再生PET与原生PET的差异往往隐藏在分子结构、挥发性组分和添加剂体系中。国高材分析测试中心结合化学计量学与机器学习，建立PET再生塑料定性鉴别方法，为再生塑料质量评价、来源追溯及应用风险分析提供技术支撑。

一、循环利用加速，再生塑料需要从“有标识”走向“可验证”

塑料回收与高值化利用，是推动资源循环利用、降低原生资源消耗和减少环境污染的重要路径。随着循环经济持续发展，再生塑料正逐步从相对低端的降级利用，走向包装、汽车、电子电器和纺织等对材料质量稳定性要求更高的领域。

PET，即聚对苯二甲酸乙二醇酯，具有良好的透明性、力学性能、阻隔性能和加工性能，被广泛用于饮料瓶、包装片材、纺织纤维及工程塑料。废旧PET经过分选、清洗、破碎、熔融和再造粒后，可以重新进入材料产业链，是目前塑料循环利用的重要品种之一。

但是，再生PET应用比例不断提高，也带来了一系列新的质量问题：材料是否真正使用了再生PET？再生料的来源和批次是否稳定？材料经历使用和再加工后发生了哪些变化？是否存在原生料与再生料混用，或者产品标识与实际组成不一致的情况？

目前，再生塑料的认定在一定程度上仍依赖供应链文件、生产记录和回收来源证明。这些管理证据能够说明材料的流转过程，却难以直接证明材料本身经历过怎样的使用、老化和再加工。

PET在服役、储存和再制造过程中，会受到光照、氧气、水分、高温及机械剪切等多重作用，可能发生氧化降解、水解、分子链断裂和结晶结构变化，同时引入污染物、降解产物及新的加工助剂。这些变化会在材料内部留下与加工历史相关的“再生痕迹”。

问题在于，这些痕迹通常十分细微，也不集中于某一项理化指标。不同牌号、不同来源和不同再生工艺还会进一步增加鉴别难度。因此，仅依靠外观、颜色、熔体质量流动速率或特性黏度等单项指标，往往难以可靠区分原生PET与再生PET。

如何从复杂的材料数据中提取有效特征，建立一套可检测、可分析、可复核的再生塑料鉴别方法，成为再生塑料质量控制和溯源管理中的重要技术问题。

二、多维化学表征，寻找再生PET的“材料指纹”

再生PET与原生PET的差异，并不一定直接表现为外观或某一项常规性能的明显变化，而是隐藏在分子结构、挥发性组分和添加剂体系中。

为了寻找由使用、老化和再加工留下的“材料指纹”，国高材分析测试中心选取9种原生PET和10种不同来源的再生PET作为研究对象，从分子结构、挥发性物质、可提取组分和内部添加剂四个维度展开分析，并结合化学计量学与机器学习建立定性鉴别模型。再生PET样品覆盖瓶级、化纤级、片材级及改性料等不同来源，能够在一定程度上反映再生PET来源多样、组成复杂的实际特点。

▼ 表1 试验方案

分析维度	检测方法	主要获取的信息
分子结构	FTIR	分子链构象、结晶相关特征及老化降解变化
挥发性组分	顶空GC-MS	降解产物、挥发性杂质及抗氧剂
可提取组分	UV-Vis	含芳香结构的抗氧剂及其他吸收性组分
内部添加剂	醇解-GC-MS	相容剂、增塑剂及其他内部特征成分
数据判别	OPLS-DA、机器学习	组间差异放大、关键变量筛选及样品分类

三、测试结果及分析

3.1 红外光谱：捕捉分子链断裂和结晶结构变化

研究首先采用FTIR对原生PET与再生PET进行分析，并使用正交偏最小二乘鉴别分析 OPLS-DA提取两类材料之间的结构差异。结果显示，原生PET与再生PET在OPLS-DA得分图中呈现出较为明显的分区：原生PET主要集中在第二、第三象限，再生PET主要集中在第一、第四象限。经过200次置换验证，模型没有出现明显过拟合，说明两类材料的红外数据中存在具有一定稳定性的差异。

▲ 图1　基于PET红外数据的OPLS-DA分析

对关键红外吸收峰进一步分析发现，再生PET中与亚甲基结构、C—O伸缩振动和结晶结构相关的多个峰发生变化。其中，与结晶度相关的988 cm⁻¹、968 cm⁻¹和846 cm⁻¹吸收峰强度下降。

这些变化表明，PET在使用、老化和回收再加工过程中发生了一定程度的氧化降解及分子链断裂，并伴随结晶度下降。红外光谱因此不仅能够识别材料种类，还可以提取与PET加工历史和再生属性有关的结构信息。

为了提高细微差异的识别能力，研究分别使用红外原始数据和一阶差分数据建立支持向量机、随机森林、K近邻和决策树模型。使用红外原始数据时，四种模型的鉴别准确率均为85.71%；对红外数据进行一阶差分处理后，四种模型的准确率、召回率和精度均达到100%，F1值及AUC均达到1。

▲ 图2 基于红外数据的多种机器学习模型混淆矩阵结果

▼ 表2 基于红外数据的多种机器学习模型评估结果表 

结果说明，获得仪器数据只是第一步，数据预处理方式也会影响最终的判别能力。一阶差分可以减少基线漂移及冗余信息的干扰，增强原生PET与再生PET红外谱图中的细微差异，从而提高模型分类准确率。

3.2 顶空GC-MS：再生PET中检出更多苯、甲苯和抗氧剂

红外光谱反映的是PET整体分子结构变化，而顶空GC-MS则可以进一步观察材料受热释放的挥发性物质。检测结果显示，PET样品中检出的挥发性物质主要包括酮类、醇类、芳香烃类、杂环类和醛类。通过OPLS-DA筛选发现，对原生PET与再生PET分类贡献较大的物质包括甲苯、苯、2,6-二叔丁基对甲酚（BHT）和2-甲基-2-丙醇，其VIP值分别为1.62、1.47、1.34和1.17。

进一步比较这些物质在不同样品中的分布可以发现，原生PET中的挥发性物质相对较少，主要检出2-甲基-2-丙醇；再生PET中则检出较为明显的苯和甲苯，部分样品还检出少量抗氧剂BHT。

苯和甲苯可能是PET在使用阶段经历氧化老化，或者在回收再加工过程中发生热降解和分子链断裂后形成的产物。BHT则可能是在再加工过程中，为减缓材料性能衰减和抑制黄变而加入的抗氧剂。挥发性物质不只是材料气味的来源，还可能记录材料经历老化、降解和再次配方调整的过程。

在此基础上，研究采用支持向量机、随机森林、K近邻、决策树和AdaBoost算法建立分类模型。结果显示，决策树和AdaBoost模型的准确率、召回率和精度均达到100%，F1值和AUC均达到1。不同模型的结果并不完全一致，说明算法与数据类型之间存在匹配关系。

▲ 图3 原生和再生PET中挥发性物质分析结果

▼ 表3 基于PET挥发性物质的多种机器学习模型评估结果表

3.3 UV-Vis：提取液在特定波段出现明显吸收差异

为了进一步提取材料内部的可溶性组分，研究使用六氟异丙醇溶解PET，再通过甲醇使聚合物沉淀，对获得的提取液进行UV-Vis分析。

结果显示，原生PET和再生PET在OPLS-DA得分图中能够较清晰地区分。模型的R²X为0.996、R²Y为0.981、Q²为0.814，表明模型具有较好的拟合和预测能力。200次置换验证结果也显示，模型不存在明显过拟合。

特征变量分析发现，原生PET与再生PET在236～260 nm及300 nm附近存在明显的吸收差异。这些差异可能与再生PET中添加的含芳香环抗氧剂或其他吸收性添加物有关。UV-Vis从可提取组分的光吸收特性出发，为抗氧剂及其他添加物差异提供了另一维度的证据。

▲ 图4　原生PET与再生PET提取液的UV-Vis吸收数据分析

3.4 醇解-GC-MS：进一步分析材料内部添加剂差异

部分添加剂不容易直接从PET中挥发，仅依靠顶空分析可能无法充分识别。针对这一问题，研究通过醇解反应破坏PET聚合物结构，再使用GC-MS分析醇解液中的特征组分。基于醇解-GC-MS数据建立人工神经网络模型后，模型在测试集上的鉴别准确率达到100%。

为了避免机器学习模型成为难以解释的“黑箱”，研究进一步采用SHAP方法分析不同特征组分对分类结果的贡献。结果显示，对模型判断影响较大的前三种特征成分分别为油酸甲酯、十六腈和硬脂酰胺。这些组分均仅在原生PET醇解液中检出，可能与原生材料中的相容剂、增塑剂等加工助剂有关。

PET经过长期使用、老化及再次加工后，部分增塑剂可能发生挥发或降解；与此同时，分子链断裂也可能改变材料的加工流动性，使原有助剂特征减弱或消失。再生属性不仅体现在PET聚合物主链结构上，也体现在添加剂体系和低分子组分的变化中。

▲ 图5　PET醇解液GC-MS及SHAP特征贡献分析

3.5 多维结果相互印证，形成再生PET鉴别证据链

综合四类检测结果可以发现，再生PET的变化分布于多个层级：红外光谱反映材料老化降解和结晶度下降；顶空GC-MS检出更多苯、甲苯及抗氧剂；UV-Vis为抗氧剂等可提取组分提供补充证据；醇解-GC-MS则进一步识别内部相容剂、增塑剂及其他特征组分的差异。

机器学习的价值，在于从这些高维数据中提取人眼难以直接识别的组合规律。但模型结果仍需要结合材料机理、样品来源及仪器分析结果进行解释，不能只依靠一个准确率数字作出结论。

本次研究使用9种原生PET和10种再生PET。虽然多个模型在测试集上获得了100%的鉴别准确率，但面向实际产业应用，仍需进一步扩大样本数量，覆盖不同牌号、颜色、来源、回收次数、再生工艺和改性体系，并通过外部样品持续验证模型的鲁棒性和适用范围。

因此，可靠的再生塑料鉴别，不是寻找某一个固定峰或某一种特征物质，而是建立“多维检测数据相互印证、材料机理能够解释、分类模型可以验证”的完整技术证据链。

四、再生塑料鉴别与质量评价服务

随着再生塑料向包装、汽车、电子电器等高价值领域拓展，企业不仅需要判断材料是否含有再生成分，还要关注其来源是否稳定、批次是否一致，以及老化与再加工是否影响产品性能。

针对再生塑料来源复杂、质量波动和单一指标难以准确判断等问题，国高材分析测试中心可根据材料类型、产品用途及客户需求，综合采用光谱、色谱、质谱、热分析、相对分子质量及性能测试等技术，提供从成分鉴别、结构表征到质量评价的定制化解决方案。

再生属性鉴别 原生塑料与再生塑料差异分析，构建多维鉴别证据。	一致性评价 比较不同供应商、不同批次及不同来源材料的质量差异。
成分与污染物分析 筛查添加剂、降解产物、挥发物及未知污染物。	老化与异常分析 分析材料老化程度、质量波动及异常产生原因。
材料溯源 结合结构与成分特征，为材料来源和加工历史提供线索。	质量控制方法 建立材料指纹图谱及企业专属质量控制方法。

通过多种分析技术交叉验证，中心不仅提供检测数据，还可结合材料结构、配方、加工和服役过程，分析差异产生的原因及其可能带来的应用影响，为再生原料筛选、采购验收、配方开发、工艺优化和产品质量控制提供技术支持。