不同塑料基体木塑复合材料(WPC)的识别及主要组分的定量分析对于废弃WPC产品的分类回收、高效再利用,以及产品生产过程中的质量控制、产品销售和使用过程中规范市场秩序和维护消费者合法权益,具有重要意义。建立不同塑料基体WPC的主要...不同塑料基体木塑复合材料(WPC)的识别及主要组分的定量分析对于废弃WPC产品的分类回收、高效再利用,以及产品生产过程中的质量控制、产品销售和使用过程中规范市场秩序和维护消费者合法权益,具有重要意义。建立不同塑料基体WPC的主要组分的通用定量分析模型,有助于降低检测成本,扩大模型的适用范围。然而。目前国内外关于不同塑料基体的WPC定性识别研究,尚未与WPC主要组分的定量分析相联系,未能构建完整的技术体系。 WPC主要组分定量分析研究尚局限在单一塑料基体WPC的定量分析模型。针对此种情况,分别以聚乙烯(PE)和聚丙烯(PP)为增强体,杉木为生物质填料,加入一定量的添加剂后,采用挤出成型法分别制备了20个不同杉木/PE配比和20个不同杉木/PP配比的WPC样品。采用溴化钾压片法获取了40个WPC样品的红外光谱,利用多变量统计软件对光谱数据先进行一阶导数处理,再进行变量标准化。利用主成分分析法(PCA)对杉木/PE和杉木/PP两种复合材料进行了分类,由于PP和PE化学结构的差异明显,两种复合材料在二维主成分空间中呈带状分布,每种WPC样品处于相对独立空间,分类正确率达100%。利用偏最小二乘法(PLS)建立了两种复合材料通用定量分析模型,木粉和塑料的校正模型的决定系数 R 2分别为0.984和0.985,校正标准偏差SEC分别为1.034%和1.206%;木粉和塑料的预测模型的 R 2均为0.956,交互验证标准偏差SECV分别为1.779%和1.792%;RPD值分别为4.83和4.85。为更客观准确地检验模型的预测能力,随机选取10个样品对所建通用定量分析模型进行外部验证。结果显示,模型预测准确性高,木粉含量的预测相对偏差在±8%以内,塑料含量的预测相对偏差在±7%以内。建立了一套PE基和PP基WPC快速准确的识别方法和通用定量分析模型,为红外光谱法应用于WPC生产、质检及回收再利用过程中的定性识别和定量分析奠定了技术基础。展开更多
文摘不同塑料基体木塑复合材料(WPC)的识别及主要组分的定量分析对于废弃WPC产品的分类回收、高效再利用,以及产品生产过程中的质量控制、产品销售和使用过程中规范市场秩序和维护消费者合法权益,具有重要意义。建立不同塑料基体WPC的主要组分的通用定量分析模型,有助于降低检测成本,扩大模型的适用范围。然而。目前国内外关于不同塑料基体的WPC定性识别研究,尚未与WPC主要组分的定量分析相联系,未能构建完整的技术体系。 WPC主要组分定量分析研究尚局限在单一塑料基体WPC的定量分析模型。针对此种情况,分别以聚乙烯(PE)和聚丙烯(PP)为增强体,杉木为生物质填料,加入一定量的添加剂后,采用挤出成型法分别制备了20个不同杉木/PE配比和20个不同杉木/PP配比的WPC样品。采用溴化钾压片法获取了40个WPC样品的红外光谱,利用多变量统计软件对光谱数据先进行一阶导数处理,再进行变量标准化。利用主成分分析法(PCA)对杉木/PE和杉木/PP两种复合材料进行了分类,由于PP和PE化学结构的差异明显,两种复合材料在二维主成分空间中呈带状分布,每种WPC样品处于相对独立空间,分类正确率达100%。利用偏最小二乘法(PLS)建立了两种复合材料通用定量分析模型,木粉和塑料的校正模型的决定系数 R 2分别为0.984和0.985,校正标准偏差SEC分别为1.034%和1.206%;木粉和塑料的预测模型的 R 2均为0.956,交互验证标准偏差SECV分别为1.779%和1.792%;RPD值分别为4.83和4.85。为更客观准确地检验模型的预测能力,随机选取10个样品对所建通用定量分析模型进行外部验证。结果显示,模型预测准确性高,木粉含量的预测相对偏差在±8%以内,塑料含量的预测相对偏差在±7%以内。建立了一套PE基和PP基WPC快速准确的识别方法和通用定量分析模型,为红外光谱法应用于WPC生产、质检及回收再利用过程中的定性识别和定量分析奠定了技术基础。
