基于机器学习的PET废料水解回收建模：高效转化与智能设计新策略

本研究针对废聚对苯二甲酸乙二醇酯（PET）水解回收过程中高转化效率的挑战，通过构建包含942个数据点和44个变量的综合数据集，开发了神经网络（NN）模型（测试R2=0.93），揭示了操作条件（贡献45%）、酸/碱催化剂（ABC）浓度等关键影响因素，为PET水解的智能设计和资源循环提供了理论支撑。

　　

塑料污染已成为全球性环境危机，每年约1000万吨废聚对苯二甲酸乙二醇酯（PET）被排放至环境中。传统物理回收法因添加剂污染导致再生塑料质量下降，而化学回收虽能将PET解聚为单体对苯二甲酸酸（TPA），但反应条件优化依赖耗时耗力的试错实验。针对这一难题，研究人员通过机器学习（ML）建模，系统分析了加热方式、催化剂、溶剂等44个变量对PET水解效率的影响，为高效回收提供了数据驱动的解决方案。

研究团队从Google Scholar等数据库收集了1275组实验数据，经清洗后保留942组有效数据。采用k-近邻算法填补缺失值，通过t-SNE降维验证数据分布。利用随机森林（RF）、梯度提升回归（GBR）、支持向量回归（SVR）和神经网络（NN）构建预测模型，其中NN表现最优（测试R²=0.93，RMSE=8.45%）。通过SHAP分析发现，水解时间、温度和ABC浓度是前三大正向影响因素，而PET粒径增大则显著降低转化率。

2.1. 数据集准备
通过文献挖掘提取了加热类型（常规/微波/加压）、溶剂性质（介电常数等）、催化剂特性（酸度等）等44个特征变量，标准化处理后划分训练集与测试集。

3.2. 机器学习模型开发
NN模型采用三层隐藏层结构（128-8-16神经元），经超参数优化后预测误差低于10%的数据占比达50%。特征重要性分析显示操作条件贡献度达45%，ABC的酸度（pKa）是关键物化参数。

3.3. 特征分析与模型改进
通过皮尔逊相关系数（PCC）剔除冗余特征（如ABC的摩尔质量与酸度强相关），最终保留30个特征使模型R²提升至0.93。发现水解效率与温度呈线性关系，而与时间呈对数增长趋势。

3.4. 输入特征影响解析
相转移催化剂（PTC）中阴/阳离子的分子量（MM）与电子亲和力（EA）存在拮抗效应；有机溶剂（OS）的介电常数（DC）和相对极性（RP）需协同优化。模型指导下的参数组合可降低20%反应温度而保持90%转化率。

该研究不仅建立了当前PET水解领域精度最高的预测模型，更通过可解释性分析揭示了多因素协同作用机制。值得注意的是，微波辅助加热（MH）在实验数据中未体现预期优势，可能与数据集偏重常规加热条件有关。未来需结合主动学习策略，将模型预测与实验验证形成闭环优化，推动塑料循环经济从经验驱动向数据驱动转型。论文发表于《Green Chemical Engineering》，为化工领域的智能设计提供了范式。