پیش‌ بینی نسبت فاز نانوکامپوزیت آمیخته پلیمری رسانا با روش طیف سنجی امپدانس و هوش مصنوعی

نوع مقاله : پژوهشی

نویسندگان

تهران، دانشگاه تهران، دانشکدگان فنی، دانشکده مهندسی شیمی، آزمایشگاه تحقیقاتی مواد و فرایندهای پیشرفته پلیمری، کد پستی 14399-57131

چکیده

فرضیه: ترکیب طیف‌سنجی امپدانس با مدل‌های هوش مصنوعی می‌تواند ترکیب درصد هر یک از فازها در یک آمیخته پلیمری حاوی نانوذرات رسانا را پیش‌بینی کند. این روش با بهره‌گیری از قابلیت‌های یادگیری ماشین، امکان تحلیل دقیق‌تر و سریع‌تر ریز ساختارهای آمیخته پلیمری پیچیده را فراهم می‌آورد و می‌تواند جایگزین روش‌های قبلی زمان‌بر و پرهزینه شود.
روش‌ها: آمیخته‌های پلی‌پروپیلن/پلی(اتیلن-co-وینیل استات) در ترکیب درصد 60/40، 50/50، 40/60، 30/70 و 10/90 دارای %4 حجمی دوده رسانا با روش اختلاط مذاب تهیه شدند و ترکیب‌درصد آن‌ها با استفاده از داده‌های امپدانس در آزمایشگاه و از طریق اندازه‌گیری پارامترهای بسامد، امپدانس حقیقی، امپدانس موهومی و تغییر فاز  ارزیابی شد. مدل‌های هوش مصنوعی شامل الگوریتم‌های جنگل تصادفی، کا-نزدیک‌ترین همسایه، رگرسیون بردار پشتیبان، درخت تصمیم و XGBoost به‌منظور پیش‌بینی ترکیب درصد اجزا  استفاده شدند.
یافته‌ها: نتایج نشان می‌دهند، پلی‌پروپیلن دارای دوده رسانا، نسبت به پلی(اتیلن-co-وینیل استات)، دارای سطح امپدانس پایین‌تر و بسامد بحرانی بیشتری است؛ این پدیده به بلورینگی بیشتر پلی‌پروپیلن نسبت داده می‌شود. با آمیخته‌سازی پلی(اتیلن-co-وینیل استات) با پلی‌پروپیلن، میزان امپدانس نسبت به پلی(اتیلن-co-وینیل استات) حاوی ذرات دوده کاهش یافت. در میان آمیخته‌ها، آمیخته 40/60 کمترین امپدانس (40Ω) و بیشترین بسامد بحرانی (106Hz) را نشان داد که ناشی از ریزشدگی فاز در شکل‌شناسی هم‌پیوسته است. افزون بر این، نتایج هوش مصنوعی نشان داد، مدل جنگل تصادفی ترکیب‌درصد پلیمر را با میانگین خطای مطلق %4 پیش‌بینی کرده و عملکرد بهتری نسبت به سایر مدل‌ها در پیش‌بینی ترکیب‌درصد آمیخته‌ها داشت. این مطالعه پیشنهاد می‌کند، ترکیب روش‌های طیف‌سنجی امپدانس و هوش مصنوعی می‌تواند به‌عنوان روش نوین و دقیقی برای ارزیابی ترکیب‌درصد آمیخته‎‌های پلیمری رسانا به‌کار گرفته شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Prediction of Phase Ratio of Conductive Polymer Blends with Impedance Spectroscopy and Artificial Intelligence

نویسندگان [English]

  • Parsa Dadashi
  • Ghodratollah Hashemi Motlagh
Advanced Polymer Materials & Processing Lab (APlabUT), School of Chemical Engineering, College of Engineering, University of Tehran, Postal Code: 57131-14399, Tehran, Iran
چکیده [English]

Hypothesis: The combination of impedance spectroscopy with artificial intelligence models can predict the composition of polymer blends containing conductive nanoparticles. Such method with the capabilities of machine learning provides a possibility for more precise and faster analysis for the microstructure of conductive polymer blend composites and can replace traditional time-consuming methods
Methods: Polypropylene/poly(ethylene-co-vinyl acetate) blends in composition ratios of 60/40, 50/50, 40/60, 30/70, and 10/90 containing 4% by vol conductive carbon black were prepared by melt-mixing method, and their composition percentages were evaluated using impedance data in the laboratory and through measurement of frequency, real impedance, imaginary impedance, and phase shift parameters. Artificial intelligence models, including Random Forest, k-Nearest Neighbor, Support Vector Regression, Decision Tree, and XGBoost, were used for prediction of the percentage
of each polymer in the blend
Findings: The results show that polypropylene (PP) containing conductive carbon black, compared to poly(ethylene-co-vinyl acetate) (EVA), has a lower impedance level and a higher critical frequency, which is attributed to the higher crystallinity of polypropylene. By blending EVA and PP, the impedance decreased compared to EVA containing carbon black particles. Among the blends, the 60/40 blend had the lowest impedance (40 Ω) and the highest critical frequency (106 Hz), which was attributed to phase refinement in the co-continuous morphology. In addition, the artificial intelligence results showed that the Random Forest model, with a mean absolute error of 4, had better performance than other models in predicting the composition percentages of the blends. This study suggests that combining impedance
spectroscopy methods and artificial intelligence can be used as a novel and accurate method for predicting the percentages of each polymer in conductive polymer blends.

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • Electrical Impedance Spectroscopy Method
  • Conductive Polymer Blends
  • Nanoparticles
  • Machine Learning

فایل ها

هم رسانی

ارجاع به این مقاله

آمار