美国康奈尔大学的研究人员利用人工智能和机器学习技术,成功简化了识别化学可回收聚合物的过程。他们发现,合适的聚合物可以作为现有食品包装单体的“直接替代品”。这项名为“人工智能辅助设计用于食品包装的化学可回收聚合物”的研究,创建了一个优化工作流程,能够识别出适用于聚合物基包装材料的单层和多层替代品。
该研究的主要目标是寻找传统食品包装聚合物的替代品,例如聚丙烯(PP)、聚乙烯(PE)和乙烯-乙烯醇共聚物(EVOH)等。这些传统材料由于化学结构复杂,往往难以有效回收。研究人员指出:“食品保鲜是当代社会面临的一项重大挑战,我们需要既能提供保护功能又具备可持续性的材料。经过适当优化的聚合物材料,有望成为传统解决方案的有效替代品。”
研究人员进一步强调:“当今的包装塑料通常采用多层复合结构。虽然这种设计在功能上很有效,但这些材料因在垃圾填埋场中难以降解而备受诟病,它们会逐渐分解成微塑料,对环境造成长期污染。”此外,多层聚合物的构成本身也可能对回收过程构成“重大障碍”,因为化学性质不同的各层必须被分离,而这通常是一个既耗时又耗费资源的过程。
作为可回收聚合物识别工作的一部分,研究团队利用机器学习模型预测了可回收聚合物需要满足的八个关键性能特性。这些特性包括:拉伸强度、柔韧性、聚合焓、氧气渗透性、水蒸气渗透性,以及降解温度、熔点和玻璃化转变温度。其中,聚合焓是指单体化学键合形成聚合物时释放或吸收的能量,被研究人员视为“化学可回收性的关键指标”。
通过机器学习模型,研究团队初步发现了740万个能满足所有八项要求的潜在可行聚合物。随后,他们主要依据聚合焓这一指标,利用人工智能预测工具对这些海量的潜在聚合物进行了筛选。在大幅缩减了候选聚合物数量之后,研究人员将目光聚焦于聚对二氧环己酮(poly-PDO)——一种尚未被广泛应用于食品包装领域的现有聚合物,并对其进行了进一步的实验验证。
实验研究表明,对poly-PDO的验证结果显示出其作为传统食品包装单体(如PP、PE和EVOH)的化学可回收替代品,具有良好的应用前景。结果显示,poly-PDO具备满足包装要求的水蒸气阻隔性能,其热性能也基本符合人工智能模型设定的指标。此外,该材料表现出“合理”的机械性能,尽管实验测量值略低于模型预测值,这也凸显了材料进一步优化的必要性。
尤为重要的是,poly-PDO表现出了高度的化学可回收性,在六小时内实现了超过95%的单体回收率。研究人员总结道:“我们对poly-PDO的实验测量结果与机器学习预测值之间高度一致,这证实了我们预测模型的稳健性。”同时他们也指出,机械性能在预测值和测量值之间存在的差异,说明了无论是聚合物样品本身还是机器学习模型,都仍有进一步优化的空间。“解决这些不足之处,对于扩展实验优化的范围、提升预测的可靠性,从而设计出真正有用且实用的、能够助力构建可持续世界的聚合物,至关重要。”