Videos de Conceptos Relacionados
Polymers: Molecular Weight Distribution
Polymers: Defining Molecular Weight
The number average molecular weight (Mn) is the summation of the number...
Molecular Weight of Step-Growth Polymers
As the step-growth polymerization involves step-wise condensation of monomers, the molecular weight also builds up eventually. Consequently, high molecular weight polymers are obtained at the late stages of the polymerization, where 99% of monomers have been consumed.
The extent of the...
Polymer Classification: Architecture
Step-Growth Polymerization: Overview
Many natural and synthetic polymers are produced by...
Polymer Classification: Stereospecificity
También podría leer
Artículos Relacionados
Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.
Systematic Catalyst Variation for Improved Stereoselective Epoxide Polymerization: Subtle Modifications Resulting in Superior Efficiency.
Initiating Photocontrolled Atom Transfer Radical Polymerization from a Redox-Activated Functional Group.
Leveraging Stereochemistry to Optimize the Properties of Polyhydroxyalkanoates.
Bio-Inspired Copper Coordination Bonds Enable Tunable, Viscoelastic, and Cytocompatible Polyhydroxyalkanoates.
Grafting polymer brushes from nylon surfaces <i>via</i> hydrogen atom transfer.
Surface-Initiated Hydrogen Atom Transfer Reversible Addition-Fragmentation Chain Transfer Polymerization from Isotactic Polypropylene.
Gas-Responsive Metal-Organic Frameworks for Adaptive Thermal Energy Storage with Tunable Charge-Discharge Temperatures.
Engineering a Thiamine-Dependent Benzoylformate Decarboxylase for Stereodivergent Radical C(sp<sup>3</sup>)-C(sp<sup>3</sup>) Bond Formation.
Accelerated Directional Proton-Coupled Electron Transfer Enabled by Intrinsic Dipole Field in Biomimetic α-Helical Structure.
Alternating Current-Driven Hydrogen Isotope Labeling of Aliphatic Amines Using 1,3-Propanedithiol as an Efficient Hydrogen Atom Transfer Reagent.
Two-Dimensional van der Waals Polar Metal MoOBr<sub>2</sub>.
Negatively Curved Chiral Bilayer Nanographene.
Video Experimental Relacionado
Updated: May 22, 2025

Characterization of Synthetic Polymers via Matrix Assisted Laser Desorption Ionization Time of Flight MALDI-TOF Mass Spectrometry
Published on: June 10, 2018
Diseño de polímeros con aprendizaje automático basado en la distribución del peso molecular
Jenny Hu1, Zachary M Sparrow1, Brian G Ernst1
1Department of Chemistry and Chemical Biology, Baker Laboratory, Cornell University, Ithaca, New York 14853, United States.
Los investigadores desarrollaron un modelo de aprendizaje automático para vincular las distribuciones de peso molecular del polímero a las propiedades del polietileno de alta densidad (HDPE). Esto permite diseñar materiales HDPE personalizados y reciclar residuos plásticos, reduciendo el impacto ambiental.
Área de la Ciencia:
- Ciencias de los Polímeros
- Ciencias de los materiales
- Aprendizaje automático
Sus antecedentes:
- El polietileno de alta densidad (HDPE, por sus siglas en inglés) es un plástico de uso generalizado con importantes preocupaciones medioambientales.
- El desarrollo de soluciones sostenibles para los residuos plásticos y el uso de materiales es crucial.
Objetivo del estudio:
- Crear un enfoque de aprendizaje automático para predecir las propiedades físicas del HDPE basado en distribuciones de peso molecular.
- Diseñar HDPE con propiedades ajustables y permitir la valorización de los residuos de polietileno después del consumo.
Principales métodos:
- Utilizó el aprendizaje automático para mapear la relación entre las distribuciones de peso molecular de polímeros (MWD) y las propiedades de tracción y reológicas del HDPE.
- Materiales de HDPE generados con propiedades especificadas por el usuario a través del modelo de aprendizaje automático desarrollado.
Principales resultados:
- Se ha establecido con éxito un modelo predictivo que relaciona los MWD con las características físicas del HDPE.
- Ha demostrado la capacidad de diseñar y generar HDPE con las propiedades deseadas y definidas por el usuario.
- Mostró el potencial para la valorización de los residuos de polietileno degradados después del consumo.
Conclusiones:
- El enfoque de aprendizaje automático facilita el diseño de materiales de la próxima generación con propiedades mejoradas.
- Este método permite un reciclaje de polímeros más eficiente, reduciendo significativamente el impacto ambiental del HDPE.

