聚烯烃分子量分布（MWD）的自动化反卷积：基于Flory最可能分布的启发式方法

《Macromolecules》：Automated Deconvolution of Polyolefin MWDs: A Heuristic Approach Based on Flory Most Probable Distributions

分子量分布（MWD）去卷积方法在聚烯烃催化反应工程中应用广泛，但缺乏系统生成初始参数的规范流程。本文提出基于Flory最可能分布（MPD）的数均分子量（Mnj）和质量分数（mj）启发式规则，通过实验数据拟合实现初始参数的系统化选取，并引入分子量平均的自适应加权策略优化目标函数，使MWD去卷积过程更可靠且可预测，适用于催化剂筛选和工艺优化。

　　

尽管分子量分布（MWD）反卷积方法在聚烯烃反应工程中非常流行，但目前还没有系统的方法来生成反卷积参数的初始猜测值。MWD反卷积通过将两个或多个Flory最可能分布（MPDs）拟合到实验测量数据上来确定描述使用多活性中心催化剂制备的聚烯烃的MWD所需的最小Flory最可能分布数量。现有的反卷积算法依赖于非线性最小二乘（NLLS）方法，并且需要预先猜测聚合物群体的数均分子量（M_nj）和质量分数（m_j）。本文提出了两条启发式规则，可以为M_nj和m_j提供系统的初始猜测值，这是实现MWD反卷积自动化的关键步骤。我们还提出了一种自适应加权策略，该策略将分子量平均值纳入目标函数中，同时不影响算法的收敛性。这些进展共同表明，MWD反卷积不仅可以变得可靠，而且还可以实现预测，为其在催化剂筛选、过程优化和高通量实验中的应用开辟了道路。