tg测试-预测均聚物玻璃化转变温度的机器学习框架

玻璃化转变温度(Tg)是非晶和半晶材料的重要性能之一。当温度高于 Tg 时，材料的几种性能发生变化。例如，当温度高于 Tg 时，聚合物链的迁移率增加，导致聚合物薄膜变软。因此，Tg 使我们能够确定聚合物在特定最终用途上的柔韧性和刚性。有几种常见的测定热失重的方法，如差示扫描量热法(dSC)、差热分析(dTA)和热力学分析(tMA) ，然而，测量热失重是困难的，因为在加热过程中可能发生多重相变，而且在天然材料中测量更加困难。此外，即使有广泛的知识聚合物，设计一个具有特定 Tg 的聚合物仍然是具有挑战性^[1]。因此，确定聚合物 Tg 的预测工具是可取的，有利于识别新聚合物和设计新产品。

Tg测试的几种模拟方法，如分子动力学(MD)和蒙特卡洛斯(MC) ，已被用来预测聚合物的热重。例如，通过使用 MD 模拟技术产生比体积(V)-温度(T)曲线来预测均聚物的 Tg。利用该方法对聚乙烯(PE)、聚苯乙烯(PS)和聚异丁烯(PIB)等均聚物的热失重进行了预测。实验结果与 MD 预测值吻合较好。然而，模拟的效率是一个主要的缺点。虽然原子模拟方法在预测材料性质方面很有效，但密度泛函理论(DFT)和微分方程(MD)量子计算的计算成本较高。因此，其他计算方法已受到关注，以减少高计算成本。

机器学习(ML)方法是预测聚合物性能的替代方法。走这条路加快了开发新材料的进程，使我们能够执行与人类大脑类似的复杂计算。机器学习在许多领域显示了巨大的影响，从非均相催化剂设计和材料科学与工程到制药研究。因为机器学习不需要化学性质的详细知识，也不需要广泛的计算计算。不同的机器学习算法，如神经网络(NN) ，支持向量机(SVM)和多层感知机(MLP) ，已被用于预测聚合物的性能和优化工艺条件。作为一个例子，Schwartz 等人使用 MLP 开发了一个模型来预测聚合物在化学气相沉积(iCVD)过程中的体积特性。利用该模型确定了最大化聚全氟丙烯酸酯(PPFDA)接触角的最佳化学气相沉积(iCVD)工艺条件^[2]。因此，使用 ML 方法来预测聚合物的性能或确定达到特定性能的最佳工艺条件是有利的。

• Kalichevsky, M. T.; Jaroszkiewicz, E. M.; Ablett, S.; Blanshard, J. M. V.; Lillford, P. J.The Glass Transition of Amylopectin Measured by DSC, DMTA and NMR.  Polym. 1992, 18, 77– 88,  DOI: 10.1016/0144-8617(92)90129-E 
• Schwartz, D.; Nguyen, T.; Chen, Z.; Lau, K. K. S.; Grady, M. C.; Shokoufandeh, A.; Soroush, M.Data-Driven Prediction and Optimization of Liquid Wettability of an Initiated Chemical Vapor Deposition-Produced Fluoropolymer. AIChE J. 2022, 68, e17674  DOI: 10.1002/aic.17674

科学指南针通过互联网技术建立更可靠的服务标准，全国拥有31个办事处，20个自营实验室，最好的设备、最专业的老师为您服务。

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。