式进行abf转化后运用SIMCA 14.1(Umetrics，瑞典)软件建立PCA、OPLS-DA模型，利用数据分析软件IBM SPSS Statistics 27(IBM，美国)建立LDA模型，最后达到原生和再生PP样品的鉴别目的。

2 结果与讨论

2.1 基于所有挥发性物质的PCA

PCA是一种常见的探索性数据分析方法，也是一种无监督的学习方法，它可以将数据集的维数降低至几个主成分，这些主成分仍然保留数据中最重要的信息。因此，为了使原生和再生PP的鉴别效果可视化，基于所有挥发性物质建立PCA模型。图1为基于所有VOCs的再生和原生PP的PCA得分图。其中，VPP代表原生PP样品，RPP代表再生PP样品，原生PP样品和再生PP样品在挥发性有机物(VOCs)上表现出一定的差异，再生PP样品主要分布在图的左上半部分，而原生PP样品主要分布在下半部分和右边部分。从图1可以看出，大部分再生样品比较集中，意味着再生样品中的VOCs种类和数量相对较稳定。而原生样品在PCA图中表现得比较分散，这也许是不同生产工艺对挥发性成分的影响。然而，由于原生样品和再生样品交叉部分很大，达不到理想的鉴别效果。接下来对原生PP样品和再生PP样品建立OPLS-DA模型。

2.2 基于OPLS-DA和非参数检验的差异性物质筛选

OPLS-DA是一种多因变量对多自变量的回归建模，是有监督的多元统计学方法。其最大的特点是可以去除自变量X中与分类变量Y无关的数据变异，使分类信息主要集中在一个主成分中，从而使模型变得简单易于解释，它的鉴别效果可视化也能得到更明显的成果，因此经常被用于筛选对分类有重要作用的变量。本文用此方法对物质进行建模，筛选出对原生和再生PP分类具有重要作用的挥发性物质。图2为基于所有VOCs的再生和原生PP的OPLS-DA得分图。从图2可以看出，原生和再生PP样品十分清晰地分布在两个区域，无任何交叉部分，因此能够很清楚地呈现出鉴别的效果，说明OPLS-DA模型可以达到鉴别原生和再生PP的目的。

置换检验是一种非参数统计方法，用于评估模型或假设的显著性，即判断模型对样本间差异的解释能力是否具有统计学意义，特别是在处理多元变量数据分析时。置换次数要足够多，以确保结果稳定性和可靠性，但过多的置换次数也会增加计算时间和资源消耗。因此，本研究选择进行200次的置换检验，验证模型的可预测性和可靠性。置换检验通过随机打乱样本标签或响应变量的顺序，然后重新计算模型性能指标（如决定系数R²、预测决定系数Q²等），当R²回归线截距大于0.4，Q²回归线截距小于0，并且两条回归线斜率均大于0时，则认为OPLS-DA模型的拟合准确性和预测性都能接受^[18]。图3为基于所有VOCs的原生和再生PP的OPLS-DA置换检验图。从图3可以看出，R²和Q²回归线的截距分别为0.620和-0.692，并且两条回归线的斜率都大于0。OPLS-DA模型有着较好的鉴别效果，经过置换检验初步筛选出257种物质。

一般认为，变量重要性投影值(VIP)大于1的物质是具有代表性的物质，最终筛选出77种挥发性标记物。其中包括28种烷烃、5种醛类物质、4种醇类物质、3种酯类物质、4种烯烃、3种酚类物质、2种酸类物质、2种呋喃物质、2种酮类物质、1种苯类物质、1种醌类物质以及22种未知物质。在这77种物质中，又对20种VIP排在前列的物质进行筛选，分别标注它们的序号、色谱保留指数、CAS号和可能来源等信息，如表2所示。大部分标记物的含量在原生样品中更高。需要注意的是，再生样品中检测出部分醛类物质，例如壬醛、3,5-二叔丁基-4-羟基苯甲醛、3,4-二甲基苯甲醛。这些物质很有可能是承装其他化学产品或者在回收过程中与其他垃圾接触带入的，因为都含有一定的毒性，不可用于食品级接触材料上，因此在回收使用过程中应加强安全检测，保障消费者安全。

2.3 基于标记物的PCA

由于在2.1中对所有挥发性物质的PCA鉴别效果不是很理想，故本研究又对筛选出的77种标记物、VIP排列前20的物质分别建立PCA模型，结果如图4和图5所示。从图4和图5可以看出，再生PP和原生PP分别分布在两个区域，表明通过VIP筛选差异性物质有利于建立PCA鉴别模型。

2.4 LDA模型分析

LDA又名线性判别分析，是一种有监督的学习方法,与无监督的PCA相比，LDA能最大化多个给定分类之间的差异。为了保证鉴别效果的准确率，采用随机抽样、系统抽样和分层抽样分别对所有挥发性物质、77种标记物和VIP前20的物质筛选出LDA模型所需的训练集(2/3的样品)和预测集(1/3的样品)，分别建立LDA判别分析模型。表3为基于LDA模型的鉴别结果。从表3可以看出，3种抽样方式建立的判别模型均表现出较高的稳定性，训练集和测试集的平均鉴别准确率分别达到93.7%~99.8%和97%~99.5%，其中所有测试集的平均鉴别准确率均高于97%。相比基于所有物质的LDA模型，基于77种标记物建立的LDA模型对预测集显示出最好的鉴别效果，准确率分别高达99.8%和99.5%。

3 结论

本研究基于HS-GC-MS结合多种化学计量学的方法对原生和再生PP进行鉴别。首先利用PCA、OPLS-DA对所有挥发性物质建模，然后通过非参数置换检验筛选出77种VIP大于1的标记物。OPLS-DA模型能够较好地对原生和再生PP实现鉴别，PCA模型表明原生和再生PP样本组之间存在差异，但鉴别效果并不理想，因此对所有物质、77种标记物和VIP前20的物质又分别建立了PCA和LDA模型。基于标记物和VIP前20的PCA模型、LDA鉴定效果均优于基于所有挥发性物质建模鉴定的效果。本研究结果还表明，原生和再生PP样品两组的VOCs种类和含量均有着明显差异，原生和再生PP中鉴定出的挥发性化合物主要是烃类物质，再生PP中烃类物质的种类以及数量都远不如原生样品。上述结果均为鉴别原生和再生PP提供了线索。本文提出的基于HS-GC-MS结合化学计量学方法建立的鉴别模型可靠、有效。

参考文献

[1] 张艺鸿,黄彬.基于LCA理论的再生塑料家具设计研究[J].家具与室内装饰,2020,27(1):28-29.

[2] 黄爱萍,赵金尧,万富,红外光谱衰减全反射法结合热分析法分析PP再生料[J].绿色包装,2020(5):48-50.

[3] 孔维恒,王琳丽,郝欣,便携式拉曼光谱仪快速识别塑料新料与再生料[J].分析仪器,2019(5):109-111.

[4] 王成云,邹慧萍,林君峰,DSC法快速鉴别塑料新料和再生料[J].上海塑料,2021,49(2):32-38.

[5] 金晶晶,俞雄飞.傅里叶变换红外光谱结合差示扫描量热法分析PE/PP再生料[J].化学分析计量,2018,27(4):47-50.

[6] 李虹,陈寿,王鑫,再生塑料管控政策及其智能鉴定研究综述[J].包装学报,2024,16(2):78-86.

[7] 肖前,王晶,王海贞,原生塑料与再生塑料的鉴别[J].中国口岸科学技术,2024,6(2):53-57.

[8] 郝勇,温钦华,饶敏,基于便携式近红外光谱仪的食品接触性塑料鉴别[J].食品与机械,2018,34(4):124-127.

[9] SONG X C, LIN Q B, CHEN C F, et al. Discrimination between virgin and recycled polystyrene containers by Fourier transform infrared spectroscopy and principal component analysis[J]. Packaging Technology and Science, 2018, 31(8): 567-572.

[10] SONG X C, LIN Q B, ZHANG Y C, et al. Rapid classification of virgin and recycled EPS containers by Fourier transform infrared spectroscopy and chemometrics[J]. Food Additives&Contaminants: Part A, 2018, 35(11): 2220-2229.

[11] SONG X C, WRONA M, NERIN C,et al.Volatile non-intentionally added substances (NIAS) identified in recycled expanded polystyrene containers and their migration into food simulants[J]. Food Packaging and Shelf Life, 2019, 20: 100318.

[12] LI H K, WU X F, WU S L,et al.Machine learning directed discrimination of virgin and recycled poly(ethylene terephthalate) based on non-targeted analysis of volatile organic compounds[J]. Journal of Hazardous Materials, 2022, 436: 129116.

[13] CHEN Z F, LIN Q B, SONG X C,et al.Discrimination of virgin and recycled polyethylene based on volatile organic compounds using a headspace GC-MS coupled with chemometrics approach[J].Food Packaging and Shelf Life, 2020, 26: 100553.

[14] CHEN Z F, LIN Q B, SU Q Z, et al. Identification of recycled polyethylene and virgin polyethylene based on untargeted migrants[J]. Food Packaging and Shelf Life, 2021, 30: 100762.

[15] CHEN Z F, LIN Q B, DONG B, et al. Comparison of the ability of UV-Vis and UPLC-Q-TOF-MS combined with chemometrics to discriminate recycled and virgin polyethylene[J]. Journal of Hazardous Materials, 2022, 423: 127165.

[16] 杨青华,林勤保,关伟焰,基于傅里叶变换红外光谱和气相色谱-质谱的未知涂料成分分析[J].分析测试学报,2021,40(11):1571-1579.

[17] 郭盼,曾少甫,朱蕾,基于GC-MS和化学计量法探究边角料添加比例对食品接触用再生PE薄膜的影响[J].分析测试学报,2022,41(10):1470-1477.

[18] 李俊南,侯艳,孙凤宇,OPLS方法的原理及其在代谢组学数据判别分析中的应用[J].中国卫生统计,2014,31(5):765-769.

基金资助

国家重点研发计划项目(2022YFF0607202)