# Quantitative Prediction of Band Broadening in Non-Separative Sample Paths of Py-GC/MS via Residence Time Distribution Analysis: A Methodological Transfer from Flow Chemistry

## Metadata

- **SPORE ID**: SPR-2026-072C
- **Domaines**: Analytical Chemistry x Flow Chemistry
- **Date de generation**: 2026-07-20
- **Panel consensus score**: 5.5/10
- **Novelty score**: 0.85/1.0
- **Panel verdict**: publish_brief

## Abstract

If the residence time distribution (RTD) of an inert tracer (krypton) is measured across the non-separative sample path (transfer lines, interfaces) of a Py-GC/MS system, then the variance (σ²) of the resulting E(t) curve will predict a 15-25% increase in peak width (w₁/₂) for a suite of test analytes (n-C16, phenol, n-C10:0), because the axial dispersion model (AD-PFR) with Danckwerts boundary conditions quantifies the cumulative dispersion from dead volumes and flow irregularities, which directly translates to band broadening in the absence of chromatographic retention.

The proposed mechanism involves 5 causal steps: (1) Injection of an inert tracer (krypton) into the pyrolyzer inlet generates a puls -> (2) The tracer pulse is broadened by axial dispersion (molecular diffusion + eddy di -> (3) The E(t) curve is fitted to an axial dispersion model with Danckwerts boundary c -> (4) For a non-retained analyte (krypton), the variance σ²_RTD = (2τ²)/Pe predicts th.

Literature grounding on 8 verified references yields a novelty score of 0.85 (novel). A 3-phase experimental protocol (budget: €20k-80k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 5.5/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If the residence time distribution (RTD) of an inert tracer (krypton) is measured across the non-separative sample path (transfer lines, interfaces) of a Py-GC/MS system, then the variance (σ²) of the resulting E(t) curve will predict a 15-25% increase in peak width (w₁/₂) for a suite of test analytes (n-C16, phenol, n-C10:0), because the axial dispersion model (AD-PFR) with Danckwerts boundary conditions quantifies the cumulative dispersion from dead volumes and flow irregularities, which directly translates to band broadening in the absence of chromatographic retention.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Tracer injection volume | continuous | 0.5 - 2.0 | µL |
| Transfer line temperature | continuous | 200 - 350 | °C |
| Carrier gas flow rate | continuous | 1.0 - 3.0 | mL/min |
| Analyte polarity (log P) | continuous | -0.5 to 8.0 | log P |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Peak width at half height (w₁/₂) of test analytes | continuous | increase | seconds (s) |
| Variance (σ²) of the RTD E(t) curve for krypton tracer | continuous | increase | s² |
| Asymmetry factor (As) of test analyte peaks | continuous | increase | dimensionless |

### 1.3 Chaine causale

1. Step 1: Injection of an inert tracer (krypton) into the pyrolyzer inlet generates a pulse that travels through the non-separative sample path (transfer line, valve, interface).
1. Step 2: The tracer pulse is broadened by axial dispersion (molecular diffusion + eddy dispersion) and by dead volumes (e.g., fittings, connectors) along the path, producing a characteristic E(t) curve at the detector (MS).
1. Step 3: The E(t) curve is fitted to an axial dispersion model with Danckwerts boundary conditions to extract the Peclet number (Pe) and the mean residence time (τ), which quantify the dispersion magnitude.
1. Step 4: For a non-retained analyte (krypton), the variance σ²_RTD = (2τ²)/Pe predicts the band broadening contribution from the non-separative path.
1. Step 5: For retained analytes (n-C16, phenol, n-C10:0) injected under identical conditions, the observed peak variance σ²_obs is the sum of σ²_RTD and σ²_chrom (from the GC column). By subtracting σ²_RTD, the intrinsic column performance can be isolated, and the 15-25% increase in w₁/₂ relative to a hypothetical zero-dispersion path is directly attributable to the non-separative path dispersion.

**Hypotheses cles :**

- Assumption 1: Krypton is completely non-retained on all surfaces of the sample path and the GC column (i.e., its retention time equals the void time).
- Assumption 2: The axial dispersion model with Danckwerts boundary conditions adequately describes the flow behavior in the non-separative path (i.e., no significant laminar flow or secondary flows).
- Assumption 3: The dispersion from the GC column is independent of and additive to the dispersion from the non-separative path.
- Assumption 4: The MS detector response is linear and instantaneous for the tracer and all analytes within the concentration range used.

**Inconnues identifiees :**

- We do not know whether the AD-PFR model with Danckwerts BC will fit the E(t) data better than a simpler tanks-in-series model for the specific geometry of Py-GC/MS interfaces.
- We do not know whether the dispersion contribution from the non-separative path is constant across different carrier gas flow rates and temperatures.
- We do not know whether the 15-25% predicted increase in w₁/₂ is statistically detectable given the baseline noise at m/z 16 (krypton) and the intrinsic reproducibility of the system.

### 1.4 Conditions aux limites

- **The GC column must be operated isothermally at a temperature ≥ 50°C above the boiling point of the least volatile analyte to minimize retention.** — Significant retention on the column would confound the separation of σ²_RTD and σ²_chrom, violating the additivity assumption.
- **The transfer line temperature must remain within ±2°C of the setpoint to avoid thermal gradients that induce additional dispersion.** — Temperature fluctuations alter gas viscosity and diffusion coefficients, introducing uncontrolled variance in the RTD.
- **The krypton tracer must be injected as a pulse with duration < 0.1 s to approximate a Dirac delta input.** — A finite injection width would convolve with the RTD, biasing the σ² estimate. A fast injection valve or pyrolyzer pulse is required.
- **The MS detector must be operated in selected ion monitoring (SIM) mode at m/z 84 for krypton and at the respective quantifier ions for analytes to maximize signal-to-noise ratio.** — Low S/N at m/z 16 (from background water or oxygen) would increase uncertainty in σ² estimation, potentially masking the predicted effect.

### 1.5 Cadre theorique

Residence Time Distribution (RTD) theory from chemical reaction engineering, specifically the Axial Dispersion Plug Flow Reactor (AD-PFR) model with Danckwerts boundary conditions, applied to non-reactive transport in analytical sample paths.

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2020] Effect of the feed injection method on band broadening in analytical supercritical fluid chromatography.** — [10.1016/j.chroma.2020.461525](https://doi.org/10.1016/j.chroma.2020.461525)
  - Similarite: related
  - Difference cle: This paper studies band broadening from injection in SFC but does not apply RTD theory from flow chemistry to characterize the entire sample path as a continuous micro-flow system. The hypothesis proposes a systematic methodological transfer of RTD analysis (tracer experiments, dispersion quantification) to hyphenated systems like Py-GC/MS, which is not addressed here.
- **[2022] Fritted tip capillary column with negligible dead volume facilitated ultrasensitive and deep proteomics.** — [10.1016/j.aca.2022.339615](https://doi.org/10.1016/j.aca.2022.339615)
  - Similarite: related
  - Difference cle: Focuses on reducing dead volume in LC columns for proteomics, but does not propose using RTD as a diagnostic tool for the entire sample introduction and transport pathway. The hypothesis is broader and more foundational, targeting the 'black box' of sample transport in hyphenated systems.
- **[2019] A note on flow behavior in axially-dispersed plug flow reactors with step input of tracer** — [10.1016/J.AEAOA.2019.100006](https://doi.org/10.1016/J.AEAOA.2019.100006)
  - Similarite: analogous
  - Difference cle: Applies RTD analysis to atmospheric chemistry flow reactors (PAM), which is a direct application of RTD in a chemical reactor context. The hypothesis is novel in proposing to apply this same methodology to the sample transport path of analytical instruments (Py-GC/MS), which is not a reactor but a transport conduit. This is a domain transfer.

### 2.2 Base de preuves

- **[2019] The Influence of Residence Time Distribution on Continuous-Flow Polymerization** — [10.26434/CHEMRXIV.7726166.V1](https://doi.org/10.26434/CHEMRXIV.7726166.V1)
  - Type: analogous | Citations: 97
  - Demonstrates the use of tracer experiments and in-line UV-vis to study RTD in tubular reactors, directly supporting the proposed methodology for characterizing flow paths. The principles (tracer injection, dispersion quantification) are directly transferable to analytical sample paths.
- **[2019] A note on flow behavior in axially-dispersed plug flow reactors with step input of tracer** — [10.1016/J.AEAOA.2019.100006](https://doi.org/10.1016/J.AEAOA.2019.100006)
  - Type: analogous | Citations: 15
  - Provides a direct method to retrieve RTD from step input experiments in axially-dispersed plug flow reactors. This mathematical framework is directly applicable to modeling the sample transport in analytical systems as a continuous flow path.
- **[2020] Effect of the feed injection method on band broadening in analytical supercritical fluid chromatography.** — [10.1016/j.chroma.2020.461525](https://doi.org/10.1016/j.chroma.2020.461525)
  - Type: indirect | Citations: 11
  - Directly addresses band broadening from sample injection in an analytical system (SFC), a key problem the hypothesis aims to solve via RTD characterization. Shows that injection method and solvent mismatch are critical sources of dispersion.
- **[2022] Fritted tip capillary column with negligible dead volume facilitated ultrasensitive and deep proteomics.** — [10.1016/j.aca.2022.339615](https://doi.org/10.1016/j.aca.2022.339615)
  - Type: indirect | Citations: 5
  - Highlights the importance of minimizing dead volume in analytical columns to improve performance. This aligns with the hypothesis's goal of using RTD to identify and eliminate dead volumes in the sample path.
- **[2019] μ-dDIHEN: a new micro-flow liquid sample introduction system for direct injection nebulization in ICP-MS** — [10.1039/C9JA00146H](https://doi.org/10.1039/C9JA00146H)
  - Type: indirect | Citations: 11
  - Describes a micro-flow sample introduction system for ICP-MS, demonstrating that the sample introduction phase can be engineered as a controlled micro-flow system. Supports the hypothesis's premise of treating the analytical pathway as a continuous micro-flow system.
- **[2018] Emission quantification using the tracer gas dispersion method: The influence of instrument, tracer gas species and source simulation.** — [10.1016/j.scitotenv.2018.03.289](https://doi.org/10.1016/j.scitotenv.2018.03.289)
  - Type: analogous | Citations: 32
  - Uses tracer gas dispersion to quantify emissions, a conceptually similar approach to using tracers to characterize dispersion in an analytical sample path. Validates the general methodology of using inert tracers to study transport phenomena.

### 2.3 Contre-preuves et limitations connues

- **[minor] Extraction of Common Small Microplastics and Nanoplastics Embedded in Environmental Solid Matrices by Tetramethylammonium Hydroxide Digestion and Dichloromethane Dissolution for Py-GC-MS Determination.**
  - This paper focuses on sample preparation (extraction/digestion) for Py-GC-MS, not on the optimization of the sample introduction or transport phases. It does not contradict the hypothesis but is tangential, as it treats the sample introduction as a separate, non-flow-optimized step.
- **[minor] ACFs-NH2 developed for dispersive solid phase extraction combined with Py-GC/MS for nanoplastic analysis in ambient water samples.**
  - Similar to the above, this paper focuses on sample pretreatment (DSPE) before Py-GC/MS analysis. It does not address the internal transport dynamics of the Py-GC/MS system itself, thus not contradicting but also not supporting the core hypothesis.

### 2.4 Evaluation de nouveaute

- **Score**: 0.85/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | The variance (σ²) of the krypton E(t) curve will predict the increase in w₁/₂ of n-C16, phenol, and n-C10:0 peaks within ±5% relative error. | Predicted w₁/₂ = w₁/₂_measured ± 5% for each analyte across 3 flow rates and 2 temperatures (6 conditions). | Inject krypton (10 µL, 1% v/v in He) and measure E(t) at MS (m/z 84). Fit to AD-PFR model to obtain σ²_RTD. Then inject each analyte (1 µL, 100 ppm) under identical conditions and measure w₁/₂. Compare predicted vs. measured w₁/₂. | H0: The mean relative error between predicted and measured w₁/₂ is ≥ 5%. | One-sample t-test (two-tailed, α = 0.05) against a mean of 5% relative error, with n = 6 conditions × 3 analytes = 18 data points. |
| 2 | The asymmetry factor (As) of the krypton E(t) curve will correlate with the asymmetry of the analyte peaks (Pearson's r > 0.85). | Pearson correlation coefficient r > 0.85 across 6 experimental conditions. | Compute As = b/a (at 10% height) for krypton E(t) and for each analyte peak. Perform Pearson correlation. | H0: r ≤ 0.85 (i.e., no strong linear correlation). | Pearson correlation test (one-tailed, α = 0.05) with n = 18 pairs. |
| 3 | The coefficient of variation (CV) of w₁/₂ across 10 replicate injections of n-C16 will be ≤ 3% when the system is operated under optimized conditions (flow = 2.0 mL/min, T = 300°C). | CV ≤ 3%. | Perform 10 replicate injections of n-C16 (1 µL, 100 ppm) under fixed conditions. Calculate mean and standard deviation of w₁/₂. | H0: CV > 3% (i.e., system reproducibility is insufficient to detect the 15-25% effect). | Chi-square test for variance (one-tailed, α = 0.05) comparing observed CV to 3% threshold. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €20k-80k

### 4.1 Phase 1 — In Silico Validation

**Objectif**: Determine whether the AD-PFR model with Danckwerts BC can reproduce the predicted 15-25% peak width increase under realistic Py-GC/MS conditions, and identify the most sensitive experimental parameters before any physical experiment.

**Methodologie**: Build a computational fluid dynamics (CFD) model of the non-separative path (transfer line, valve, interface) using OpenFOAM v9 (or Ansys Fluent 2023 R2 if licensed). Simulate tracer (krypton) pulse injection (0.5-2.0 µL, 1% v/v in He) at 3 flow rates (1.0, 2.0, 3.0 mL/min) and 2 temperatures (200, 350°C). Use a 2D axisymmetric mesh with 50,000 cells. Apply Danckwerts BC at inlet/outlet. Extract E(t) curves at the MS detector plane. Fit to AD-PFR model using Python's SciPy curve_fit to obtain σ²_RTD. Then simulate analyte peaks (n-C16, phenol, n-C10:0) as non-retained tracers (same diffusivity as krypton) to compute w₁/₂. Compare predicted vs. simulated w₁/₂. Perform sensitivity analysis on: injection volume, dead volume (add 10 µL fittings), and diffusion coefficient (vary by ±20%). Use Monte Carlo sampling (n=1000) to estimate uncertainty in σ²_RTD.

- Cout: €500-2000
- Duree: 4-6 weeks
- Equipement: Workstation with 32 GB RAM, 8-core CPU, NVIDIA GPU (for CFD acceleration)
- Logiciels: OpenFOAM v9 (open-source) or Ansys Fluent 2023 R2, Python 3.10 with NumPy, SciPy, Matplotlib, Paraview 5.11 for visualization

**Criteres de succes :**

- Mean relative error between predicted and simulated w₁/₂: ≤ 5% (absolute value) across all 18 conditions
- Sensitivity of σ²_RTD to injection volume: σ²_RTD varies by < 10% when injection volume changes from 0.5 to 2.0 µL
- Model fit quality (R²) for AD-PFR to simulated E(t): R² ≥ 0.95 for all 6 conditions

- **GO**: All three success criteria met (mean relative error ≤5%, injection volume sensitivity <10%, R² ≥0.95).
- **NO-GO**: Mean relative error >5% OR R² <0.95 for any condition (indicates AD-PFR model inadequate).
- **PIVOT**: If injection volume sensitivity >10%, redesign injection method (e.g., use fast valve instead of pyrolyzer pulse) and re-simulate.

### 4.2 Phase 2 — Minimal Experimental Validation

**Objectif**: Confirm the central mechanism: that krypton RTD variance (σ²_RTD) directly predicts band broadening (w₁/₂ increase) for a single analyte (n-C16) under 3 flow rates, using a benchtop Py-GC/MS system.

**Methodologie**: Use an existing Py-GC/MS system (e.g., Frontier Lab PY-3030D + Agilent 7890B/5977B). Set GC column isothermal at 300°C (above n-C16 boiling point 287°C). Install a 6-port valve with 10 µL loop for krypton injection (1% v/v in He, pulse <0.1 s via fast actuator). For each of 3 flow rates (1.0, 2.0, 3.0 mL/min) at 2 transfer line temperatures (200, 350°C) = 6 conditions: (a) Inject krypton (10 µL) in SIM mode (m/z 84) at 10 Hz acquisition; record E(t) for 60 s. (b) Inject n-C16 (1 µL, 100 ppm in hexane) in full scan mode (m/z 57 quantifier); record peak. (c) Repeat each injection 3 times (total 18 krypton + 18 n-C16 injections). Fit krypton E(t) to AD-PFR model (Python) to get σ²_RTD. Measure n-C16 w₁/₂ (at 50% height) using Agilent MassHunter. Compute predicted w₁/₂ = w₁/₂_measured + (σ²_RTD / τ) * 2.355 (assuming Gaussian peak). Compare predicted vs. measured w₁/₂. Also compute As (at 10% height) for both krypton and n-C16.

- Cout: €5k-12k
- Duree: 6-8 weeks
- Equipement: Py-GC/MS system (Frontier Lab PY-3030D + Agilent 7890B/5977B or equivalent), 6-port valve with 10 µL loop and fast actuator (e.g., VICI Valco), Krypton gas (1% v/v in He, 50 L cylinder), n-C16 standard (100 ppm in hexane, 10 mL), GC column (HP-5MS, 30 m × 0.25 mm × 0.25 µm)
- Logiciels: Agilent MassHunter Acquisition 10.0, Python 3.10 with SciPy, NumPy, Matplotlib, Microsoft Excel for data logging

**Criteres de succes :**

- Mean relative error between predicted and measured w₁/₂ for n-C16: ≤ 5% (absolute value) across 6 conditions
- Pearson correlation r between krypton As and n-C16 As: r > 0.85 (one-tailed test, α=0.05)
- CV of w₁/₂ for n-C16 across 10 replicates: CV ≤ 3%

- **GO**: All three success criteria met (mean relative error ≤5%, r > 0.85, CV ≤ 3%).
- **NO-GO**: Mean relative error >5% OR r ≤ 0.85 (indicates RTD does not predict asymmetry) OR CV > 3% (system too noisy).
- **PIVOT**: If CV > 3% but mean relative error ≤5% and r > 0.85, improve injection reproducibility (e.g., use autosampler with faster injection) and repeat 10 replicates.

### 4.3 Phase 3 — Full Experimental Protocol

**Objectif**: Rigorously validate the hypothesis across all three analytes (n-C16, phenol, n-C10:0) under a full factorial design (3 flows × 2 temperatures × 3 injection volumes = 18 conditions), with statistical power to detect the 15-25% w₁/₂ increase, and publish the methodology.

**Methodologie**: Use the same Py-GC/MS system as Phase 2, but upgrade to a fast injection valve (e.g., VICI Valco with 0.1 s actuation) for krypton (10 µL, 5% v/v in He). Full factorial design: 3 flow rates (1.0, 2.0, 3.0 mL/min) × 2 transfer line temperatures (200, 350°C) × 3 injection volumes (0.5, 1.0, 2.0 µL) = 18 conditions. For each condition: (a) Inject krypton (3 replicates) → measure E(t) at m/z 84 (SIM, 20 Hz). (b) Inject each analyte (n-C16, phenol, n-C10:0) at 100 ppm (1 µL) in random order (3 replicates each) → measure w₁/₂, As, and retention time. Total injections: 18 conditions × (3 krypton + 9 analyte) = 216 injections. Fit krypton E(t) to AD-PFR model (Python) to get σ²_RTD. Compute predicted w₁/₂ for each analyte using σ²_RTD and measured retention time. Compare predicted vs. measured w₁/₂ using Bland-Altman analysis. Also test Prediction 1 (one-sample t-test, H0: mean relative error ≥5%), Prediction 2 (Pearson r > 0.85), Prediction 3 (CV ≤ 3% for n-C16 at 2.0 mL/min, 300°C). Perform ANOVA to test effect of injection volume on σ²_RTD. Document all raw data, fitting code, and results in a reproducible Jupyter notebook. Write manuscript for Journal of Chromatography A or Analytical Chemistry.

- Cout: €20k-50k
- Duree: 6-9 months
- Equipement: Py-GC/MS system (Frontier Lab PY-3030D + Agilent 7890B/5977B), Fast injection valve (VICI Valco, 0.1 s actuation, 10 µL loop), Krypton gas (5% v/v in He, 50 L cylinder), n-C16, phenol, n-C10:0 standards (100 ppm each in hexane, 50 mL each), GC column (HP-5MS, 30 m × 0.25 mm × 0.25 µm), Thermocouple data logger (e.g., Omega OM-EL-USB-TC) for transfer line temperature monitoring
- Logiciels: Agilent MassHunter Acquisition 10.0 and Quantitative Analysis 10.0, Python 3.10 with SciPy, NumPy, Matplotlib, statsmodels, Jupyter Notebook 6.5, GraphPad Prism 10 (for Bland-Altman plots)

**Criteres de succes :**

- Prediction 1: Mean relative error between predicted and measured w₁/₂ across all 54 points: ≤ 5% (absolute value) AND one-sample t-test p > 0.05 (fail to reject H0 that mean error ≥5%)
- Prediction 2: Pearson correlation r between krypton As and analyte As: r > 0.85 (one-tailed, α=0.05) for each analyte separately (3 tests)
- Prediction 3: CV of w₁/₂ for n-C16 at 2.0 mL/min, 300°C: CV ≤ 3% (Chi-square test p > 0.05)
- ANOVA: Injection volume effect on σ²_RTD: p > 0.05 (no significant effect) OR if p < 0.05, effect size < 10% of total variance

- **GO**: All four success criteria met (Predictions 1-3 confirmed, injection volume effect negligible).
- **NO-GO**: Any prediction fails (e.g., mean relative error >5% OR r ≤ 0.85 OR CV > 3%) — hypothesis falsified.
- **PIVOT**: If injection volume effect is significant (p < 0.05) but effect size <10%, include injection volume as covariate in model; if effect size >10%, redesign injection system (e.g., use smaller loop) and repeat Phase 3.

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Download and install OpenFOAM v9 on a workstation; obtain STEP geometry file of the Py-GC/MS transfer line from the manufacturer (e.g., Frontier Lab support).
- **Outils**: OpenFOAM v9, Python 3.10, Paraview 5.11
- **Donnees ouvertes**: NIST REFPROP (free for academic use via NIST Standard Reference Database), OpenFOAM tutorial cases (e.g., 'reactingFoam' for tracer injection)

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.85/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 4.5/10

**Forces :**
- Marché de niche mais identifiable : fabricants de Py-GC/MS (Frontier Laboratories, CDS Analytical, Agilent) et laboratoires de caractérisation de polymères (automobile, emballage, électronique) qui subissent des élargissements de pics non reproductibles sur leurs chaînes de transfert. Un modèle prédictif simple (AD-PFR) pourrait réduire le temps de diagnostic de défaillance d'interface de 2-3 jours à quelques heures.
- Avantage concurrentiel potentiel pour un fournisseur de Py-GC/MS : intégrer un module logiciel de correction de largeur de pic basé sur RTD, permettant de garantir une résolution constante entre instruments ou après maintenance, ce qui est un argument de vente fort face à des concurrents comme Shimadzu ou PerkinElmer qui n'ont pas ce type de correction physique.

**Faiblesses :**
- Barrière commerciale majeure : le marché adressable est trop étroit. Les ventes annuelles de Py-GC/MS ne dépassent pas 500-800 unités dans le monde (estimation basée sur rapports MarketsandMarkets). Même avec un prix premium de €5000 par licence logicielle, le revenu annuel maximal est < €4M, insuffisant pour justifier un investissement R&D > €200k.
- Risque de substitution technologique : les fabricants d'instruments (Agilent, Shimadzu) développent déjà des algorithmes de déconvolution de pics et de correction de ligne de base qui masquent l'élargissement sans nécessiter de modèle physique. L'approche RTD est plus lourde (injection de krypton, gaz rare coûteux) qu'une simple calibration avec un étalon de largeur de pic.
- Timeline de commercialisation trop longue pour un retour sur investissement : TRL actuel estimé à 3 (validation en laboratoire). Atteindre TRL 7 (démonstration en environnement opérationnel) nécessite 18-24 mois et un partenaire industriel, ce qui repousse le revenu à >3 ans. Dans un marché où les cycles de mise à jour des instruments sont de 5-7 ans, le ROI est négatif.

**Recommandation**: Ne pas investir dans une commercialisation directe. À la place, publier les résultats dans Journal of Analytical and Applied Pyrolysis pour établir la preuve de concept académique, puis approcher Frontier Laboratories ou CDS Analytical pour un licensing non-exclusif de l'algorithme de correction (royalty de 2-3% sur les ventes de licences logicielles). Le budget de €20k-80k est acceptable pour une publication et un prototype, mais ne pas aller au-delà sans partenaire industriel confirmé.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2025 | Agence Nationale de la Recherche (France) | 0.85 | €150k-250k (mais possible de ne demander que €80k pour un projet court) | ~15-20% (2024) |
| ERC Proof of Concept Grant 2025 (ERC-2025-PoC) | European Research Council | 0.7 | €150k (forfaitaire) | ~40% (2024) |
| Horizon Europe Pathfinder Open 2025 (HORIZON-EIC-2025-PATHFINDEROPEN) | European Innovation Council (EIC) | 0.55 | €3-4M (consortium de 3-6 partenaires) | ~5-8% (2024) |

- **ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2025** (Agence Nationale de la Recherche (France)): Programme ideal pour un chercheur debutant portant une hypothese originale et risquee. Le budget modeste (€20k-80k) est compatible avec une demande reduite. L'absence de consortium n'est pas un handicap. Le caractere fondamental et methodologique colle parfaitement a l'esprit JCJC.
- **ERC Proof of Concept Grant 2025 (ERC-2025-PoC)** (European Research Council): Accessible uniquement si le porteur a deja un ERC (Starting, Consolidator, Advanced) en cours ou termine. Permet de valider le potentiel applicatif (TRL 3-4) apres les Phases 1-2. Le budget de €150k couvre largement la Phase 3 et la dissemination. L'hypothese est un cas typique de 'proof of concept' d'un modele theorique.
- **Horizon Europe Pathfinder Open 2025 (HORIZON-EIC-2025-PATHFINDEROPEN)** (European Innovation Council (EIC)): Programme tres competitif mais ouvert aux idees radicales (TRL 2-4). Necessite un consortium international (minimum 3 partenaires) et un fort potentiel de rupture. L'hypothese pourrait etre integree dans un projet plus large sur l'analyse en ligne de polymeres ou la pyrolyse catalytique. Le budget est disproportionne par rapport au besoin, mais un partenaire industriel (ex. fabricant de GC/MS) pourrait co-developper un module logiciel.

**Recommandation financement**: Cibler d'abord un financement national de preuve de concept (ANR JCJC ou PEPS) pour realiser les Phases 1 et 2 (€30k). En cas de succes, postuler a un ERC Proof of Concept (TRL 3-4) ou a un Horizon Europe Pathfinder Open (TRL 2-4) avec un consortium elargi incluant un fabricant de pyrolyseurs et un laboratoire de rheologie des polymeres.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 6.8/10 | weak_accept | Excellente utilisation d'une phase de validation in silico (CFD) avant tout travail experimental, permettant d'identifier les paramètres sensibles et de réduire les risques de gaspillage de ressources. |
| domain_expert | 6.5/10 | weak_accept | L'hypothèse propose un transfert méthodologique élégant et bien défini de la théorie RTD (Réacteur à Dispersion Axiale) vers un problème concret d'élargissement de pics dans un système analytique (Py-GC/MS). La chaîne causale est logique et les étapes sont clairement articulées, ce qui facilite la conception expérimentale. |
| contrarian | 3.5/10 | weak_reject | L'idée de transférer des concepts de génie chimique (RTD, AD-PFR) à la Py-GC/MS est intellectuellement élégante et pourrait, en principe, offrir un cadre quantitatif pour corriger les effets extra-colonne. |
| industrialist | 4.5/10 | weak_reject | Marché de niche mais identifiable : fabricants de Py-GC/MS (Frontier Laboratories, CDS Analytical, Agilent) et laboratoires de caractérisation de polymères (automobile, emballage, électronique) qui subissent des élargissements de pics non reproductibles sur leurs chaînes de transfert. Un modèle prédictif simple (AD-PFR) pourrait réduire le temps de diagnostic de défaillance d'interface de 2-3 jours à quelques heures. |
| funding_strategist | 6.5/10 | weak_accept | Originalite methodologique : transfert robuste du modele AD-PFR de la chimie en flux vers la pyrolyse-GC/MS, avec validation quantitative via RTD de gaz inerte (krypton). |

**Consensus score**: 5.5/10
**Verdict final**: publish_brief

### 6.1 Consensus

- Tous les reviewers reconnaissent l'élégance conceptuelle et l'originalité du transfert méthodologique de la RTD/AD-PFR de la chimie en flux vers la Py-GC/MS.
- Le choix du krypton comme traceur inerte est unanimement jugé judicieux et physiquement pertinent.
- La structure du protocole en phases avec critères GO/NO-GO clairs est saluée comme une marque de rigueur scientifique.
- Le budget modeste (€20k-80k) et la durée courte (8-14 mois) sont considérés comme adaptés à une preuve de concept exploratoire.

### 6.2 Points de desaccord

- Désaccord majeur sur la viabilité quantitative de l'hypothèse : le Methodologist et le Domain Expert la jugent perfectible mais publiable après révisions, tandis que le Contrarian et l'Industrialist estiment que les fondements (additivité des variances, prédiction de 15-25%) sont invalides ou noyés dans le bruit.
- Opposition sur le niveau de preuve requis : le Contrarian exige des données expérimentales préliminaires (R² > 0.99, CV ≤ 3%) avant toute soumission, alors que le Methodologist et le Funding Strategist considèrent que le protocole actuel est suffisant pour un financement exploratoire.
- Divergence sur le potentiel applicatif : l'Industrialist voit un marché trop étroit (500-800 unités/an) et un ROI négatif, tandis que le Funding Strategist identifie des programmes de financement compétitifs (ANR JCJC, ERC PoC) pour valoriser l'approche.

### 6.3 Critical path

Le facteur le plus déterminant est la validation expérimentale préalable de deux hypothèses fondamentales contestées par le Contrarian (confiance 0.85) : (1) l'additivité des variances σ²_obs = σ²_RTD + σ²_chrom pour des analytes retenus, et (2) l'atteinte d'un CV ≤ 3% sur 10 réplicats de w₁/₂. Sans ces preuves, la prédiction quantitative de 15-25% est statistiquement indétectable et l'hypothèse reste spéculative.

**Recommandation finale**: Le panel recommande le rejet de l'hypothèse dans sa formulation actuelle, malgré son intérêt conceptuel. Le consensus pondéré (5.8/10) est insuffisant pour une publication, et le Contrarian (confiance 0.85) oppose des objections fondamentales non résolues à l'itération 2/2. La prédiction quantitative de 15-25% d'augmentation de w₁/₂ n'est pas justifiée par des données préliminaires, et l'additivité des variances est une simplification non validée. Pour resoumettre, les auteurs doivent d'abord démontrer expérimentalement que (1) le modèle AD-PFR s'ajuste aux courbes E(t) du krypton avec R² > 0.99 sur une plage de débits/températures, (2) l'additivité des variances tient pour au moins un analyte retenu (n-C16) en comparant des mesures avec et sans colonne, et (3) le CV de w₁/₂ est ≤ 3% sur 10 réplicats. Une reformulation de l'hypothèse en version qualitative (validation du transfert méthodologique sans prédiction chiffrée) est recommandée avant toute soumission future.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No experimental RTD data exists for the sample path of commercial Py-GC/MS systems (e.g., from pyrolysis cup to MS detector).
- No published methodology for applying flow chemistry RTD tracer experiments (e.g., using deuterated standards) to characterize dispersion in a Py-GC/MS transfer line.
- Lack of CFD models that simulate gas-solid (pyrolysis char) flow and analyte adsorption in the specific geometry of a Py-GC/MS interface.

### 7.2 Competence gaps

- Phase 1: CFD simulation (OpenFOAM/Fluent)
- Phase 1: Python scripting for data fitting
- Phase 1: RTD theory and Danckwerts BC implementation
- Phase 2: Py-GC/MS operation and method development
- Phase 2: Python scripting for RTD fitting
- Phase 2: Chromatographic peak analysis (w₁/₂, As)
- Phase 3: Advanced Py-GC/MS method development
- Phase 3: Statistical analysis (ANOVA, t-test, Bland-Altman)
- Phase 3: Scientific writing and publication

### 7.3 Epistemic gaps

- We do not know whether the AD-PFR model with Danckwerts BC will fit the E(t) data better than a simpler tanks-in-series model for the specific geometry of Py-GC/MS interfaces.
- We do not know whether the dispersion contribution from the non-separative path is constant across different carrier gas flow rates and temperatures.
- We do not know whether the 15-25% predicted increase in w₁/₂ is statistically detectable given the baseline noise at m/z 16 (krypton) and the intrinsic reproducibility of the system.

## References

[1] Marcus H. Reis, Travis P Varner, et al. (2019). *The Influence of Residence Time Distribution on Continuous-Flow Polymerization*. DOI: [10.26434/CHEMRXIV.7726166.V1](https://doi.org/10.26434/CHEMRXIV.7726166.V1)
[2] Yuanlong Huang, J. Seinfeld (2019). *A note on flow behavior in axially-dispersed plug flow reactors with step input of tracer*. DOI: [10.1016/J.AEAOA.2019.100006](https://doi.org/10.1016/J.AEAOA.2019.100006)
[3] K. Vanderlinden, G. Desmet, et al. (2020). *Effect of the feed injection method on band broadening in analytical supercritical fluid chromatography.*. DOI: [10.1016/j.chroma.2020.461525](https://doi.org/10.1016/j.chroma.2020.461525)
[4] Yun Yang, Yiran Su, et al. (2022). *Fritted tip capillary column with negligible dead volume facilitated ultrasensitive and deep proteomics.*. DOI: [10.1016/j.aca.2022.339615](https://doi.org/10.1016/j.aca.2022.339615)
[5] P. Louvat, M. Tharaud, et al. (2019). *μ-dDIHEN: a new micro-flow liquid sample introduction system for direct injection nebulization in ICP-MS*. DOI: [10.1039/C9JA00146H](https://doi.org/10.1039/C9JA00146H)
[6] Unknown authors (2018). *Emission quantification using the tracer gas dispersion method: The influence of instrument, tracer gas species and source simulation.*. DOI: [10.1016/j.scitotenv.2018.03.289](https://doi.org/10.1016/j.scitotenv.2018.03.289)
[7] Peng Li, Yu-jian Lai, et al. (2023). *Extraction of Common Small Microplastics and Nanoplastics Embedded in Environmental Solid Matrices by Tetramethylammonium Hydroxide Digestion and Dichloromethane Dissolution for Py-GC-MS Determination.*. DOI: [10.1021/acs.est.3c03255](https://doi.org/10.1021/acs.est.3c03255)
[8] Zixuan Zhang, Jin-Chi Jiang, et al. (2024). *ACFs-NH2 developed for dispersive solid phase extraction combined with Py-GC/MS for nanoplastic analysis in ambient water samples.*. DOI: [10.1016/j.chroma.2024.465382](https://doi.org/10.1016/j.chroma.2024.465382)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 6.8/10 | **Verdict**: weak_accept | **Confidence**: 0.78
- **Strengths**: Excellente utilisation d'une phase de validation in silico (CFD) avant tout travail experimental, permettant d'identifier les paramètres sensibles et de réduire les risques de gaspillage de ressources.; Protocole falsifiable et quantitatif : les prédictions sont liées à des bornes précises (±5% d'erreur relative, r > 0.85, CV ≤ 3%), ce qui permet une réfutation claire et non ambiguë.; Plan factoriel complet (3 débits × 2 températures × 3 volumes d'injection) avec réplicats, offrant une bonne couverture de l'espace des paramètres et permettant des analyses ANOVA pour détecter des effets confondants.; Identification proactive des risques (adsorption du phénol, bruit de fond, non-convergence CFD) avec des stratégies de pivot explicites, démontrant une anticipation des problèmes méthodologiques.
- **Weaknesses**: Hypothèse centrale fragile : le transfert du modèle AD-PFR de la chimie en flux à la Py-GC/MS suppose que la dispersion axiale est le seul mécanisme d'élargissement, ignorant les effets de diffusion radiale, de rétention non spécifique et de gradients de température dans la ligne de transfert.; Puissance statistique insuffisamment justifiée : le protocole ne présente aucun calcul a priori de la taille d'échantillon nécessaire pour détecter une différence de 15-25% avec une puissance de 80% et un alpha de 0.05. Le nombre de réplicats (n=3) semble arbitraire et pourrait être insuffisant pour des mesures de variance.; Biais de confirmation potentiel : l'ajustement du modèle AD-PFR aux courbes E(t) du krypton est effectué par l'expérimentateur, ce qui introduit un risque de surajustement (overfitting) ou de sélection subjective des paramètres. Aucune procédure de validation croisée ou d'aveugle n'est mentionnée.; Contrôle insuffisant de l'effet de l'analyte : l'hypothèse que les analytes (n-C16, phénol, n-C10:0) se comportent comme des traceurs non retenus (même diffusivité que le krypton) est une simplification majeure. Le phénol, en particulier, est connu pour interagir avec les surfaces polaires, ce qui viole l'hypothèse de non-rétention et pourrait fausser les prédictions.
- **Questions**: Comment comptez-vous garantir que l'ajustement du modèle AD-PFR aux courbes E(t) du krypton est effectué de manière aveugle par rapport aux résultats des analytes, afin d'éviter un biais de confirmation ?; Quel est le calcul de puissance statistique a priori qui justifie le choix de 3 réplicats par condition ? Avez-vous estimé la variabilité intra-condition de w₁/₂ pour déterminer si n=3 est suffisant pour détecter une différence de 15-25% avec une puissance de 80% ?; Comment allez-vous traiter le cas où le phénol montre une adsorption significative (asymétrie > 1.5) même après optimisation ? Prévoyez-vous un analyte de contrôle polaire non adsorbant (ex : benzène) pour distinguer l'effet de dispersion de l'effet de rétention ?; Le protocole mentionne l'utilisation d'un injecteur rapide (0.1 s) pour le krypton en Phase 3, mais en Phase 2, l'injection se fait via un pyrolyseur. Comment la différence de forme d'injection entre les phases affecte-t-elle la comparabilité des résultats ?
- **Recommendation**: Je recommande d'accepter ce protocole sous réserve de modifications mineures. Il est impératif d'ajouter un calcul de puissance statistique a priori pour justifier le nombre de réplicats, et de mettre en place une procédure d'analyse aveugle pour l'ajustement du modèle AD-PFR. De plus, inclure un analyte de contrôle non adsorbant (ex : n-octane) et un analyte polaire non retenu (ex : acétone) permettrait de mieux isoler l'effet de la dispersion axiale. Une fois ces ajustements effectués, le protocole sera robuste et publiable.

#### Domain Expert

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.8
- **Strengths**: L'hypothèse propose un transfert méthodologique élégant et bien défini de la théorie RTD (Réacteur à Dispersion Axiale) vers un problème concret d'élargissement de pics dans un système analytique (Py-GC/MS). La chaîne causale est logique et les étapes sont clairement articulées, ce qui facilite la conception expérimentale.; L'utilisation du krypton comme traceur inerte est un choix judicieux et physiquement plausible pour sonder la dispersion non-rétentive du chemin d'échantillon, minimisant les interactions de surface. Cela permet une mesure directe de la contribution du chemin non-séparatif à la variance totale.; La reconnaissance explicite des 'known unknowns' (adéquation du modèle AD-PFR, dépendance au débit, détectabilité statistique) est une marque de rigueur scientifique et démontre une compréhension nuancée des limites de l'hypothèse.
- **Weaknesses**: L'hypothèse centrale (augmentation de 15-25% de w₁/₂) semble arbitraire et non justifiée par la base de preuves fournie. Aucune référence ou estimation préliminaire n'étaye cette fourchette, ce qui affaiblit la prédiction quantitative. C'est une faiblesse majeure pour une hypothèse qui se veut 'quantitative'.; L'application du modèle AD-PFR avec conditions aux limites de Danckwerts à un chemin d'échantillon composé de géométries complexes (vannes, connecteurs, lignes de transfert) est une simplification forte. L'hypothèse que l'écoulement est un 'plug flow' avec dispersion axiale est improbable dans ces zones de volume mort, où des effets de recirculation ou d'écoulement laminaire non-idéal dominent. Le modèle 'tanks-in-series' pourrait être plus approprié.; La base de preuves, bien que pertinente, est principalement 'analogique' ou 'indirecte'. Aucune étude ne traite directement de l'application de la RTD aux chemins d'échantillonnage de la Py-GC/MS. Le saut conceptuel entre un réacteur chimique et un système analytique est important, et les preuves fournies ne suffisent pas à le combler. La revendication de 'novelty' est correcte, mais elle expose aussi l'hypothèse à un manque de validation préliminaire.
- **Questions**: Comment justifiez-vous la fourchette de 15-25% d'augmentation de w₁/₂ ? Sur quelles données expérimentales ou simulations préliminaires cette prédiction quantitative est-elle basée ? Sans cette justification, l'hypothèse reste spéculative.; Le modèle AD-PFR suppose un coefficient de dispersion axiale (D_ax) constant. Comment comptez-vous gérer les variations locales de D_ax dues aux changements de diamètre, de géométrie (coudes, vannes) et de régime d'écoulement (Re) le long du chemin d'échantillon ? Un modèle à paramètres distribués ne serait-il pas plus réaliste ?; Comment allez-vous déconvoluer la contribution de la dispersion du chemin d'échantillon (σ²_RTD) de celle de la colonne GC (σ²_chrom) pour des analytes retenus, sachant que l'injection dans la colonne elle-même peut être affectée par la dispersion en amont (effet de 'injection band broadening') ? L'additivité simple des variances est-elle valide si la dispersion en amont modifie le profil d'injection dans la colonne ?
- **Recommendation**: L'hypothèse est conceptuellement intéressante et mérite d'être explorée, mais elle est prématurée dans sa formulation quantitative actuelle. Je recommande de reformuler l'hypothèse pour se concentrer d'abord sur la validation qualitative du transfert méthodologique : 'Si la RTD est mesurée, alors le modèle AD-PFR peut décrire la dispersion dans le chemin non-séparatif, et cette contribution est détectable et mesurable.' La prédiction quantitative de 15-25% doit être retirée ou remplacée par une plage plus large et justifiée par des expériences préliminaires ou des simulations numériques (CFD) du système spécifique.

#### Contrarian

- **Score**: 3.5/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: L'idée de transférer des concepts de génie chimique (RTD, AD-PFR) à la Py-GC/MS est intellectuellement élégante et pourrait, en principe, offrir un cadre quantitatif pour corriger les effets extra-colonne.; La sélection du krypton comme traceur inerte est un choix judicieux pour minimiser les interactions de surface, ce qui est une condition préalable raisonnable pour le modèle.
- **Weaknesses**: FAIL REASON #1: L'hypothèse d'additivité des variances (σ²_obs = σ²_RTD + σ²_chrom) est une simplification naïve qui ignore les couplages non linéaires entre la dispersion extra-colonne et la rétention chromatographique. Pour des analytes retenus, l'élargissement dû au chemin non séparatif n'est pas simplement additif ; il est convolué avec le processus de rétention, ce qui peut conduire à une surestimation ou sous-estimation systématique de l'effet. Le modèle AD-PFR suppose un écoulement idéal, mais dans un système réel avec des volumes morts et des changements de diamètre de tube, des effets de mélange non-idéaux (ex: recirculation) peuvent violer cette hypothèse, rendant la prédiction basée sur la variance du traceur invalide pour les pics retenus.; FAIL REASON #2: L'effet prédit de 15-25% d'augmentation de largeur à mi-hauteur (w₁/₂) est probablement noyé dans le bruit de fond et la variabilité instrumentale. La détection du krypton à m/z 84 souffre d'un rapport signal/bruit faible aux concentrations proposées (1% v/v dans He), surtout après dispersion. Avec un CV de 3% sur 10 réplicats (prédiction 3), l'effet de 15% n'est détectable qu'avec une puissance statistique marginale. Mais si le CV réel est de 5-7% (ce qui est typique pour des injections en Py-GC/MS avec des volumes morts), l'effet devient indétectable. Les auteurs n'ont pas fourni de données préliminaires montrant que leur système peut atteindre une reproductibilité suffisante pour valider leur prédiction la plus ambitieuse.; FAIL REASON #3: Le transfert méthodologique ignore un angle mort critique : la dépendance de la dispersion à la température et au débit de gaz vecteur n'est pas linéaire et peut varier de manière imprévisible entre le traceur (krypton) et les analytes (n-C16, phénol, n-C10:0). Le krypton, étant un gaz, a un coefficient de diffusion moléculaire (D_m) très différent de celui des analytes organiques lourds. L'équation de dispersion axiale (σ² = 2D_L/u²) dépend fortement de D_m. Si le modèle AD-PFR est calibré sur le krypton, il ne peut pas prédire la dispersion des analytes, car leur D_m est 10 à 100 fois plus faible. Les auteurs supposent implicitement que la dispersion est uniquement due à la géométrie (volumes morts), mais la diffusion moléculaire joue un rôle majeur, et elle est spécifique à chaque analyte.
- **Questions**: Comment justifiez-vous l'additivité des variances (σ²_obs = σ²_RTD + σ²_chrom) alors que la dispersion extra-colonne et la rétention chromatographique sont des processus convolués non linéaires, et non simplement additifs ? Avez-vous une preuve expérimentale ou une simulation Monte Carlo qui valide cette hypothèse pour des analytes retenus ?; Pouvez-vous fournir des données préliminaires montrant que le coefficient de variation (CV) de w₁/₂ pour n-C16 est ≤ 3% dans votre système actuel, et non pas de 5-10% comme le suggèrent les données de la littérature sur les systèmes Py-GC/MS avec interfaces non optimisées ? Sans cela, votre prédiction de 15-25% est statistiquement indétectable.
- **Recommendation**: Avant de soumettre à nouveau, les auteurs doivent démontrer expérimentalement que (1) le modèle AD-PFR s'ajuste aux données E(t) du krypton avec un R² > 0.99 sur une plage de débits et températures, (2) que l'additivité des variances tient pour au moins un analyte retenu (ex: n-C16) en comparant des mesures avec et sans colonne, et (3) que le CV de w₁/₂ est effectivement ≤ 3% sur 10 réplicats. Sans ces preuves, l'hypothèse reste spéculative.

#### Industrialist

- **Score**: 4.5/10 | **Verdict**: weak_reject | **Confidence**: 0.8
- **Strengths**: Marché de niche mais identifiable : fabricants de Py-GC/MS (Frontier Laboratories, CDS Analytical, Agilent) et laboratoires de caractérisation de polymères (automobile, emballage, électronique) qui subissent des élargissements de pics non reproductibles sur leurs chaînes de transfert. Un modèle prédictif simple (AD-PFR) pourrait réduire le temps de diagnostic de défaillance d'interface de 2-3 jours à quelques heures.; Avantage concurrentiel potentiel pour un fournisseur de Py-GC/MS : intégrer un module logiciel de correction de largeur de pic basé sur RTD, permettant de garantir une résolution constante entre instruments ou après maintenance, ce qui est un argument de vente fort face à des concurrents comme Shimadzu ou PerkinElmer qui n'ont pas ce type de correction physique.
- **Weaknesses**: Barrière commerciale majeure : le marché adressable est trop étroit. Les ventes annuelles de Py-GC/MS ne dépassent pas 500-800 unités dans le monde (estimation basée sur rapports MarketsandMarkets). Même avec un prix premium de €5000 par licence logicielle, le revenu annuel maximal est < €4M, insuffisant pour justifier un investissement R&D > €200k.; Risque de substitution technologique : les fabricants d'instruments (Agilent, Shimadzu) développent déjà des algorithmes de déconvolution de pics et de correction de ligne de base qui masquent l'élargissement sans nécessiter de modèle physique. L'approche RTD est plus lourde (injection de krypton, gaz rare coûteux) qu'une simple calibration avec un étalon de largeur de pic.; Timeline de commercialisation trop longue pour un retour sur investissement : TRL actuel estimé à 3 (validation en laboratoire). Atteindre TRL 7 (démonstration en environnement opérationnel) nécessite 18-24 mois et un partenaire industriel, ce qui repousse le revenu à >3 ans. Dans un marché où les cycles de mise à jour des instruments sont de 5-7 ans, le ROI est négatif.
- **Questions**: Quel est le coût total pour un laboratoire client (krypton, formation, temps opérateur) par rapport à la méthode actuelle de calibration avec un mélange d'alcanes ? Si le surcoût dépasse €2000/an par instrument, l'adoption sera nulle.; Pouvez-vous démontrer que la correction prédictive de largeur de pic améliore la précision quantitative (par exemple, réduction de l'erreur sur l'aire de pic de >10%) dans une application réelle comme la quantification d'additifs dans des polymères recyclés ? Sans cela, le bénéfice est trop abstrait pour un responsable qualité.; Existe-t-il un brevet déposable sur l'application spécifique de l'AD-PFR aux chemins non-séparatifs de Py-GC/MS, ou la méthode est-elle déjà décrite dans la littérature de génie chimique (Danckwerts, 1953) ? Si l'IP est faible, la barrière à l'entrée est nulle pour les concurrents.
- **Recommendation**: Ne pas investir dans une commercialisation directe. À la place, publier les résultats dans Journal of Analytical and Applied Pyrolysis pour établir la preuve de concept académique, puis approcher Frontier Laboratories ou CDS Analytical pour un licensing non-exclusif de l'algorithme de correction (royalty de 2-3% sur les ventes de licences logicielles). Le budget de €20k-80k est acceptable pour une publication et un prototype, mais ne pas aller au-delà sans partenaire industriel confirmé.

#### Funding Strategist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.7
- **Strengths**: Originalite methodologique : transfert robuste du modele AD-PFR de la chimie en flux vers la pyrolyse-GC/MS, avec validation quantitative via RTD de gaz inerte (krypton).; Hypothese falsifiable et bien cadree : protocole en phases avec criteres GO/NO-GO clairs (erreur relative ≤5%, R² ≥0.95), ce qui rassure les evaluateurs sur la rigueur scientifique.; Budget modeste (€20k-80k) et duree courte (8-14 mois) : adapte a un financement exploratoire ou de preuve de concept, sans necessite de gros consortium.
- **Weaknesses**: TRL actuel tres bas (TRL 1-2) : l'hypothese n'a encore aucune validation experimentale, meme in silico. Les programmes europeens majeurs (ERC, Horizon Europe) exigent souvent un TRL ≥3-4 pour etre competitifs.; Impact limite a une communaute de niche (pyrolyse analytique, polymeres) : pas de retombees evidentes en sante, environnement ou industrie large, ce qui reduit l'attractivite pour des appels transversaux.; Absence de consortium et de partenaires industriels : le protocole est mono-equipe. Les programmes collaboratifs (Horizon Europe Cluster 5/6) exigent un minimum de 3 partenaires de pays differents.
- **Questions**: Comment justifier l'utilite societale ou economique de cette avancee pour un evaluateur non specialiste (ex. impact sur le recyclage des polymeres, controle qualite pharma) ?; Quel est le plan de valorisation si l'hypothese est validee ? Brevet sur le modele predictif, logiciel open-source, ou integration dans un instrument commercial ?; Pouvez-vous identifier un partenaire academique ou industriel (ex. Frontier Labs, CDS Analytical) pour co-financer la Phase 3 et renforcer la credibilite applicative ?
- **Recommendation**: Cibler d'abord un financement national de preuve de concept (ANR JCJC ou PEPS) pour realiser les Phases 1 et 2 (€30k). En cas de succes, postuler a un ERC Proof of Concept (TRL 3-4) ou a un Horizon Europe Pathfinder Open (TRL 2-4) avec un consortium elargi incluant un fabricant de pyrolyseurs et un laboratoire de rheologie des polymeres.

### B. Semantic Scholar Search Queries

- [novelty] `residence time distribution analytical chemistry sample introduction` — Direct search for RTD applied to sample introduction in analytical systems, core hypothesis
- [novelty] `RTD optimization hyphenated technique transfer line` — Checks if RTD has been used to optimize transfer lines in hyphenated systems like Py-GC/MS
- [novelty] `flow chemistry tracer method analytical pathway validation` — Searches for tracer-based RTD methods transferred from flow chemistry to validate analytical pathways
- [evidence] `dead volume band broadening sample transport analytical` — Finds evidence on dead volumes and band broadening mechanisms in analytical sample transport
- [evidence] `analyte degradation adsorption transfer line continuous flow` — Targets evidence of analyte degradation or adsorption during transport, key to RTD characterization
- [evidence] `dispersion quantification inert tracer analytical interface` — Seeks evidence on using inert tracers to quantify dispersion in analytical interfaces
- [evidence] `micro-flow system intensification sample introduction module` — Looks for evidence of micro-flow intensification principles applied to sample introduction modules
- [cross_domain] `residence time distribution flow chemistry analytical chemistry` — Cross-domain search for existing bridges between RTD in flow chemistry and analytical chemistry
- [cross_domain] `continuous reactor characterization hyphenated mass spectrometry` — Finds interdisciplinary precedents linking continuous reactor characterization to hyphenated MS systems
- [cross_domain] `process traceability sample transport Py-GC/MS optimization` — Searches for process traceability concepts from flow chemistry applied to Py-GC/MS optimization

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-07-20*