机器学习构建了微观结构和机械特性,加速了用于碳纤维回收的CFRP热解的发展
Lingwen Dai1, Xiaomin Hu2, Congcong Zhao1
1School of Chemical & Environmental Engineering, China University of Mining and Technology-Beijing, 100083, China.
Waste management (New York, N.Y.)
|September 11, 2024
概括
回收碳纤维增强塑料 (CFRP) 涉及热解和氧化. 氧化是再生碳纤维 (rCF) 机械性能的关键,而热解会影响石墨化. 机器学习可以预测最佳的回收条件.
科学领域:
- 材料科学与工程 材料科学与工程
- 可持续材料 可持续材料
- 复合材料回收利用 复合材料回收利用
背景情况:
- 碳纤维增强塑料 (CFRP) 的使用越来越多,需要有效的寿命终止回收策略.
- 回收碳纤维 (rCF) 的特性对于其在新应用中可行的再利用至关重要.
- 热解和氧化是CFRP回收的关键热处理方法.
研究的目的:
- 为了研究从CFRP热解中获得的rCF的宏观和显微特征.
- 阐明热解和氧化参数对rCF特性的影响.
- 开发一个可预测的机器学习模型,以优化rCF回收条件.
主要方法:
- 在不同热解和氧化条件下对rCF特性 (机械,石墨化,晶格参数,表面氧) 进行全面的实验研究.
- 一个粒子群集优化随机森林 (RF) 机器学习模型的应用.
- 利用336个数据点进行模型培训和验证.
主要成果:
- 表面树脂残留物显著降低了rCF的机械性能;氧化有效地去除了它,成为一个关键因素.
- 热解处理对rCF的石墨化程度有更明显的影响.
- 开发的射频模型准确地预测了rCF的机械和微观结构特性,与实验数据保持一致.
结论:
- 氧化是确定再生碳纤维 (rCF) 机械性能的关键步骤.
- 热解主要影响rCF的石墨化.
- 机器学习提供了一个有效的工具,可以根据所需的属性预测RCF的最佳恢复条件.
