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
- Le CEA réussit l’imprégnation de mousses polymères imprimées en 3D par de l’hydrogène liquide
- La morphologie des micelles de copolymères blocs pilote leurs cinétiques de fusion et de fragmentation
- Envalior et SECARA développent une boucle de recyclage chimique du PA6 automobile
- Un réseau polymère adaptable permet de récupérer les constituants de circuits imprimés haute performance
- JEPO 2026 – Prolongation des inscriptions jusqu’au 15 septembre