文摘
化工企业目前面临着一些困难的问题,包括高功耗、危险的风险评估,以及环境管理,所有这些都推动工业和学术机构开发新技术,催化剂,和材料。氯化聚乙烯(CPE)是一种取代H2分子聚合物由高密度- (C2H4)n氯离子。CPE弹性体是由高密度(C2H4)骨干,并使用自由基氯化水泥浆技术。然而,这些基本的聚合物特征不足以解释氯化聚乙烯弹性体的性能特征。人工智能(AI)有巨大影响的所有部分化学部门,已经彻底改变了供应链价值的巨大潜力,提高效率,开放市场的新途径。因此,在本研究中,我们提供了一个对氯化聚乙烯的性能表征方法基于人工智能(AI)和无线网络技术。AI工具可以通过巨大的数据库搜索已知的化合物和它们的属性,利用数据来生成新的可能性。首先收集数据集。化学特性分类使用 - - - - - -最近邻(资讯)技术。这个程序创建研究分子结构和预测新化学反应的结果。贝叶斯优化用于提高特征性能。该方法将有助于未来的使用人工智能在化学部门。
1。介绍
聚合物在材料科学是必要的和重要的物质组。他们发现在一个大范围的产品,从司空见惯的物品包装等尖端技术的锂离子电池,太阳能电池,3 d印刷材料。有相当多的人。氯化聚乙烯(CPE或PE-C)是一个柔软的聚合物,广泛应用于现代生产过程。PE-C high-staging,高档橡胶与乙烯丙烯一起使用,R-C4H9,普查,CSM。PE-C改变了各种各样的问题。经常和PE-C可以利用制造的电线和电缆1]。PE-C和橡胶事项,如PVC管道,也可以用来修改磁性材料和ABS。同时,PE-C是由用氢和氯- - - - - -原子在HDPE(高密度聚乙烯)。PE-C是一种白色结晶粉末。它还没有气味或味道。PE-C由小加压(C2H4)nHDPE是可取的,因为它更强耐高温热老化(2]。PE-C 0.93到0.96(克每厘米立方体)密度,5到2500万年平均分子量,0.01到2.0(克每10分钟)熔融指数。氯化的PE-Chas水平显著影响其财产。热塑性弹性体有氯浓度从16到24%;一个弹性体Cl- - - - - -混合物从26 - 48%等等。49 - 58%氯浓度时,聚合物有皮革就像semielastic硬度,但当它超过73%,聚合物会变得脆弱。在受到一个氯溶液含有大约27%氯,高压聚乙烯失去了它的结晶度。当high-crystallinity低压聚乙烯介绍了氯含量30%,结晶度损失。氯水平的PE-C橡胶弹性体应该介于30 - 40%之间。氯是包含在25 - 45%的CPE橡胶。Cl的增加- - - - - -提高了混合火阻塞,空气渗透性和耐油3]。减少氯浓度,另一方面,加大冷却阻力,耐久性,PE-C的压缩曲线表示。PE-C之际,橡胶和树脂类型。PE-C可以利用组合的其他材料,如PVC或其他聚合物,这取决于应用程序,或者使用独奏(4]。也可以与其他聚合物混合乙烯、聚丙烯、聚苯乙烯、甚至ABS。尽管如此,大量的混合体积原子形式,广泛的单体化合物链排序和不同聚合物人工操作提出了重大挑战,分析由于适当的缺点的人逻辑技巧面对巨大的期刊和高维信息。因为绝大多数的聚合物研究数据不可访问,只有一小部分可以利用。当代聚合物研究主要是一个无效的“试错法”,取决于许多测试指导经验,极大地限制了开发新的塑料问题[5]。ML,人工智能的一个子集,在获得先进的增长现在是正式美德与操作海量高维信息之外。许多新的机会发展的迅速采用机器学习(ML)技术以其强大的分类和回归能力,特别是在高分子行业(6]。然而,聚合物领域的信息仍处于起步阶段。研究人员正在试图改善ML算法和集成数据积累和ML算法在特殊应用中更深入地7]。本文提出使用人工智能(AI)与无线网络技术精确评估氯化聚乙烯聚合物的性能研究。在这里,主要贡献包括如下:(我)改善数据生成结合output-combination实用和高输出装扮(2)AI可以描述合成氯化聚乙烯的性能根据生成的数据(3)然后通过引入无线网络技术正确安全地存储和传输数据
本文的剩余部分可以构造如下。第二部分提供了一个快速查看相关文献。第三部分解释了客观的陈述。第四部分包含一个综合考虑概念的解释,而第五部分探讨了推荐的方法。最后,在第六节,我们得出结论以及未来的工作。
2。相关的工作
一些研究人员专注于发展一种方法分析几种聚合物包括CPE的性能。都可以描述下面,Cravero et al。(2019)8)检查FS4RVDD算法的可伸缩性和可靠性。测量的数据银行,子集的模方面,噪音数据和相关性都不同,结合创建合成数据(线性和非线性)。此外,FS4RVDD结果相比经典的FS方法应用于几个简化的聚合物材料表征。赵et al。(2018)9),重量百分比的Cl 71,薄膜(8 - 10米)随机氯化聚乙烯(CPE)的形成。CPE有更高的玻璃化转变温度和杨氏模量的2.6绩点由于Cl内容,这可能会导致材料的导电性。Cl分子的随机分散在聚合物链负责管理良好的介质介电常数(3 - 4)和高温低损失。CPE的温度提高能源存储容量和功能使它一个吸引人的聚合物介质对金属化膜电容器higher-pulse利用率。Mondal et al。(2020)10]表明低渗透nanocarbon集群增强聚合物复合材料可用于创建一个独特的适应性与大量的机械复合弹性和长期稳定。PE-C化合物表现出最小流量阈值(13.7重量%)和一个优秀的emi屏蔽价值为42.4 dB当含有40%体重VXC炭黑。CPE复合材料已被证明有良好的机械和EMI屏蔽特性thermal-air老化治疗后(Li et al . 2020年)(11伊娃),氯化聚乙烯和橡胶腈结合电子束辐照。这是研究在CPE和电子辐射对框架的影响特点的化合物。EVA / NBR / CPE复合材料的力学特性进行了研究,交联度,结晶资产,构建和形态。结果表明,添加25 phr CPE的EVA /丁腈橡胶混合系统显著增加系统的容量,同时提高交联度和传输温度的玻璃,同时减少结晶温度和焓。化合物的机械资产扩大首先,在那之后,他们可以减少。米歇尔et al . 202012]在这四个光谱techniquesare相比,加上毫升分类器,估计theprecision用户聚合物和海洋聚合物wasteidentification一起减少ATR-FTIR,近红外光谱法、x射线荧光光谱(MPD)。这些光谱都成功地识别消费者塑料种类使用机器学习分类器(Stefas et al . 2019年)。(13)使用激光诱导击穿光谱(LIBS)和不同的聚合物模型与类似的聚合物与变体数组添加识别和区分。库光谱数据被用来分类塑料样品使用PCA和LDA机器学习技术。这些机器学习算法技术,特别是那些结合LIBS和库,提供优秀的分类结果,识别精度高达100% (Stanojevic 2021)。(14)概述了LCA空气污染循环废物创建和维护使用图书馆的研究。完成调查后,建立了逻辑链路之间的毒性效应和二恶英生成的PCDD / F使用高斯函数和指数的设计基于人工神经网络技术和测试信息(Charalampous et al . 2021年)。(3)发展规模的正确性产生的例子使用FDM过程和保证技术的效能通过开发一个独特的方法来选择过程参数设置(Wang et al . 2018年)。在[15),通过使用WNBRP混合与PE-C兼容,溶解的化合物被用来创建热塑性弹性体(tp)。抗拉强度和断裂伸长更高的EVA / PE-C WNBRP比EVA / WNBRP的混合。此外,蚀刻的WNBRP EVA / CPE / WNBRP坚定地纳入了EVA矩阵,导致清洁断裂表面。DMA的结果表明,佩恩效果大大降低PE-C数量(5 phr)在EVA / CPE / WNBRP。(他和马哈茂德2021)[16)关注毫升的使用技术在各种污染的数据集。英国《金融时报》,LSVM使用的分类算法。Nondominated排序遗传algorithm-II用于帮助实现一个最优的解决方案的算法与最小的假阳性率(玻璃钢)和最小的假阴性率(FNR)选择的完美混合事件和将信息(FNR)(徐et al . 2021年)。(17)估计,聚合物能带隙,研究人员使用机器学习frameworktermed作为支持向量回归(SVR),使用训练数据从DFT计算和龙生产描述符。SVR设计利用16个重要特征作为输入进行最优预测聚合物带隙特征选择后的最大相关性和冗余。SVR设计的决定系数( )高达0.824分析crossvalidation和低至0.925独立测试聚合物带隙基于DFT计算和SVR预测。最终产品是通过添加4,4methylene-bis - (2, 6-di ter叔丁基苯酚)4426 (AO) 80: 20混合氯化聚乙烯(CPE)和聚乙烯醇(PVA)。复合材料的阻尼特性和分子结构计算,描述,使用DMTA和评估,DSC和ir。根据调查,复合PVA / CPE只有一个抑制峰值。然而,4426年的AO,出现了新的阻尼峰值高于CPE的玻璃化转变温度的相分离造成的AO 4426微晶聚合羟基氢键的作用下(江、张2021)。(18]介绍了智能优化算法的出现,特别是群智能优化算法,这给了科学的“奋进号”新的意义。目前,人工智能领域看到的出现self-creating复制物种发展的群体智能优化算法。智能算法总是成为科技文明进步和改善。纸塑复合模具开发并投入使用的餐饮包装业务的结果。消费理念更好的在当今时代已经改变了。人们越来越意识到环境保护和食品安全更突出显示在他们的想法。新强调不用粘着剂创建复合膜行业的快速增长餐饮业(李等人。2020)19]。作者描述了照片氯化(20°C)和热氯化聚乙烯(90°C)不同氯含量按重量(19%到13%),受到红外光谱光谱来确定其质量。我们之前的纸的显微结构的高分辨率核磁共振研究,4 - 6 500厘米之间额外的乐队1和2000厘米1被发现。他们谈到了氯化过程改变了分子结构的聚乙烯样品检测氯(王et al . 2020年)[20.]。创造独特的SPE材料,研究人员提倡结合机器学习和粗粒度的分子动力学(CGMD)。化学物种的粗粒度的导致身体组成的多维设计空间可判断的通用描述符。有效地探索空间,自主CGMD模拟了结合贝叶斯优化(BO)技术。研究人员使用这种CGMD-BO方法指导方向加强最著名的电解质的元素,包括阴离子、二级网站,和主链,提供全面的解释锂电导率之间的关系和内在的分子材料特性,如分子大小和非键相互作用强度(王2019)。(21)检查他们的工作材料虚拟实验室设计和优化能源储存技术材料,能源效率,和高温合金;(2)构建可伸缩quantum-accurate模型;和(3)增加阅读的速度和准确性特征光谱(山田,et al . 2019年)[22]。XenonPy。MDL, pre-trained模型库,目前正在开发。Pretrained模型小分子、聚合物和无机晶体固体总量超过140 000的第一个版本。Pretrained模型需几个引人注目的突破在转移学习,如生成模型只有几百材料属性。他们还展示了战略模型转移可能提高外推预测能力。即使转移学习显示重要的可转移性在不同的特性,超越材料科学的许多领域,我们的研究揭示了底层之间的桥梁之间的小分子和聚合物以及有机和无机化学(金et al . 2020年)(23)中所示的模型的行为应该增加当前的热力学信息通过学习材料表征匹配synthesis-related特性。最后,他们用模型来测试新钙钛矿的synthesizability建议(Vivanco-Benavides et al ., 2022)。(24)从实验表明,信息的数量是惊人的相似,建模时发现的不受控制的物理特性的碳纳米管使用算法。具体地说,在一些纳米结构的分析,使用人工神经网络,不规则的森林,和强调资讯,尤其是在纳米结构的分析。这些方法是很重要的。人们已经发现,碳纳米管有各种有趣的物理和化学特性。热、电和电子特性,密度泛函理论和分子动力学的研究结果仍然需要辅以机器学习的结果。Chiral-geometricalvariables被用来分析碳纳米管的震动反馈;因此,一些需要准确预测预测波时提到的机械特性。解释碳纳米管的热离子和振动特性使用机器学习,必须完成一定数量的迭代(赵et al . 2021年)[25]。JAMIP是一个Python框架由吉林大学完成计算材料信息学的研究需求;JAMIP是一个数据驱动的基础设施由人工智能。它由一个原材料制造工厂,高通量采用基于计算引擎,自动提交任务和进度监控系统,数据提取、管理和存储系统。帮助高通量计算某些元素,如一个无机晶体结构原型库和关键机器学习相关模块功能材料已注册的调查。使用金属卤化物钙钛矿为例,他们展示了他们的新开发的技术可以用来分析光电半导体材料信息。因为它坚持自动化的思想,灵活性,可靠性,和情报,JAMIP代码是一个不靠谱的是强大的工具在快速扩张的计算材料信息学领域(Agrawal和超2019)。(1)描述了好处,限制,和当前的应用深度学习各种形式的材料数据。深度学习的进步,增加访问材料数据库和大数据一般,蕴含着巨大的潜力加快发现、设计和实现的新一代材料(Unugul和Karaağac 2021) [26]。氯化聚乙烯和橡胶硫化混合硅烷在低温下进行。而不是雇佣一个挤压技术,被广泛用于预测应用,橡胶化合物使用密炼机生产。橡胶化合物进行了流变和动态特性。硫化随后调查物理机械和热应力松弛特征以及形态和温度扫描。发现硫化反应过程、结构研究是利用傅里叶变换红外光谱和x射线光电子能谱。在110°C和水,所有的化合物成分可能是硫化。环氧硅烷相比,氨基硅烷是证明是更有效的27]。
3所示。提出工作
本节解释了该方法的流程。图1显示了提出方法的示意图表示。
3.1。数据集集合
在一个密封的,搅拌容器或反应堆,聚乙烯是氯化水泥浆的阶段。8升的水,1公斤的聚乙烯是咕哝道。壬基酚的泥浆处理2毫升表面活性剂(降低表面张力)和45克滑石(防止结块)。泥浆的温度提高到约95°C,和治疗开始注射1/2 l / m氯气而接触紫外线光照。后900秒,反应堆的密封力增大到2.8 100000帕斯卡,举行这种压力和反应5分钟。氯化后,泥浆被送往另一个搅拌槽中和剩余盐酸清洗和清洗前80°C的批处理。聚合物是干大约40摄氏度的温度。CPE-1筛选对几个分数根据分布式测量。这里,氯含量不同的分数测定使用DIN EN ISO 1158技术。
3.2。分析流
离岸金融中心的技术可用于确定硫时创建所需的有机分子的数量在一个氧瓶燃烧。这样的分子可能含有氯、溴、碘、氟或sulfurcompounds。DINENISO1158技术的基础是一个类似oxygenflask燃烧技术。
CPE代表模型重达0.01毫克的准确性和沉积在滤纸下调50 - 70毫克。书面记录是铂螺旋的投射。
容器的水、氢氧化钾溶液(100克每升),和过氧化氢溶液(300克每升)填写15毫升的尺度,4毫升,分别和1毫升。同时,通过纤维(玻璃)管,空气可以取代氧气在250毫升每分钟300秒(5分钟)。
论文的后端设置为使用气体火灾火灾。铂金wire-conveying塞首先插入,纸被纵火。燃烧完成后,容器是正直的。沿着冷藏集装箱已经来图下面的一个很酷的水流,使生成的盐酸酸的快速和完整的职业。
Behind1800秒,容器的内容被转移到250毫升锥和容器清洗和运输锥,产生最后的体积大约40毫升。NaNO的锥形烧瓶充满了1克3和2.5毫升HNO3液体(2 N)。混合物被带到一个滚动的煮5分钟。冷却后,1毫升的50 g / l铬酸钾的解决方案是补充说,解决方案是通过与硝酸银滴定法测量解决方案(0.1 N)。方程(1)用于计算氯浓度的解决方案。 在这
CPE的氯含量。
和代表AgNO的体积3用于测定混合物(毫升)和硝酸银溶液的体积用于空白试验,分别(inmilliliter)。纯粹的材料通常是0和停止设备。表示CPE样本的质量(克)。
3.3。分类使用 - - - - - -最近邻算法(资讯)
资讯的主要好处是它比其他算法可以利用对几类进行分类。因此,如果数据有超过两个标签,或者换句话说,如果你需要分类为两个以上类别的数据,然而,是一个不错的选择。
数据集分为训练和测试样本。50%比例的解决方案被认为是作为训练样本,和剩余50%的解决方案是为测试样本。资讯技术的方法是基于样本的直觉概念相同的类必须有类似的功能空间。因此,对于一个不确定的类测试示例,我们可以简单地计算测试样本之间的距离和所有的训练样本,并分配类表示试样的资讯。拟议的资讯技术凝结所有训练样本训练集的一个子集,即试样的邻居最近的邻居和所有测试样本的邻国。因此,我们期望几乎完全覆盖所有训练样本的最近的邻居。
|
||||||||||||||||||
3.4。贝叶斯优化(BO)表征的过程
贝叶斯优化(BO)方法是众所周知的优化昂贵不透明的功能。它取决于优化指定目标的概率模型 。不透明的函数叫下去,直到预算是筋疲力尽。是由查询评估在不同hyperparameter配置a1,…,that is determined using an explore exploit trade-off criterion or acquisitiveness function. The hyperparameter layout that corresponds to the greatest question is then come back. Applying Gaussian process (GP) advance to和计算后GP取决于注意到的问题 …,和(一)是一种常见的方法。后医生定义为后验均值函数和一个后方差函数,这两个时必须评估收购函数求值为每个后续查询。
著名的占有欲函数意味着一个预期的改善(EI),它可以解释为在评估发展预期的总和最小 。高斯分布预测,EI可以解释eqn封闭的形成。(2)。
为了应对需要的信息,其他收购功能已经出现。标准收购只是关心我们的目标而不考虑任何额外的限制。本研究的目的是优化一个不透明的功能对应于善的限制 ,与+表示应该如何实施密切相关的公平规则。
4所示。性能分析
4.1。反应的进展
的Cl-concentrations CPE -(1 - 3)约6.5,12日和34%,按照DIN EN ISO 1158。的响应时间、人物2显示三个CPE -的反应时间(1 - 3)。
可以观察到,随着氯化反应的长度在这个区间,反应的速率逐渐增加。这种方法是有益的和有效地表明氯化过程完成。这个图表将用于未来的反应动力学研究。
4.2。筛选分析
六个筛子的不同直径(网),包括100年、150年,300年,500年,1015年和2000年,用于区分筛选分析最初的PE和创建cp。聚乙烯、CPE-1 CPE-2, CPE-3都筛选和分析。表1显示结果。
异常较大或较小分子的质量比平均分子的质量更轻,按表1。聚乙烯分子100微米大小,例如,体重约为42个g,但是那些2000微米直径重104 g。
此外,表表明CPE -(1 - 3)增长重量与体育教育。由于氯化过程中,产品的质量也增加了。例如,在CPE 2程序,最终输出的总和反应堆是每1000克1119克PE,外加119克代表Cl的质量- - - - - -引入体育教育链,导致更高的重量。表2,另一方面,表达量的增加重量/ CPE而开始创建的PE某个粒子的大小。不同大小的生成氯/ cpe的比例如表所示3。
4.3。傅里叶转换红外光谱(FTIR)
这些材料已经生产的粉末红外光谱谱的直径约100米。图3描绘了原始聚乙烯的红外光谱。数据4- - - - - -6显示各种氯化聚乙烯的红外光谱。
在红外范围,氯化聚乙烯的频谱强烈匹配与聚氯乙烯(1100年到1300年每厘米)。C2H4创造的是氯化-CHCl -,只有几个创新领导力吗2生成单元,根据这一发现。CH的3变形阶段可以看到在1380厘米左右1在最初的聚乙烯频谱。随着氯氯化聚乙烯的浓度上升,这个乐队变得软弱;然而,它存在于对象的光谱携带额外的CL -比PVC,表明甲基粒子仍然可用。
图7显示的分类精度的比较分析现有和拟议的方法。很明显从图,提出人工智能框架优于传统的方法。氯化聚乙烯的性质的表征可以做更好的使用该分类算法相比,传统的分类方法。这种分类方法取得了氯化聚乙烯的准确的鉴定结果。
表4显示了分类性能的比较对精度,精度和召回。
5。结论
本文解决了激进的氯化(C2H4)n悬挂在压力和紫外线照射。提高的性能表征运用贝叶斯优化,一个人工智能的方法。较小的颗粒较低体重和高氯浓度,根据微分检测调查。CCl CPE模型的红外光谱表明,拉伸和扭转阶段,碳碳震动,产生大的峰值随着反应的进行。因为Cl的感应效果- - - - - -粒子的聚合物网络,相关峰CH2 -拉伸模式变宽。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。