引言
聚烯烃作为产量最大的聚合物类别，其回收面临严峻挑战。工业级近红外光谱分选技术虽能区分不同聚合物家族，但对化学结构高度相似的聚烯烃亚类（如高密度聚乙烯HDPE与低密度聚乙烯LDPE）的分辨能力有限。这种局限性源于聚烯烃的化学相似性与结构多样性导致的谱图重叠。为突破此瓶颈，本研究引入机器学习方法，直接从NIR光谱预测聚烯烃的关键性能参数（密度、结晶度、短链分支SCB），以实现基于性能的精细分选，提升回收效率与再生料价值。
方法
研究团队收集了39个聚烯烃样本，包括HDPE、LDPE、线性低密度聚乙烯LLDPE和聚丙烯PP，并制备了HDPE/PP及HDPE/LDPE共混物以扩展样本空间。NIR光谱采集采用4 cm–1分辨率，并通过稳健正态变量RNV预处理消除样品形状与光散射干扰。性能测量涵盖密度（ASTM D792-20）、结晶度（差示扫描量热法DSC）及SCB（高温尺寸排阻色谱GPC-IR）。机器学习模型评估了偏最小二乘回归PLSR、主成分回归PCR、LASSO等七种算法，采用嵌套5折交叉验证以确保泛化能力。为增强模型可解释性，研究通过LASSO筛选关键波数候选池，结合暴力枚举构建替代线性模型，并利用SHAP分析量化波数贡献度。
结果与讨论
模型比较显示，PLSR在预测密度、结晶度和SCB时均呈现优异性能，其均方根误差RMSE接近实验测量不确定度，且模型复杂度低（仅需9-15个潜变量）。值得注意的是，训练集中包含共混物样本显著提升了模型对实际回收场景中复杂样品的预测鲁棒性。
通过SHAP分析与波数相关性映射，研究发现SCB预测的关键波数（如8669 cm–1和7147 cm–1）与CH3伸缩振动带（第一倍频5848–5917 cm–1、第二倍频8390 cm–1和8427 cm–1）高度相关，印证了分支末端甲基浓度对光谱响应的主导作用。类似地，结晶度与密度的预测中，关键波数如7201 cm–1和8611 cm–1同样与CH3特征带强相关，揭示了分子链排列紧密度与宏观性能的关联。
对聚烯烃分选与回收的启示
本研究突破了传统基于树脂识别码RIC的粗放分选模式，实现了从“类别分选”到“性能分选”的跨越。通过将NIR光谱的快速检测优势与ML的高维数据分析能力结合，可直接预测影响回收料加工性与应用性的核心参数（如密度、结晶度）。然而，实际回收环境中存在的污染物、添加剂及降解产物可能干扰光谱信号，未来需拓展训练集至消费后回收PCR样本，并开发抗运动干扰的校准策略，以推动技术从实验室向产业端落地。
结论
机器学习与近红外光谱的协同应用为聚烯烃的高附加值回收提供了新范式。PLSR模型不仅实现了对密度、结晶度和SCB的精准预测，更通过可解释性分析将关键光谱特征关联至聚合物链结构本质，证实了光谱-结构-性能关系的可追溯性。该策略有望依托现有NIR分选设施升级，以低门槛方式提升塑料回收的精细化程度，助力循环经济闭环构建。
