Использование спектроскопических методов для дифференциации перерабатываемых и неперерабатываемых пластмасс

Пластиковые отходы стали одной из самых насущных экологических проблем 21-го века. С глобальным производством, превышающим 400 миллионов тонн в год и только около 9% всего когда-либо произведенного пластика, который эффективно перерабатывается, потребность в эффективных технологиях сортировки никогда не была больше. В основе современных операций по переработке лежит способность быстро и точно различать перерабатываемые и неперерабатываемые пластмассы. Спектроскопические методы стали краеугольным камнем этих усилий, предлагая быстрый, неразрушающий анализ, который может быть масштабирован до промышленных объемов. Используя уникальные способы взаимодействия различных полимеров со светом, эти методы обеспечивают химический отпечаток для каждого типа пластика, позволяя автоматизированным системам сортировки отделять материалы с точностью, намного превышающей возможности человека.

Проблема переработки пластика: почему сортировка имеет значение

Не все пластмассы созданы равными в потоке рециркуляции. Термопласты, такие как ПЭТ (полиэтилентерефталат, код смолы 1) и ПЭТ (полиэтилен высокой плотности, код смолы 2) широко перерабатываются, в то время как другие, такие как ПВХ (поливинилхлорид, код 3) или композиты из смешанных материалов, часто загрязняют партии. Даже среди перерабатываемых типов различные полимеры требуют отдельной обработки - смешивание ПЭТ с ПЭВП в потоке расплава приводит к некачественному материалу, непригодному для новых продуктов. Наличие неперерабатываемых пластмасс, таких как термореактивные или черные пластмассы, которые поглощают инфракрасный свет, дополнительно усложняет сортировку. Скорость загрязнения до 5% может сделать партию неперерабатываемой, что приводит к необходимости аналитических методов, которые могут идентифицировать пластмассы с точностью более 99%.

Ручная сортировка, все еще распространенная во многих регионах, полагается на визуальный осмотр человека идентификационных кодов смолы (числа внутри символа стрелы преследования). Однако эти коды часто отсутствуют, носят или покрывают этикетки. Кроме того, многие пластмассы выглядят идентичными невооруженным глазом - чистые ПЭТ-бутылки и прозрачные ПВХ-бутылки выглядят похожими, но имеют различный химический состав. Спектроскопические методы преодолевают эти ограничения, исследуя молекулярную структуру непосредственно, что делает их незаменимыми для современных объектов переработки.

Спектроскопические методы: принципы и рабочие процессы

Спектроскопия измеряет взаимодействие вещества и электромагнитного излучения. При применении к пластмассам различные полимеры поглощают, отражают или рассеивают свет на характерных длинах волн, создавая уникальную спектральную сигнатуру. Сравнивая эту сигнатуру с базой известных полимеров, материал можно идентифицировать в миллисекундах. Этот процесс можно развернуть на конвейерных лентах, движущихся со скоростью несколько метров в секунду, что позволяет в режиме реального времени сортировать тысячи штук в час. Наиболее широко используемые методы в переработке пластика включают FTIR, Raman, NIR, LIBS и гиперспектральную визуализацию.

Инфракрасный спектроскоп Фурье (FTIR)

Спектроскопия FTIR работает, сияя широким спектром инфракрасного света на образец и измеряя, какие длины волн поглощаются. Пик поглощения соответствует специфическим молекулярным колебаниям — например, растяжение C-H в полиэтиленовых или карбонильных группах в ПЭТ. Каждый полимер имеет отдельный инфракрасный спектр, очень похожий на отпечаток пальца. Современные системы FTIR, используемые в переработке, могут классифицировать пластмассы менее чем за 100 миллисекунд. Они особенно эффективны для прозрачных и полупрозрачных пластмасс и часто интегрируются в системы ближнего инфракрасного (NIR) для более широкого охвата длин волн.

Критическим преимуществом FTIR является его способность различать химически похожие полимеры, такие как различные типы полипропилена или нейлоновых марок. Эта точность снижает перекрестное загрязнение и улучшает качество переработанных гранул. Согласно исследованию, опубликованному в Управление отходами и исследования , сортировка на основе FTIR достигла более 98% точности для обычных упаковочных пластмасс .

Рамановская спектроскопия

В отличие от FTIR, измеряющего поглощенный свет, рамановская спектроскопия обнаруживает неупруго рассеянный свет из лазерно-осветленного образца. Рассеянные фотоны получают или теряют энергию, соответствующую молекулярным колебаниям, что дает комплементарный спектр. Раман менее чувствителен к помехам воды и может анализировать очень мелкие частицы (до нескольких микрометров), что делает его идеальным для сортировки пластиковых хлопьев или микропластиков. Он также хорошо работает с цветными и непрозрачными материалами, включая черные пластмассы, которые, как известно, труднодоступны для систем NIR.

Недавние достижения привели к созданию портативных рамановских устройств, которые могут использоваться на месте в центрах переработки или даже инспекторами по отходам. Однако сигналы рамана могут быть слабыми и требуют тщательного управления мощностью лазера, чтобы избежать сжигания образца. Несмотря на это, его способность идентифицировать добавки, наполнители и покрытия - материалы, которые часто влияют на рециркуляцию - делает его ценным дополнением к FTIR (источник] .

ближняя инфракрасная спектроскопия (NIR)

NIR-спектроскопия работает в диапазоне длин волн 780-2500 нм, где появляются обертоны и комбинации фундаментальных молекулярных колебаний. Это наиболее распространенный метод в промышленной сортировке пластика из-за его скорости, надежности и относительно низкой стоимости. NIR-датчики могут быть установлены над конвейерными лентами и собирать спектральные данные из каждого фрагмента материала, проходящего под ними. Поскольку NIR слегка проникает в поверхность, он может даже идентифицировать пластмассы под тонкими этикетками.

Системы NIR очень эффективны для сортировки ПЭТ, ПЭВП, ПЭНП, ПП и PS (полистирол). Их основное ограничение - трудности с темными пластмассами (особенно с углеродно-черными пигментированными элементами), которые поглощают большую часть ближнего инфракрасного света. Для решения этой проблемы объекты часто объединяют NIR с другими датчиками или предварительно обработанными черными пластмассами с маркировочными агентами. Технология NIR продолжает развиваться, с мультиспектральными и гиперспектральными датчиками NIR, которые теперь способны собирать десятки полос длин волн одновременно для более тонкой классификации (EPA по переработке пластмасс) .

Лазерно-индуцированная спектроскопия разрушения (LIBS)

LIBS использует высокоэнергетический лазерный импульс для создания микроплазмы на пластиковой поверхности. Плазма излучает свет на длинах волн, характерных для элементного состава образца. Хотя пластиковые полимеры в основном представляют собой углерод и водород, LIBS может обнаруживать микроэлементы, такие как хлор (в ПВХ), бром (в огнезащитных пластмассах) или тяжелые металлы, которые делают LIBS особенно полезным для идентификации опасных материалов, которые должны быть удалены из потока рециркуляции.

LIBS может анализировать образцы менее чем за секунду, а последние портативные устройства LIBS были развернуты на свалках и в центрах утилизации электронных отходов. Однако его чувствительность к поверхности означает, что покрытия или загрязнение могут искажать результаты. Кроме того, LIBS является разрушительной техникой на микромасштабе, которая приемлема для сортировки, но не для контроля качества готовой продукции.

Гиперспектральная визуализация

Гиперспектральная визуализация сочетает в себе спектроскопию с пространственной информацией. Камера захватывает всю спектральную полосу (например, от видимого до коротковолнового инфракрасного) для каждого пикселя изображения, создавая трехмерный куб данных (пространственные координаты x, y и спектральное измерение). Это позволяет классифицировать не только тип пластика, но и его пространственное распределение — например, идентифицируя многослойную упаковочную пленку, состоящую из ПЭТ и полиэтилена, сосуществующих в одном куске.

Гиперспектральные системы все чаще используются на современных заводах по переработке, поскольку они могут обрабатывать смешанные потоки отходов с высокой точностью. Они особенно эффективны для сортировки послепотребительской упаковки, где несколько полимеров ламинированы. Вычислительные требования выше, чем при точечной спектроскопии, но достижения в области машинного обучения сделали возможной обработку в режиме реального времени. Белая книга из Технического университета Дании продемонстрировала, что гиперспектральная сортировка может повысить чистоту переработки на 15-20% по сравнению с обычными системами NIR .

Применение в автоматизированных сортировочных системах

На типичном крупносерийном заводе по переработке несортированные пластиковые отходы поступают в серию троммельных экранов и магнитных сепараторов для удаления металлов и других загрязняющих веществ. Пластмассы затем проходят под массивом спектроскопических датчиков, установленных над высокоскоростными конвейерными лентами. Когда кусок пластика идентифицируется как специфический полимер (например, ПЭТ), точный взрыв сжатого воздуха из сопл ниже пояса отклоняет его в правильный желоб. Этот процесс может обрабатывать до 10 тонн материала в час с точностью, превышающей 95%.

Примеры установок включают серию TOMRA AUTOSORTTM и оптические сортировщики MSSTM (CP Group), оба из которых полагаются на NIR, FTIR, а иногда и на мультиспектральную визуализацию. Многие заводы объединяют несколько спектроскопических методов: NIR для объемной сортировки, Raman для проверки сложных фракций и LIBS для удаления опасных пластмасс. Этот мультисенсорный подход резко уменьшает количество неперерабатываемого материала, попадающего в тюки, предназначенные для переработчиков.

Преимущества перед ручной сортировкой

• Спектроскопические системы определяют сотни предметов в секунду, что намного превышает возможности человека.
• Точность: Машинное зрение в сочетании со спектральным анализом достигает >98% чистоты для целевых полимеров.
• Последовательность: Автоматизированные системы работают 24/7 без усталости, сохраняя высокую пропускную способность.
• Безопасность: Удалить работников от контакта с острыми, загрязненными или опасными отходами.
• Экономическая эффективность: Хотя первоначальные инвестиции высоки, снижение затрат на рабочую силу и более высокое качество рециркулятов дают сильную рентабельность инвестиций с течением времени.
• Сбор данных: Спектроскопические данные могут быть зарегистрированы для контроля качества, анализа потока материалов и отчетности о соответствии.

Ограничения и вызовы

Несмотря на свою мощь, спектроскопические методы не являются серебряной пулей.

Черный пластик и темные пигменты

Углеродно-черный, наиболее распространенный пигмент, поглощает инфракрасный и ближний инфракрасный свет, делая черные пластмассы почти невидимыми для датчиков NIR и FTIR. Раман и LIBS могут частично преодолеть это, но их более низкая пропускная способность ограничивает их использование в высокоскоростной сортировке. Некоторые объекты вводят флуоресцентные маркеры или используют камеры видимого света в сочетании с глубоким обучением для идентификации черных предметов на основе формы и текстуры.

Смешанные и многослойные пластмассы

Многие упаковочные элементы объединяют несколько полимеров — например, ПЭТ-бутылку с PP-капкой или картон с PE-покрытием. Спектроскопические методы часто считывают только поверхностный слой. Гиперспектральная визуализация и расширенная обработка сигналов могут отделять вклады от разных слоев, но это остается проблемой для обычных точечных датчиков.

Стоимость оборудования и технического обслуживания

Высококлассные спектроскопические сортировщики могут стоить сотни тысяч долларов, что делает их непомерно дорогими для мелкомасштабных переработчиков. Кроме того, датчики требуют калибровки и защиты от пыли и механического удара. Необходимость в обученных техниках для эксплуатации и обслуживания этих систем также может стать барьером в развивающихся регионах.

Подготовка и представление образцов

Пластмассы, которые являются влажными, загрязненными или измельченными, могут представлять ненадежные спектры. Постоянная скорость ремня, освещение и поток материала имеют решающее значение для точной идентификации. В некоторых случаях перед сортировкой необходимо предварительно смыть шаг для удаления органических загрязнителей.

Обновления спектральной базы данных

Регулярно появляются новые пластиковые составы, биоразлагаемые полимеры и добавки. Для точной классификации необходимо поддерживать современную спектральную библиотеку. Появляются решения на основе облачных баз данных и автоматизированного обучения на основе данных растений.

Будущие направления

Следующее поколение спектроскопической сортировки будет обусловлено тремя ключевыми тенденциями: искусственный интеллект, миниатюризация и интеграция данных . Модели глубокого обучения, особенно сверточные нейронные сети (CNN), могут классифицировать спектральные данные с более высокой точностью и надежностью по отношению к шуму, чем традиционные химометрические методы. Эти модели также могут комбинировать спектральные входные данные с данными о цвете, форме и текстуре от обычных камер, что позволяет принимать более целостные решения по сортировке.

Портативные и портативные спектрометры становятся все более доступными и точными. Эти устройства позволяют аудиторам по отходам проверять результаты сортировки на месте и могут быть развернуты в пунктах сбора или на полигонах. Например, портативное устройство NIR SpectroSort может идентифицировать 30 типов пластика менее чем за две секунды с точностью, сопоставимой с настольными приборами. Такие инструменты расширяют возможности мелких переработчиков и неформальных работников по переработке отходов, которые в настоящее время полагаются на ручные методы.

Интеграция с Интернетом вещей (IoT) и облачными вычислениями позволит в режиме реального времени обмениваться спектральными данными по всей цепочке переработки. Сортировочный завод в одном городе может получать обновления своих моделей классификации на основе данных, собранных на другом заводе, обрабатывающем аналогичные потоки отходов. Такой совместный подход ускорит создание всеобъемлющих спектральных библиотек и повысит сортировочные характеристики во всем мире.

Наконец, ведутся исследования гибридных сенсорных систем , которые объединяют NIR, Raman, LIBS и рентгеновскую флуоресценцию в одном блоке. Такие системы обеспечивают полный химический и элементный профиль каждого элемента, позволяя обнаруживать неперерабатываемые загрязняющие вещества, такие как антипирены или тяжелые металлы, которые в противном случае остались бы незамеченными. Цель состоит в том, чтобы достичь почти 100% чистоты в переработанных пластмассах, что делает их действительно конкурентоспособными с первичными материалами.