《TrAC Trends in Analytical Chemistry》：Recent advances in analytical methods for plastic thermochemical conversion: from feedstocks to products
编辑推荐：
塑料热化学回收中分析技术进展及整合策略，系统综述原料识别与产物表征的多技术方法，包括光谱学（FTIR、Raman、LIBS）和色谱技术（GC-MS、HPLC）的应用，强调AI驱动的实时分析与标准化流程对提升资源回收效率的关键作用。
吴志良|尹彦山|史乃士|吕世豪|王瑞琪|Md Maksudur Rahman|王洪奇|王泽华|高文然|Carol Sze Ki Lin|王振尧|夏翱|宋冰
西澳大利亚矿业学院化学工程系：矿物、能源与化学工程，科廷大学，邮政信箱U1987，珀斯WA 6845，澳大利亚
摘要
塑料废物的不断积累带来了全球性的挑战，凸显了高效回收和资源化利用的必要性。热化学转化提供了一种将塑料转化为高附加值产品的有前景的途径，但其优化依赖于能够准确识别原料和表征反应产物的强大分析方法。本文综述了整个热化学转化链中分析方法的最新进展。在原料识别方面，传统的手工分选和基于密度的分选方法已发展为傅里叶变换红外光谱和拉曼光谱等先进的光谱技术，实现了快速且无损的聚合物检测。对于产物表征，色谱、热分析、光谱和显微技术对于分析气态、液态和固态产物以及揭示反应路径至关重要。此外，人工智能和机器学习的整合也得到了重视，以增强实时分析和过程决策能力。因此，本文为选择和应用分析方法以改善热化学塑料回收的环境和经济可行性提供了指导。
引言
塑料是一种主要来自石化工业的合成聚合物，由于其多功能性、耐用性和轻质性，在现代社会中已成为不可或缺的材料。其在包装、运输、建筑和电子领域的广泛应用导致了全球塑料产量的急剧增加。根据联合国环境规划署的数据，自20世纪50年代以来，塑料产量大幅增长，预计到2050年将超过10亿吨[1]。Geyer估计，全球塑料累积量将从2017年的90亿吨增加到2050年的320亿吨[2]。然而，这种不断增长的塑料需求和消费导致了严重的环境问题，包括持续污染、温室气体排放和土地占用[3]。令人担忧的是，目前超过57%的消费后塑料废物被丢弃在垃圾填埋场，加剧了长期的环境挑战[4]。
为了减轻这些影响，高效的塑料回收变得越来越重要。目前，采用了多种方法（包括机械回收、化学回收、热化学回收和生物回收）来从废旧塑料中回收价值[5]。其中，热化学回收途径（如热解和气化）因其广泛的原料兼容性、高的能量回收潜力以及与现有石化基础设施的强整合能力而成为最具多功能性和工业可扩展性的技术[7]、[8]、[9]。这些特性使它们成为循环利用塑料和能源转型的最实际选择。然而，整体效率和产物选择性在很大程度上取决于对原料和反应产物的精确分析表征，这突显了需要综合多技术方法的重要性。与分析科学的一般趋势一致，快速、可现场部署的测量方法越来越受到重视，用于现场筛选和监测，补充了基于实验室的多技术表征方法，例如在食品安全应用中使用的光学传感[10]、[11]和便携式电化学平台[12]、[13]。尽管技术不断进步，但由于技术、经济和政策障碍，全球塑料回收率仍然很低，只有大约17%的塑料废物得到了有效回收[4]。
实现可行的塑料回收和升级的一个主要瓶颈在于对异质废物流的准确识别和分选，因为大多数高性能处理技术只能处理特定类型的塑料。混合或分选不当的塑料会显著降低回收产品的质量和性能[14]。因此，对热化学过程（如热解和气化）产生的原料和塑料衍生产品的精确表征对于理解和优化转化机制至关重要[15]。传统方法（如重力分选、浮选和静电分选）依赖于密度和导电性等物理性质，但往往劳动密集、能耗高，并且容易因塑料降解和污染而产生误差[16]、[17]。为此，开发了近红外（NIR）、傅里叶变换红外（FTIR）、拉曼光谱（Raman）、激光诱导击穿光谱（LIBS）和激光诱导荧光（LIF）等先进光谱技术，提供了更高的速度、准确性和灵敏度，用于实时分选和识别塑料[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]。简而言之，NIR在工业分选中得到广泛应用，因为它可以在输送带上快速、非接触地识别常见聚合物[21]。FTIR提供化学特异性的指纹光谱，以确认聚合物官能团并检测降解情况（如氧化[20]）。拉曼光谱提供高空间分辨率的振动信息，有助于区分具有相似红外特征的聚合物并评估老化过程中的结构变化[18]、[19]、[22]。LIBS提供快速的元素分析（例如卤素和与颜料相关的元素），有助于识别可能干扰热化学处理的PVC和含添加剂的塑料[23]。LIF可以通过利用聚合物和添加剂的荧光特征进一步提高分选效率，尽管需要仔细校准，因为荧光响应会受到天气、污染和配方的影响[27]。这些技术不仅可以区分聚合物类型，还可以检测微量塑料、评估聚合物降解情况，并识别多层和深色样品[28]、[29]、[30]、[31]、[32]、[33]。然而，每种方法都有其固有的局限性，选择最合适的技术取决于塑料类型、样品状况和应用目标等因素。例如，NIR在处理黑色或多层塑料时存在困难，而FTIR和Raman对几何形状和荧光敏感[26]。因此，整合互补的方法并制定标准化的分析协议对于实现准确和高通量的原料识别至关重要。
除了原料识别之外，对热化学过程产生的塑料衍生产品的表征同样重要，这对于理解降解机制和优化过程性能至关重要。塑料废物越来越被认为是通过热化学过程（如热解和气化）生产单体、合成气、氢气和热解油的宝贵碳源[5]、[34]、[35]、[36]、[37]、[38]、[39]、[40]、[41]、[42]。这些技术产生的中间体和产物混合物需要可靠的分析工具进行定性和定量评估。FTIR、热重分析（TG）、凝胶渗透色谱（GPC）、核磁共振（NMR）、气相色谱-质谱（GC-MS）和高性能液相色谱（HPLC）等分析工具被广泛用于阐明反应中间体、产物组成和转化机制[20]、[26]、[31]、[43]、[44]、[45]、[46]、[47]、[48]、[49]。通常，FTIR可用于分析液态和固态产物，并追踪化学变化，提供操作条件与产物化学之间的快速定性联系[50]、[51]。TG-DSC可以分析质量损失和热流，揭示分解阶段并比较原料反应性和残留物形成[52]、[53]。GC-MS可以识别和半定量挥发性及半挥发性化合物，而GPC通过分子量分布表征较重的寡聚物和蜡，反映链断裂的程度[54]、[55]。HPLC能够针对极性和不易通过GC分离的化合物进行定量，提高含氧化合物和其他非挥发性中间体的覆盖率，而NMR提供整体结构信息（例如芳香性、支化和官能团环境），补充了色谱分析[55]、[56]。然而，没有一种技术能够完全捕捉所有中间体和结构变化，限制了对降解途径的机制理解。
迄今为止，大多数综述集中在环境基质中塑料的检测和识别[57]、[58]，或特定分析技术（如LIBS[59]、[60]、热解-GCMS[61]）。也有大量研究关注微塑料和纳米塑料，重点在于使用光谱和成像方法进行检测和量化[58]、[62]、[63]、[64]、[65]、[66]。尽管这些研究提供了宝贵的见解，但大多数研究仅限于环境监测，且经常孤立地讨论分析工具（例如用于塑料分选或单一技术）。因此，针对大宗塑料热化学资源化的分析仍然分散，原料识别、过程监测以及气态、液态和固态产物的相分辨表征之间的联系有限。这种分散导致报告不一致（例如油/焦油的定义和临界值），跨研究的可比性较差，以及利用分析结果解释机制、优化过程和控制产品质量的能力较弱。更重要的是，没有综述系统地考察了从原料识别到气态、液态和固态产物表征的整个塑料转化链的分析方法。因此，本文旨在通过总结塑料热化学转化的分析技术最新进展来填补这一空白，从原料识别（第3节）到气态、液态和固态产物的相分辨表征（第4节）。它进一步讨论了集成、实时和数据驱动的分析框架如何增强机制理解、过程优化和产物资源化。最后，它概述了关键挑战和未来方向，强调实时分析、机器学习和标准化协议的整合，以实现智能、可扩展和可持续的塑料资源化。总体而言，本文旨在为致力于更高效和可扩展的塑料废物管理和资源回收系统的研究人员、工程师和政策制定者提供有价值的参考。
部分摘录
塑料类型和分类
塑料是一种主要通过石化聚合过程生产的聚合物。由于其优异的塑性、耐用性和多功能性，它在现代社会中变得不可或缺，广泛应用于包装、建筑、运输和电子产品。塑料分类对于回收和废物管理至关重要，因为不同聚合物具有不同的可回收性和热化学转化行为。
塑料原料的分析技术
塑料废物的快速积累加剧了人们对环境持久性的担忧，推动了用于准确识别和表征原料的分析技术的进步。此类分析对于优化回收效率、确保产品质量和设计定制的热化学转化策略至关重要。在本节中，我们总结了与塑料识别和分选相关的最新分析工具进展。
塑料衍生产品的表征
针对塑料衍生产品的分析技术迅速发展，以应对日益严重的环境和健康影响。这些技术对于识别、定量和解释不同相和基质中的塑料转化产物至关重要。如图9所示，通过热解（350-600°C）和气化（800-1200°C）进行的热化学转化会产生不同的固体（炭和灰分）和液体（油和可冷凝物）分布。
结论与建议
全球塑料消费的快速增长及其带来的废物积累已成为紧迫的环境挑战，需要开发高效和可持续的回收策略。在各种方法中，对塑料废物及其热解产物的精确识别和全面表征在提高过程效率、产品质量和环境性能方面发挥着关键作用。本文系统地总结了
CRediT作者贡献声明
吴志良：撰写——审稿与编辑、初稿撰写、方法论、调查、正式分析、概念化。Md Maksudur Rahman：撰写——审稿与编辑、方法论、调查。王洪奇：方法论、调查、数据管理。王泽华：调查、正式分析。高文然：撰写——审稿与编辑、方法论、调查、资金获取。尹彦山：撰写——审稿与编辑、调查、资金获取。史乃士：撰写——审稿
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
尹彦山感谢国家自然科学基金（编号51206012），高文然感谢国家自然科学基金（编号52106249和52276200）以及国家重点研发计划（编号2024YFE0106500）。
