通过高斯过程回归回收PET/PCT微纤维的可持续染色过程建模
Hyeokjun Cho1, Seung Geol Lee1,2
1Department of Materials Science and Engineering, Ulsan National Institute of Science and Technology (UNIST), Ulsan 44919, Republic of Korea.
ACS omega
|September 29, 2025
概括
本研究引入了高斯过程回归 (GPR) 模型,用于预测回收纤维混合物的织染结果. 数据效率高的GPR框架准确预测色度特性,减少对可持续制造的实验需求.
科学领域:
- 织品化学 织品化学
- 材料科学 材料科学 材料科学
- 可持续制造 可持续制造 可持续制造
背景情况:
- 织行业面临着采取可持续和资源高效实践的压力.
- 尽量减少染色过程中的实验代对于环保制造至关重要.
- 开发用于新型纤维混合物的染色结果的预测模型是必不可少的.
研究的目的:
- 开发一个高斯过程回归 (GPR) 框架,用于预测染色中的色度测量结果.
- 将GPR模型应用于循环聚乙烯二甲 (rPET) 和聚乙烯二甲 (PCT) 的环保纤维混合物.
- 在低数据场景中评估模型的准确性和不确定性量化能力.
主要方法:
- 高斯过程回归 (GPR) 被用作预测建模技术.
- 该模型是使用52个实验点的有限数据集进行训练的.
- 输入变量包括染色温度,时间和染料度.
- 输出预测侧重于CIELAB颜色坐标 (L*,a*,b*) 和库贝尔卡-蒙克 (K/S) 值.
主要成果:
- 该GPR模型证明了对色度特性的高预测准确性.
- 确定系数 (R2) 为L*达到0.96,为a*达到0.96,为b*达到0.73,为K/S达到0.95.
- GPR框架通过后期预测分布提供了不确定性量化,包括95%的置信区间.
结论:
- 基于GPR的框架有效地预测了高精度的RPET/PCT纤维混合物的染色结果.
- 该模型量化不确定性的能力对于染色工艺设计和质量控制的决策非常有价值.
- 这种数据效率高的方法显著降低了实验负担,支持可持续和资源效率高的织色彩.
