使用机器学习辅助差示扫描量热法 (DSC) 精确确定聚烯烃混合物中的聚乙烯 (PE) 和聚丙烯 (PP) 含量

聚乙烯 (PE) 和聚丙烯 (PP) 是最常回收的聚合物之一。然而，这些聚合物表现出相似的物理化学特性，二者之间常常观察到交叉污染，这影响了再生材料的质量。随着对回收塑料需求的增加，了解这些材料的组成至关重要。文献中引入了多种技术来确定回收塑料的组成。理想的技术应便于获取、成本效益高、快速且准确。差示扫描量热法 (DSC) 作为一种合适的技术出现，因为它在控制的时间和温度条件下分析化合物的热行为，从而可以定量确定每个成分，例如在PE/PP混合物中。然而，现有的预测方法在从DSC分析中估计PE/PP混合物的组成时缺乏准确性，因为这种混合物的组成影响其整体结晶度。本研究通过实施一个与混合物组成相关的非线性校准曲线，推进了使用DSC进行定量分析的技术进步，联动结晶度的演变。此外，引入并验证了一个机器学习 (ML) 模型，实现了高精度的组成确定，整体平均绝对误差低至1.0 wt%。值得注意的是，这种机器学习辅助的方法还可以量化子类聚合物的含量，增强了它的实用性。