Ежегодно в мире производится около 100 миллионов метрических тонн полиэтилена высокой плотности (HDPE). Для его производства требуется энергии более чем в 15 раз превышающей количество, необходимое для питания Нью-Йорка в течение года. Кроме колоссальных энергетических затрат, производство HDPE сопровождается накоплением огромного количества пластиковых отходов на свалках и в океанах.
Исследователи-химики из Корнельского университета разработали модель машинного обучения, которая может изменить ситуацию. Их инновационный подход позволяет настраивать и улучшать материалы из HDPE, что потенциально приведет к уменьшению количества необходимого материала для различных применений и повышению качества переработанного HDPE до уровня нового материала.
Исследование под названием «Проектирование полимеров с использованием машинного обучения на основе распределения молекулярного веса» было опубликовано в Journal of the American Chemical Society. Работа стала результатом сотрудничества между Робертом ДиСтасио-младшим, доцентом химии и химической биологии, Джеффри Коутсом, профессором Тишского университета на кафедре химии и химической биологии, и Бреттом Форсом, профессором физической химии имени Фрэнка и Роберта Лафлина. Первым автором исследования выступила докторант Дженни Ху, а среди соавторов – постдокторант Захари Спэрроу, бывший постдокторант Брайан Эрнст и докторант Спенсер Маттес.
Переработка HDPE в настоящее время сталкивается с серьезными проблемами. Она обходится дороже, чем производство нового пластика. При механической переработке происходит разрушение полимерных цепей, что приводит к ухудшению свойств материала. С каждым циклом переработки качество HDPE снижается. У переработчиков есть всего около пяти центов на фунт для повышения ценности переработанного пластика. Текущее решение этой проблемы заключается в добавлении небольшого количества нового пластика к переработанному материалу.
Разработанная исследователями модель машинного обучения, названная PEPPr (PolyEthylene Property PRedictor), была обучена на библиотеке из более чем 150 образцов полиэтилена. Эти образцы были синтезированы и охарактеризованы в лабораториях Коутса и Форса. Модель фокусируется на понимании того, как распределение молекулярного веса влияет на свойства полимера.
PEPPr обладает двумя ключевыми возможностями. Во-первых, она может предсказывать свойства материала, такие как вязкость расплава, прочность и жесткость, если известно распределение молекулярного веса. Во-вторых, модель способна определить, какой образец полимера будет обладать конкретными целевыми свойствами.
«Наша модель машинного обучения может помочь производителям создавать полиэтилен с точно настроенными свойствами, используя меньше материала и энергии», – отмечает Роберт ДиСтасио. «Это не только экономически выгодно, но и значительно снижает воздействие на окружающую среду».
Джеффри Коутс добавляет: «Особенно перспективно применение PEPPr для улучшения качества переработанного пластика. Мы можем прогнозировать, какие добавки и в каком количестве необходимы, чтобы вторичный HDPE по своим характеристикам не уступал первичному».
В будущем исследователи планируют расширить спектр свойств, которые может предсказывать модель, добавить методы обработки в модель, распространить модель на другие классы полимеров и разработать аналогичные модели для других коммерческих полимеров. Такой подход может революционизировать индустрию производства и переработки пластика, сделав ее более устойчивой и экологически безопасной.
Изображение носит иллюстративный характер
Исследователи-химики из Корнельского университета разработали модель машинного обучения, которая может изменить ситуацию. Их инновационный подход позволяет настраивать и улучшать материалы из HDPE, что потенциально приведет к уменьшению количества необходимого материала для различных применений и повышению качества переработанного HDPE до уровня нового материала.
Исследование под названием «Проектирование полимеров с использованием машинного обучения на основе распределения молекулярного веса» было опубликовано в Journal of the American Chemical Society. Работа стала результатом сотрудничества между Робертом ДиСтасио-младшим, доцентом химии и химической биологии, Джеффри Коутсом, профессором Тишского университета на кафедре химии и химической биологии, и Бреттом Форсом, профессором физической химии имени Фрэнка и Роберта Лафлина. Первым автором исследования выступила докторант Дженни Ху, а среди соавторов – постдокторант Захари Спэрроу, бывший постдокторант Брайан Эрнст и докторант Спенсер Маттес.
Переработка HDPE в настоящее время сталкивается с серьезными проблемами. Она обходится дороже, чем производство нового пластика. При механической переработке происходит разрушение полимерных цепей, что приводит к ухудшению свойств материала. С каждым циклом переработки качество HDPE снижается. У переработчиков есть всего около пяти центов на фунт для повышения ценности переработанного пластика. Текущее решение этой проблемы заключается в добавлении небольшого количества нового пластика к переработанному материалу.
Разработанная исследователями модель машинного обучения, названная PEPPr (PolyEthylene Property PRedictor), была обучена на библиотеке из более чем 150 образцов полиэтилена. Эти образцы были синтезированы и охарактеризованы в лабораториях Коутса и Форса. Модель фокусируется на понимании того, как распределение молекулярного веса влияет на свойства полимера.
PEPPr обладает двумя ключевыми возможностями. Во-первых, она может предсказывать свойства материала, такие как вязкость расплава, прочность и жесткость, если известно распределение молекулярного веса. Во-вторых, модель способна определить, какой образец полимера будет обладать конкретными целевыми свойствами.
«Наша модель машинного обучения может помочь производителям создавать полиэтилен с точно настроенными свойствами, используя меньше материала и энергии», – отмечает Роберт ДиСтасио. «Это не только экономически выгодно, но и значительно снижает воздействие на окружающую среду».
Джеффри Коутс добавляет: «Особенно перспективно применение PEPPr для улучшения качества переработанного пластика. Мы можем прогнозировать, какие добавки и в каком количестве необходимы, чтобы вторичный HDPE по своим характеристикам не уступал первичному».
В будущем исследователи планируют расширить спектр свойств, которые может предсказывать модель, добавить методы обработки в модель, распространить модель на другие классы полимеров и разработать аналогичные модели для других коммерческих полимеров. Такой подход может революционизировать индустрию производства и переработки пластика, сделав ее более устойчивой и экологически безопасной.
