拉曼光谱与机器学习技术集成,以改善废电器和电子设备 (WEEE) 塑料的工业分类

科学领域:

• 材料科学 材料科学 材料科学
• 分析化学 分析化学
• 计算机科学 (机器学习)

背景情况:

• 目前的电气和电子设备废弃物 (WEEE) 塑料分类由于添加剂而面临挑战,阻碍了有效的回收利用.
• 精确识别聚合物,如聚乙烯 (PS),烯酸丁乙烯 (ABS),聚碳酸 (PC) 和PC/ABS混合物是提高循环性的关键.
• 电子电子设备废弃物流中的黑色塑料对传统的识别方法构成特别的挑战.

研究的目的:

• 开发和评估Raman光谱与机器学习相结合,用于分类WEEE塑料,包括黑色塑料.
• 优化分析参数,以满足生产力和纯度等工业要求.
• 评估WEEE先进分类方法的可扩展性和局限性.

主要方法:

• 拉曼光谱分析使用785nm和1064nm激光器,设置不同,以最大限度地减少光.
• 区分分析 (DA) 和支持向量机 (SVM) 分类模型的开发和代测试.
• 针对目标WEEE塑料的培训模型,然后对所有预期的WEEE聚合物进行现实的评估.

主要成果:

• 使用1064nm激光数据 (500mW,1.0秒) 的优化差异分析 (DA) 模型实现了高分类性能.
• 最好的模型成功地分类了高达80%纯度的聚乙烯 (PS) 和烯酸丁乙烯 (ABS).
• 该研究提供了一个现实的概述,这些先进的排序技术的可扩展性和局限性WEEE.

结论:

• 拉曼光谱与机器学习相结合,为高效的WEEE塑料识别和分类提供了一个有希望的方法.
• 开发的分类模型可以显著提高回收率,提高WEEE流中的塑料循环.
• 进一步的研究可以基于这些发现来改进方法,以获得更高的准确性和更广泛的聚合物分类.