高温押出下でのポリエチレンリサイクルのデータ駆動型モデリング

この記事では、2つの主な問題が研究されています。1つ目は、リサイクル用途向けのポリエチレンの制御された熱機械分解のための押出プロセスの使用です。2つ目は、このような反応性押出プロセスのデータベースのモデリングです。ポリエチレン（高密度ポリエチレン（HDPE）および超高分子量ポリエチレン（UHMWPE））は、さまざまなプロセス条件（流量と流量と流量と、高温（350°C <T <420°C）の下での双子筋筋押出機に押し出されました。ねじ回転速度）。これらのプロセス条件には、分解反応による分子量の減少が含まれていました。Carreau-Yasudaモデルに基づく数値的方法は、DIE圧力のインライン測定からのレオロジー挙動（粘度の変動とせん断速度）を予測するために開発されました。結果は、COX-MERZ法を仮定してオフライン測定から測定された粘度と比較して正常に比較されました。重量の平均分子量は、結果として生じるゼロせん断速度の粘度から推定されました。さらに、線形粘弾性挙動（複雑なせん断弾性率の周波数依存性）も使用され、逆レオロジー法による最終生成物の分子量分布を予測しました。サイズの除外クロマトグラフィー（SEC）を5つのサンプルで実行し、得られた分子量分布を2つの前述の手法で得た値と比較しました。体重平均分子量の値は、3つの手法で類似していた。逆レオロジーによって得られた完全な分子量分布は、押し出されたHDPEサンプルのSECの分布と類似していましたが、押し出されたUHMWPEサンプルではいくつかの不正確さが観察されました。Ludovic®（SCONSULTANTS、SANT-ETIENNE、FRANCE）は、ツインスクリュー押出シミュレーションソフトウェアをcorotatingで、古典的なプロセスシミュレーションとして使用しました。ただし、このプロセスのRheo-Kinetic Lawsが不明であったため、ソフトウェアはすべてのフロー特性を正常に予測することはできませんでした。最後に、低データの制限で動作できる機械学習技術をテストして、プロセス出力と材料特性の予測モデルを構築しました。サポートベクターマシン回帰（SVR）および適切な一般化分解（SPGD）手法を選択して、プロセス出力を正常に予測しました。これらの方法は、材料特性データにも適用され、どちらも分子量の予測に効果的であることがわかりました。より正確には、SPGDは、ゼロシア粘度予測のSVRよりも優れた結果をもたらしました。確率的方法もいくつかのデータでテストされ、有望な結果を示しました。

Two main problems are studied in this article. The first one is the use of the extrusion process for controlled thermo-mechanical degradation of polyethylene for recycling applications. The second is the data-based modelling of such reactive extrusion processes. Polyethylenes (high density polyethylene (HDPE) and ultra-high molecular weight polyethylene (UHMWPE)) were extruded in a corotating twin-screw extruder under high temperatures (350 °C < T < 420 °C) for various process conditions (flow rate and screw rotation speed). These process conditions involved a decrease in the molecular weight due to degradation reactions. A numerical method based on the Carreau-Yasuda model was developed to predict the rheological behaviour (variation of the viscosity versus shear rate) from the in-line measurement of the die pressure. The results were successfully compared to the viscosity measured from offline measurement assuming the Cox-Merz law. Weight average molecular weights were estimated from the resulting zero-shear rate viscosity. Furthermore, the linear viscoelastic behaviours (Frequency dependence of the complex shear modulus) were also used to predict the molecular weight distributions of final products by an inverse rheological method. Size exclusion chromatography (SEC) was performed on five samples, and the resulting molecular weight distributions were compared to the values obtained with the two aforementioned techniques. The values of weight average molecular weights were similar for the three techniques. The complete molecular weight distributions obtained by inverse rheology were similar to the SEC ones for extruded HDPE samples, but some inaccuracies were observed for extruded UHMWPE samples. The Ludovic® (SC-Consultants, Saint-Etienne, France) corotating twin-screw extrusion simulation software was used as a classical process simulation. However, as the rheo-kinetic laws of this process were unknown, the software could not predict all the flow characteristics successfully. Finally, machine learning techniques, able to operate in the low-data limit, were tested to build predicting models of the process outputs and material characteristics. Support Vector Machine Regression (SVR) and sparsed Proper Generalized Decomposition (sPGD) techniques were chosen to predict the process outputs successfully. These methods were also applied to material characteristics data, and both were found to be effective in predicting molecular weights. More precisely, the sPGD gave better results than the SVR for the zero-shear viscosity prediction. Stochastic methods were also tested on some of the data and showed promising results.