基于热重分析与预测性人工神经网络模型的商品废塑料热解废弃物制能转化高级动力学建模

《ACS Sustainable Resource Management》:Advanced Kinetic Modeling of Waste-to-Energy Conversion from Commodity Waste Plastic Pyrolysis Using Thermogravimetric Analysis and Predictive Artificial Neural Network Models

【字体: 大 中 小 】 时间:2026年03月20日 来源:ACS Sustainable Resource Management

编辑推荐:

  本研究在 300–973 K、三种不同升温速率及惰性环境下,利用热重分析(Thermogravimetric Analysis,TGA)考察了四种废弃聚合物——聚对苯二甲酸乙二醇酯(polyethylene terephthalate,PET)、聚苯乙烯(po

  
本研究在 300–973 K、三种不同升温速率及惰性环境下,利用热重分析(Thermogravimetric Analysis,TGA)考察了四种废弃聚合物——聚对苯二甲酸乙二醇酯(polyethylene terephthalate,PET)、聚苯乙烯(polystyrene,PS)、聚乙烯醇(polyvinyl alcohol,PVA)和聚氯乙烯(polyvinyl chloride,PVC)——的动力学特性。研究中采用了若干无模型等转化率方法(model-free isoconversional methods),包括高级等转化率法(advanced isoconversional method),并结合模型拟合法 Coats–Redfern 方法,以确定关键动力学参数:活化能(activation energy,Eα)、指前因子(pre-exponential factor,Aα)以及反应机理(reaction mechanism,f(α))。同时,研究人员还计算了热力学参数,以深入认识降解行为,这对于优化大规模热解反应器设计至关重要。利用高级等转化率方法计算得到的平均活化能分别为:PET 208.50 kJ mol?1、PS 198.14 kJ mol?1、PVC 118.79 kJ mol?1、PVA 117.12 kJ mol?1。基于 Criado 主图(Criado masterplots)识别出的主导反应机理分别为:PET 为 F2、PS 为 R3、PVC 为 F2、PVA 为 F3,表明各聚合物均表现为固态反应机理。此外,研究人员还在转化过程的不同阶段评估了指前因子。进一步地,研究构建了一个优化的人工神经网络(Artificial Neural Network,ANN)模型,用于预测不同升温速率下的热降解行为。该 ANN 模型能够成功预测未见升温速率下的热降解数据,且 R2 > 0.98。该 ANN 方法具有显著优势,不仅可减少大量实验工作的需求,还可为工业过程优化及热解反应器开发提供有价值的应用支持。
该论文发表于《ACS Sustainable Resource Management》,聚焦废塑料热解过程的动力学解析与智能预测建模,旨在为废弃物制能转化及热解反应器优化提供可靠参数基础。研究背景在于,全球塑料产量和消费量持续增长,废塑料已成为城市固体废弃物的重要组成部分,而传统填埋与焚烧方式分别面临土地占用、二噁英释放及环境污染等问题。热解作为一种无氧条件下将高分子材料分解为烃类与化学品的资源化技术,具有重要应用潜力。然而,热解系统优化和工程放大依赖于对热降解过程动力学三联参数——活化能(activation energy,Eα)、指前因子(pre-exponential factor,Aα)和反应机理函数(reaction model,f(α))——的准确把握。既有研究虽已关注 PET、PS、PVC 和 PVA 的热分解行为,但多集中于活化能变化,对完整动力学三联参数的系统解析仍显不足,尤其缺少结合反应机理识别、参数验证及数据驱动预测的综合研究。因此,开展本研究对于完善废塑料热解机理认知、提升动力学参数可靠性并降低工业设计中的试错成本具有直接意义。

研究人员选取实验室废弃来源的四类聚合物样品,即 PET、PS、PVC 与 PVA,在高纯 N2 气氛下进行非等温热重分析(TGA),升温速率设为 10、20、30 K/min,温度范围为 298–973 K。研究采用 Friedman、Ozawa–Flynn–Wall(OFW)、Kissinger–Akahira–Sunose(KAS)、Starink 与高级等转化率法(AIC)计算不同转化率下的活化能分布,并用 Coats–Redfern 方法拟合反应级数;进一步通过 Criado 主图判定固态反应机理,采用补偿效应方法求取指前因子,结合 AIC 参数计算焓变(ΔH)、吉布斯自由能变(ΔG)与熵变(ΔS),并利用 MATLAB 2023a 建立前馈反向传播人工神经网络(ANN)模型,对未见升温速率热重数据进行预测。样品来源明确为 IISER Bhopal 化学工程实验室废弃塑料。

在研究结果方面,论文首先在“4.1. Thermal Degradation Analysis”中分析了四类塑料在不同升温速率下的热降解特征。TGA/DTG 曲线表明,随着升温速率增加,热降解曲线整体向高温方向偏移,起始温度(To)、峰温(Tm)和终止温度(Te)均提高,但曲线形状基本保持不变,说明变化主要源于升温速率差异。PET 与 PS 表现为单阶段降解,而 PVC 与 PVA 则呈双阶段降解。PVC 的第一阶段对应脱氯化氢(dehydrochlorination),第二阶段对应多烯链断裂;PVA 的第一阶段对应脱水形成多烯结构,第二阶段为主链断裂及后续多烯分解。该结果说明不同聚合物的分子结构显著影响其热分解路径。

在“4.2. Kinetic Analysis”部分,研究人员综合应用多种等转化率方法与 Coats–Redfern 方法评估动力学参数。研究将转化率步长设定为 Δα = 0.05,并排除 α < 0.1 区间以减少低回归系数带来的误差。结果显示,各模型所得活化能随转化率变化而变,但整体趋势具一致性。AIC 模型由于结合多升温速率数据并通过数值积分与优化函数求解,被认为在各方法中最为准确。Coats–Redfern 方法用于单一升温速率下拟合表观反应级数,得到 PET、PS、PVC 和 PVA 的最佳拟合 n 值分别为 2、0.5、9.2 和 2,说明该参数主要作为拟合量使用。

在“4.2.1. Activation Energy”中,论文系统比较了四种材料的活化能分布。PET 的活化能介于 190.15–233.32 kJ mol?1,随转化率逐渐增加,体现出酯键断裂、链裂解及低分子产物形成过程中的能垒变化。PS 的活化能在整个转化区间基本稳定,平均值为 198.14 kJ mol?1,符合其以随机断链和“解钮扣式”(unbuttoning)反应为主的单阶段降解特征。PVC 的活化能变化明显反映双阶段分解过程:α = 0.5 之前活化能由 38 增至 127.33 kJ mol?1,对应脱氯化氢阶段;随后升至 176.84 kJ mol?1,对应多烯链断裂阶段,整体平均值为 118.79 kJ mol?1。PVA 同样表现出双阶段特征,前段活化能由 96.69 降至 53.51 kJ mol?1,反映脱水过程;后段则持续上升并最终达到 304.69 kJ mol?1,平均值约为 117.42 kJ mol?1。这些结果表明,单阶段分解材料的 Eα 更为平稳,而双阶段分解材料的 Eα 分布更复杂。

在“4.2.2. Reaction Model”中,研究采用 Criado 主图法将实验约化速率曲线与理论固态反应模型进行比较,并以回归系数 R2 作为判据,确定 PET、PS、PVC 和 PVA 的最优反应机理分别为 F2、R3、F2 和 F3。其含义为:PET 和 PVC 更符合二级反应模型;PS 符合几何收缩模型 R3,即球形或体积收缩控制,反应由表面向内部推进;PVA 则符合三级反应模型 F3。该部分结果补足了无模型方法只能提供 Eα 与 A·f(α) 乘积、难以独立识别反应机理的不足,为后续指前因子的求解奠定基础。

在“4.2.3. Pre-exponential Factor”中,研究人员结合 Criado 所识别的反应机理与补偿效应方法,计算了各材料在不同转化率下的指前因子 Aα。结果显示,Aα 随转化率变化而波动,反映出塑料热解过程中反应路径与结构演化的复杂性。基于 AIC 的平均指前因子分别为:PET 8.8 × 1017 s?1、PS 7.78 × 1020 s?1、PVC 5.41 × 1014 s?1、PVA 1.2 × 1023 s?1。Constable 图进一步显示 logA 与 Eα 之间存在良好的线性补偿关系,且 R2 接近 1,说明所得动力学参数具有较高自洽性与可信度。

在“4.3. Thermodynamic Analysis”中,论文利用 AIC 所得活化能与频率因子进一步计算热力学参数。平均焓变 ΔH 分别为 PET 202.44、PS 192.29、PVC 114.32、PVA 112.36 kJ mol?1,均为正值,表明热降解过程为吸热反应,需要外界持续供热。平均吉布斯自由能变 ΔG 分别为 PET 283.10、PS 252.78、PVC 208.56、PVA 150.73 kJ mol?1,正值说明这些热分解过程在热力学上均非自发,需要外部能量驱动。平均熵变 ΔS 分别为 PET ?0.111、PS ?0.086、PVC ?0.166、PVA ?0.055 kJ mol?1 K?1,负值表明活化复合物(activated complex)相较于反应物具有更有序或更受限的几何构型,反映出键断裂阶段分子运动受限的特征。

在“4.4. Reconstruction of TGA Profiles”中,研究人员利用 AIC 模型得到的动力学参数,在 MATLAB 2023a 中数值求解微分方程,重建不同升温速率下的转化率–温度曲线。模拟结果与实验 TGA 曲线高度吻合,各材料各升温速率下的回归系数 R2 均大于 0.98。这一结果说明,经 AIC、反应机理识别和指前因子补偿求得的动力学参数能够有效表征复杂热降解过程,并可用于实验条件下的曲线再生与外推。

在“4.5. Optimized ANN Model”中,论文进一步展示了人工智能方法在热解预测中的应用。研究以温度(K)和升温速率(K/min)为输入、转化率 α 为输出,使用 MATLAB 2023a 的 “nntool” 工具箱建立基于 Levenberg–Marquardt(LM)算法的前馈反向传播 ANN。数据按 70% 训练、15% 测试、15% 验证划分,并将 10 与 30 K/min 的 TGA 数据用于训练,将 20 K/min 作为未见数据测试模型泛化能力。经试错优化后,PET 与 PVC 采用 ANN555 架构,PS 采用 ANN556,PVA 采用 ANN554;隐藏层使用 “logsig” 传递函数,输出层使用 “tansig” 函数。模型在训练、测试和验证阶段均获得极佳回归效果,未见升温速率 20 K/min 下的预测 R2 分别为 PET 0.999、PS 0.996、PVC 0.996、PVA 0.980,对应 RMSE 分别为 0.0152、0.0296、0.0279 和 0.0612,表明所建模型具有很强的预测能力。

讨论部分表明,该研究的核心贡献在于将严格的热分析动力学框架与数据驱动的 ANN 预测模型相结合。一方面,AIC 模型相较于传统积分近似法和单速率拟合法更能准确刻画多阶段、复杂热分解过程中的分布式活化能;另一方面,Criado 主图、补偿效应和 TGA 重建过程相互印证,使动力学三联参数具备较高可信度。对于 PVC 和 PVA,双阶段降解所体现的活化能变化揭示了多步化学转化过程;而 PET 与 PS 的单阶段行为则显示出更集中的结构裂解路径。ANN 模型则在保留实验规律的同时,展示了对未见升温速率数据的可靠外推能力,说明该方法有助于降低实验负担、缩短工艺开发周期,并为工业热解反应器设计与优化提供辅助。

研究结论部分可译为:研究人员利用热重分析(TGA)考察了四种废塑料材料——PET、PS、PVC 和 PVA——的动力学行为。研究同时采用无模型和模型拟合等转化率方法来确定活化能与指数因子,这些参数对于理解此类材料复杂的热降解过程至关重要。PVC 与 PVA 在热分解过程中表现为两阶段降解,而 PS 与 PET 则表现为单阶段降解。各材料的活化能均随转化程度而变化。在多种活化能评估模型中,AIC 模型由于采用多升温速率数据并引入优化函数,被证明最为准确。PET、PS、PVC 和 PVA 的平均活化能分别为 208.50、198.14、118.79 和 117.12 kJ mol?1。与 PVC、PS 和 PET 相比,PVA 热降解所需活化能更低。此外,研究采用 Criado 主图方法识别了控制降解过程的最可能反应机理。随后利用这些动力学参数重建 TGA 曲线,所得结果与实验数据高度一致,R2 均超过 0.98。研究还开展了热力学分析,为理解这些材料复杂的热行为提供了重要信息。PET、PS、PVC 和 PVA 的平均 ΔH 分别为 202.44、192.29、114.32 和 112.36 kJ mol?1;平均 ΔG 分别为 283.10、252.78、203.56 和 213.17 kJ mol?1;所有聚合物的 ΔS 均为负值,表明体系无序度较低。进一步地,研究构建并测试了人工神经网络(ANN)模型。该模型以温度和 20 K/min 升温速率作为输入,用于模拟未见升温速率下的数据。实验数据与 ANN 模拟数据比较显示二者具有较强相关性,PET、PS、PVC 和 PVA 的 R2 分别为 0.999、0.996、0.996 和 0.980,RMSE 亦处于可接受范围内,证实了 ANN 模型的可靠性。上述动力学分析与 ANN 建模结果为预测废塑料热降解行为提供了可靠框架。所提取参数可通过准确估算动力学参数和 ANN 架构,为热解反应器优化和放大提供依据,从而显著减少对大量试错实验的依赖,节省时间与资源。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号