用机器学习和近红外光谱学识别老化的聚烯,以改善回收利用
Keyu Zhu1,2,3, Delong Wu1,2,3, Songwei Yang1,2,3
1College of Environmental and Resource Sciences, College of Carbon Neutral Modern Industry, Fujian Normal University, Fuzhou 350007, China.
Polymers
|March 13, 2025
概括
这项研究使用机器学习和近红外 (NIR) 光谱来准确识别老化的聚烯 (PP) 塑料. 这通过提高分拣效率和材料质量来推进自动化,可持续的塑料回收.
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 计算机科学
背景情况:
- 传统的塑料分类是手动,低效和不安全的.
- 近红外 (NIR) 光谱技术提供快速,非破坏性的分析,但面临复杂的光谱数据的挑战.
- 区分老化塑料对于有效的回收利用至关重要.
研究的目的:
- 开发一种使用NIR光谱的机器学习模型,以分类聚烯 (PP) 在各种衰老阶段.
- 评估老化对PP机械性能的影响.
- 优化光谱预处理技术,以提高分类准确度.
主要方法:
- 从模拟条件下老化的PP样本收集NIR光谱.
- 利用里埃变换红外光谱法 (FTIR) 来确认衰老.
- 执行了机械性能测试 (拉力强度,破裂时的延伸).
- 开发和评估机器学习分类模型,包括光谱预处理技术,如使用线性支持向量分类 (SVC) 的第二导数方法.
主要成果:
- 机械性能,特别是断裂时的延长,随着老化显著下降.
- 优化的NIR光谱和机器学习模型实现了99%的分类准确性和100%的准确性来识别PP老化阶段.
- 与线性SVC相结合的第二个衍生方法被证明是非常有效的.
结论:
- 使用基于机器学习的NIR光谱法,可以在不同衰老阶段准确识别PP.
- 这种方法提高了回收塑料的质量和效率.
- 该研究促进了自动化,精确和可持续的塑料回收过程.
