通过机器学习预测近红外光谱的属性,以改善多聚烯分化
Shuaijun Li1,2, Robert J S Ivancic1, Bradley P Sutliff1
1Materials Science and Engineering Division, National Institute of Standards and Technology, Gaithersburg, Maryland 20899, United States.
机器学习 (ML) 模型现在可以直接从近红外 (NIR) 光谱中预测聚烯的特性,从而改善塑料回收. 这一突破可以更好地区分塑料,如低密度聚乙烯和高密度聚乙烯,以实现高效的分类.
科学领域:
- 聚合物科学 聚合物科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 不断增长的塑料生产需要先进的回收解决方案.
- 目前的近红外 (NIR) 光谱学由于光谱相似性而难以区分多聚烯子子类.
- 在回收过程中,有效区分聚烯,如低密度聚乙烯 (LDPE) 和高密度聚乙烯 (HDPE),至关重要.
研究的目的:
- 开发一种机器学习 (ML) 方法,直接从NIR光谱中预测聚烯的特性.
- 为了提高塑料回收效率,实现基于属性的分类.
- 为了更好地理解,将ML预测与底层的多烯化学联系起来.
主要方法:
- 利用机器学习 (ML) 模型来预测密度,晶度和从NIR光谱的短链分支.
- 评估了各种ML模型,确定了部分最小平方回归的准确性和简单性.
- 开发了一种方法来识别用于属性预测的关键波数,从而提高模型的解释性.
主要成果:
- 部分最小平方回归在预测来自NIR光谱的多聚烯特性方面表现出高准确性.
- 确定了与CH3 NIR振动吸收带相关的特定波数,将光谱数据与化学结构联系起来.
- 证实了ML模型有效地捕捉了聚烯中的频谱结构属性关系.
结论:
- 机器学习与NIR光谱学相结合,为多烯分化提供了一个强大的工具.
- 开发的方法通过光谱分析增强了对多烯化学的理解.
- 这些发现支持基于物质的分类进步,以实现更高效的塑料回收利用.
- 在Meta_Description中可以找到Meta_Description
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
06:54Author Spotlight: Advances in Nanoscale Infrared Spectroscopy to Explore Multiphase Polymeric Systems
Published on: June 23, 2023
相关概念视频
UV–Vis Spectroscopy: Woodward–Fieser Rules
Polymer Classification: Stereospecificity
IR Spectroscopy: Hooke's Law Approximation of Molecular Vibration
According to Hooke's law, the vibrational frequency is directly proportional to...
IR Frequency Region: Fingerprint Region
IR and UV–Vis Spectroscopy of Aldehydes and Ketones
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...
