响应欧盟政策，PureCycle再生PP在食品薄膜中的应用丨附《塑料再生塑料成分鉴别—聚丙烯(PP)材料》征求意见稿

PureCycle再生聚丙烯试验成功，为BOPP薄膜带来“绿色”转机

——BOPP食品包装迎来环保突破，行业或将迈向可持续新纪元

BOPP薄膜由于其出色的透明性、防潮性及化学稳定性，广泛应用于零食、糖果和烘焙食品等柔性包装领域。然而，该领域一直因对材料纯度要求极高而难以采用传统回收塑料。PureCycle借助宝洁公司授权的溶剂净化技术，对废弃聚丙烯进行深度提纯，制成PureFive树脂，极大地提升了回收料的品质和适用性。

“柔性包装是聚丙烯应用的最大市场之一，而目前尚无一种传统回收材料能稳定满足薄膜生产所需的高纯度要求”，PureCycle首席执行官表示。“与Brückner的合作试验初见成效，让我们对满足严苛加工标准充满信心。”

（资料来源：PureCycle ）

当前，再生PP的最大难题之一，就是缺乏权威、统一、可操作性强的鉴别标准。由于再生料的性能受原料来源、回收处理工艺、改性配比等因素影响较大，其物理、化学特征呈现高度复杂性。即便是专业实验室，也常常难以快速、准确地区分原生PP与再生PP。

标准体系的不完善，使得再生料鉴别存在较大的不确定性。这不仅增加了企业的检测成本和采购风险，也为“漂绿”行为提供了可乘之机。所谓“漂绿”，即企业虚假宣传其产品为绿色环保产品，而实际使用的可能为未经认证或品质不达标的回收原料。这种行为不仅损害了消费者权益，还可能引发更广泛的监管信任危机。

因此，建立一套科学、系统、权威的再生PP鉴别标准，不仅是行业规范化发展的迫切需求，也是提升中国再生塑料在国际市场中竞争力的关键一环。

我们诚挚邀请相关单位及个人参与再生塑料系列标准的编制工作，为标准的编制提供宝贵意见和建议。

以下是《塑料再生塑料成分鉴别第1部分：聚丙烯（PP）材料》征求意见稿的主要内容：

本文件规定了消费后物理再生聚丙烯（PP）塑料材料与原生PP塑料材料鉴别的顶空气相色谱-质谱法，可用于指导判定样品是否为通过物理再生工艺得到的再生PP塑料材料。

本文件适用于以消费后PP为原料，经筛选、分类、粉碎、清洗、熔融挤出造粒制成的颗粒状PP再生塑料材料（简称粒料或切片）。

GB/T2035—2024 塑料 术语

GB/T40006.1 塑料 再生塑料 第1部分：通则

GB/T40006.3 塑料 再生塑料 第3部分：聚丙烯（PP）

GB/T30102—2013 塑料 塑料废弃物的回收和再循环指南 

GB/T41867—2022 信息技术 人工智能 术语

3.1 原生塑料 VirginPlastic

未经使用或加工（最初制造所需的加工除外）的塑料，其形态可以是颗粒、小粒、粉末或絮状等。[来源：GB/T2035-2024，定义3.1424]

3.2 消费后塑料 Post-consumerPlastic

已经实现了其原定目标或不能再使用（包括从流通链中返回的塑料）的由终端用户产生的塑料。[来源：GB/T30102—2013（（同等采用ISO15270），定义3.24，原定义翻译为“后消费品”，本文件译为“消费后塑料”]

3.3 再生塑料 RecycledPlastic

利用废弃的塑料加工而成的用作原用途或其他用途的塑料，但不包括能量回收。[来源：GB/T 40006.1-2021 定义3.1]

注1：从广义上讲，塑料的再生包括边角料或废弃制品的任何再利用，包括热解以回收有用的有机化学品。

3.4 物理再生 MechanicalRecycling

将塑料废弃物转化成二次原材料或产品的加工过程，在这一过程中材料的化学结构没有发生显著变化。[GB/T30102-2013（等同采用ISO15270），定义3.21。原定义翻译为“机械再循环”，本文件译为“物理再生”]

3.5 随机森林模型 Randomforestmodel

一种通过构建多个决策树并汇总其预测结果来进行分类或回归的机器学习方法。

3.6 基尼指数 Giniimpurity

一种衡量数据集纯度的指标，即随机从数据集中选取两个样本，它们属于不同类别的概率。

3.7 网格搜索 Gridsearch

一种系统化的超参数优化方法，通过在预设的超参数组合范围内逐一训练模型并评估性能，最终确定最优的超参数组合。

3.8 受试者工作特征曲线 Receiveroperatingcharacteristiccurve,ROC

— 4 —

PP在其整个生命周期（包括使用、回收和再生阶段）中，可能会引入或失去多种挥发性组分，导致其挥发性组分与原生PP有所不同。通过分析PP中挥发性组分的组成特征，判断样品中是否为消费后物理再生PP。将剪碎后的样品，置于设定的温度和时间下顶空，用气相色谱-质谱法测定样品的挥发性组分并筛选出标志性组分，确定其色谱保留指数和定量离子的峰面积。通过构建基于原生与再生PP标志性挥发性组分定量离子峰面积的随机森林分类模型，预测未知样品的分组情况，以确定其是否为再生PP。

5.1 标准品

a)正构饱和烷烃（C7-C40）混标，每种物质浓度均为1000µg/mL，溶剂为正己烷。

5.2 试剂

a)气相色谱-质谱联用仪：配有顶空进样器和EI源。

c) 分析天平：感量 0.1 mg。

7.1 溶液配制

7.1.1 D8-萘标准储备液（1000μg/mL）

7.2 样品制备

a)平衡温度：150℃。

b)平衡时间：30min。

c)进样体积：1mL。

a)色谱柱：（5%-苯基）-甲基聚硅氧烷气相色谱柱，长30m，内径250µm，膜厚0.25µm，或等效柱。

b)升温程序：起始50℃，保持2min；以5℃/min的速率升至140℃，保持0min；再以20℃/min升至300℃，保持2.0min。

c)载气：氦气，流速1.0mL/min。

d)进样方式：不分流。

e)色谱-质谱接口温度：250℃

f)进样口温度：250℃。

g)离子源温度：230℃。

h)MS四极杆温度：150℃。

c)向干净的顶空瓶中准确称取1.5g（精确至0.1mg）样品，采用上述7.3仪器参考条件进行分析，至少两个平行。

8.1 挥发性组分色谱峰信息提取

对每个样品数据中各挥发性组分进行峰检测、定量离子提取（以质谱图中最大丰度离子计）、平滑、积分（以定量离子计）、定性离子提取及其与定量离子的相对丰度计算，以及保留时间提取。

8.2 保留指数计算

??+1——位于被测组分后且与其最接近的一个正构烷烃的保留时间，单位为min。

8.3 挥发性组分峰面积汇总

对不同样品中相同挥发性组分峰面积进行汇总，形成挥发性组分与样品及其峰面积的数据矩阵。不同样品中组分的保留指数偏差不超过20，定量离子一致且定性离子相对丰度接近，即认为是同一挥发性组分。当定性离子与定量离子相对丰度>50%时，允许样品间组分的定性离子相对丰度偏差为±10%；相对丰度在20%~50%时，允许偏差为±15%；相对丰度在10%~20%时，允许偏差为±20%；相对丰度≤10%时，允许偏差为±50%。若样品中某一挥发性组分没有检出时，其峰面积记为该挥发性组分在所有样品中的最小峰面积的1/10。

8.4 相对峰面积计算

????——各挥发性组分的定量离子相对峰面积；

A——各挥发性组分的定量离子峰面积；

8.5 相对峰面积标准化

对各挥发性组分的相对峰面积按照以下公式（3）进行标准化。

????——标准化后的相对峰面积；

????——各挥发性组分的相对峰面积；

µ——所有样品中该挥发性组分的平均相对峰面积；

?——所有样品中该挥发性组分的相对峰面积的标准偏差。

原生与再生PP鉴别

9.1 标志性挥发性组分筛选

按照上述方法，对多批次原生与再生PP的挥发性组分进行分析和数据处理。原生和再生PP样品的数量应相当。在汇总后的数据矩阵上应用随机森林模型进行预训练，基于基尼指数减少（Giniimpurityreduction）对变量的重要性进行量化，筛选出若干最具代表性的标志性挥发性组分。这些组分通常具有较高的重要性评分，且在分类过程中具有显著的区分能力。为确保结果的可靠性，筛选的标志性组分数量应不少于25个。筛选过程中应排除不适合的组分，例如空白中常见且在样品中丰度无显著差异的成分或柱流失物质。附录A列出了用于原生和再生PP鉴别的30个典型标志性挥发性组分，包括其保留指数以及定性和定量离子信息。

9.2 鉴别模型的建立与验证

9.2.1.1训练数据与测试数据划分

对汇总和筛选后的数据按样品类别（原生/再生塑料）进行分层随机抽样，选取80%作为模型训练数据（Trainingset），其余20%作为测试数据（Testingset）。在划分过程中，应确保每个样品类别在训练数据和测试数据中的比例一致，且同一样品的平行数据不得同时出现在训练数据和测试数据中，以避免数据泄露，从而确保模型评估的真实性和结果的可靠性。

9.2.1.2 交叉验证数据划分

将训练数据进一步按照样品类别分层随机抽样，划分为10个互斥子集（folds），用于10倍交叉验证。在划分过程中，每次迭代选取1个子集作为验证集，其余9个子集作为训练数据。重复此过程10次，并确保每个子集在整个过程中恰好被用作一次验证集。同时，应确保每个样品类别在各子集的比例一致，且同一样品的平行数据不得同时出现在不同子集中。

使用10倍交叉验证结合网格搜索的方法，对随机森林模型的超参数进行优化，包括树的数量，每棵树的最大深度，以及每个节点的最小样本数。对每组超参数组合，计算10交交叉验证中的模型受试者工作特征曲线下面积（ROC-AUC）的平均值，以衡量模型的性能。

根据超参数优化结果，选择ROC-AUC值最高的超参数组合作为最优参数组合。使用训练数据和最优超参数组合对随机森林模型进行重新拟合，构建最终的鉴别模型。

9.2.3 模型评估 

将测试数据输入最终鉴别模型中进行分类判别，计算测试数据的分类准确率和ROC-AUC。要求模型的分类准确率不低于95%，ROC-AUC不低于0.95，以确保模型的可靠性和鉴别能力。

所使用的软件应支持随机森林算法实现，并提供分层随机抽样、交叉验证及超参数优化功能；能够输出模型评估指标，包括分类准确率和ROC-AUC；支持结果可视化功能，如绘制ROC曲线和特征重要性排序图。

数据可来自内部样品汇总与筛选结果；或外部获取的符合上述要求的数据库，但需确保数据来源可靠，类别明确，并进行必要的预处理。

附表1 原生和再生PP鉴别典型标志性挥发性组分详细信息

再生塑料系列国家标准进展