Des chercheurs de l’Université de Cornell ont développé un modèle de machine learning, baptisé PEPPr (PolyEthylene Property PRedictor), capable de prédire et d’optimiser les propriétés des polymères HDPE en se basant sur leur distribution de poids moléculaire. En entraînant le modèle sur une bibliothèque de plus de 150 échantillons de polyéthylène aux caractéristiques variées, l’équipe peut désormais estimer des paramètres cruciaux tels que la viscosité à l’état fondu, la résistance et la ténacité. PEPPr permet également, en mode inverse, d’identifier la composition d’un échantillon idéal pour atteindre des propriétés cibles spécifiques, ouvrant ainsi la voie à la conception de matériaux sur mesure pour des applications aussi diverses que la fabrication de sacs plastiques ou de kayaks. Cette approche innovante vise non seulement à réduire la quantité de matière nécessaire – et donc la consommation d’énergie – mais aussi à améliorer la qualité des matériaux recyclés, rendant le recyclage du HDPE plus compétitif face à la production de plastique vierge. Ce travail représente une avancée majeure vers une conception plus intelligente et durable des polymères, avec des retombées potentielles pour une économie circulaire dans le secteur des plastiques.
Actualités
- Nanoparticules de lignine pour des papiers barrière recyclables capables de rivaliser avec les emballages plastiques
- Comprendre la gélification des poloxamères près de la température physiologique
- Capteurs de gaz OFET biodégradables guidés par la séparation de phase P3HT/PBS
- Recyclage chimio-mécanique aqueux pour décolorer et régénérer des polyoléfines mixtes
- Polymères riches en soufre pilotés par la lumière et conçus pour une recyclabilité intrinsèque