Environ 100 millions de tonnes métriques de polyéthylène à haute densité (HDPE), l'un des plastiques les plus couramment utilisés au monde, sont produits chaque année, en utilisant plus de 15 fois l'énergie nécessaire pour alimenter la ville de New York pendant un an et ajouter d'énormes quantités de déchets plastiques aux décharges et aux océans.
Les chercheurs en chimie de Cornell ont trouvé des moyens de réduire l'impact environnemental de ce polymère omniprésent – trouvé dans les cruches à lait, des bouteilles de shampoing, un équipement de terrain de jeu et bien d'autres choses – en développant un modèle d'apprentissage automatique qui permet aux fabricants de personnaliser et d'améliorer les matériaux HDPE, en diminuant la quantité de matériel nécessaire à divers applications. Il peut également être utilisé pour augmenter la qualité du HDPE recyclé pour rivaliser avec de nouveaux, ce qui fait du recyclage un processus plus pratique.
« La mise en œuvre de cette approche facilitera la conception de matériaux de matières premières de nouvelle génération et permettra un recyclage plus efficace des polymères, réduisant l'impact global du HDPE sur l'environnement », a déclaré Robert Distasio Jr., professeur agrégé de chimie et de biologie chimique au College of Arts and Sciences (A & S).
L'étude intitulée «Conception de polymères avec apprentissage automatique basé sur la distribution de poids moléculaire», publié dans le Journal de l'American Chemical Societyest une collaboration entre Distasio et les experts en polymère Geoffrey Coates, professeur de l'Université Tisch au Département de chimie et de biologie chimique (A&S); et Brett Fors, le professeur de chimie physique de Frank et Robert Laughlin (A&S).
Jenny Hu, doctorante, est le premier auteur. Du groupe Distasio, Zachary Sparrow, chercheur postdoctoral; Brian Ernst, ancien chercheur postdoctoral; et Spencer Mattes, doctorant, ont contribué.
Le HDPE nécessite tellement d'énergie car il est fait à grande échelle, a déclaré Fors, dont le laboratoire se concentre sur les polymères durables. Il y a aussi des défis pour le recycler.
« Il est plus cher de recycler le polyéthylène que de faire du plastique vierge », a-t-il déclaré. « Un autre problème est que lorsque vous le recyclez mécaniquement, vous commencez à casser les chaînes de polymère, ce qui fait que les propriétés se dégradent. »
Les matériaux HDPE perdent la qualité chaque fois qu'ils sont recyclés, a déclaré Coates.
« Vous ne pouvez pas simplement prendre ces plastiques et les faire fondre. Ce n'est pas comme l'aluminium qui est parfait à chaque fois. Vous devez travailler dur pour le valoriser et rendre les plastiques utiles. »
Les recycleurs ont environ cinq cents à dépenser pour la valorisation – ou augmenter la qualité – pour chaque livre de plastique recyclé, a déclaré Coates.
Actuellement, les installations de recyclage améliorent la qualité de la sortie recyclée en ajoutant une petite quantité de plastique vierge. Cependant, le mélange de matériau recyclé varie de jour en jour, ce qui fait de la quantité de nouveau plastique à ajouter incertain.
La clé pour utiliser moins de matériau (et d'énergie) pour fabriquer du polyéthylène – ainsi que de contrôler la qualité et les propriétés physiques du matériau recyclé – se comprenez comment les différentes longueurs des chaînes de polymère dans un échantillon, appelé sa distribution de poids moléculaire, influence ses propriétés. Les facteurs clés: à quel point il est visqueux pendant la fabrication et sa force et sa ténacité en tant que produit fini.
Distasio et les membres de son laboratoire ont formé leur modèle d'apprentissage automatique, appelé PEPPR (prédicteur de la propriété en polyéthylène), en utilisant une bibliothèque de plus de 150 échantillons de polyéthylène synthétisées et caractérisées par des Coates, Fors et membres de leurs laboratoires.
« Nous avions besoin d'une bibliothèque de polymères avec différentes distributions de poids moléculaire », a déclaré Distasio. « Nous voulions également avoir des polymères avec un ensemble diversifié de processeur et de propriétés mécaniques. »
Le pouvoir d'apprentissage automatique est nécessaire pour la tâche complexe de comprendre la relation entre la composition de ces matériaux et leurs propriétés, ont écrit les chercheurs.
PEPPR résout deux problèmes, a déclaré Distasio. Si la distribution du poids moléculaire d'un échantillon d'HDPE est connue, le modèle peut prédire ses propriétés: faire fondre la viscosité, la ténacité et la force. Il peut également être utilisé pour l'inverse; Si un utilisateur a un ensemble de propriétés ciblées à l'esprit, le modèle peut lui dire quel échantillon de polymère aurait ces propriétés.
« Si vous voulez faire un sac en plastique, vous aurez besoin de propriétés différentes dans la fusion que si vous voulez faire un kayak », a déclaré Fors.
L'approche PEPPR est une première étape vers la conception de polymères plus intelligente et plus spécifique, ainsi que des processus de recyclage plus efficaces et durables, ont déclaré les chercheurs. Ils prévoient d'élargir la portée des propriétés qui peuvent être prédites et d'ajouter des méthodes de traitement, qui peuvent être assez influentes, au modèle. Ils espèrent également étendre le modèle pour inclure d'autres classes de polymères.
« Nous devrions être en mesure de développer ces types de modèles pour tout type de polymère commercial », a déclaré Fors. « Ce devrait être un moyen général de régler les propriétés et de recycler d'autres matériaux. »
