10月27日，科研总院（低碳院）科研团队在聚烯烃分子结构精准表征领域取得重要突破，由科研总院（低碳院）煤基化学品技术研究中心和人工智能应用与分析表征技术中心联合攻关，相关成果发表于美国化学学会权威期刊Macromolecules。该研究提出均聚物标准品结合机器学习的全新校准体系，破解了聚烯烃液相色谱-红外检测传统校准流程复杂、对标样依赖度高的行业痛点，为聚烯烃新材料开发、塑料升级回收提供高效表征手段。
聚烯烃是全球产量最大的合成高分子材料，其分子结构直接决定材料性能。高温凝胶渗透色谱法（HT-GPC）、结晶淋洗分级（CEF）、结晶淋洗法（CRYSTEX）等色谱-红外联用技术是解析聚烯烃组成分布的核心手段。传统校准需要定制一系列窄分布共聚标样，并依托昂贵的13C核磁共振进行标定，标样制备难度大，跨实验室数据重现性差，制约新材料研发与废旧塑料高值化利用。
针对上述难题，研究团队开发了无须定制共聚标样的校准方案。在稀溶液条件下，实现高信噪比IR5、IR6红外检测器共聚单体类型无关的普适校准，仅使用商用聚乙烯（PE）、聚丙烯（PP）均聚物，即可完成C3/C4/C6/C8共聚体系定量，覆盖0-333.3CH₃/1000C全测试范围。
针对CRYSTEX配套低信噪比IR4红外检测器高浓度测试时偏离朗伯-比尔定律的定量误差，团队引入KAN机器学习模型，基于PE/PP共混样本训练，校正浓度与仪器非线性带来的偏差。相比DNN、SVR模型，KAN兼具高预测精度和可解析数学表达式，适配检测器漂移、高浓度等非理想工况。
该方法已在HT-GPC、CEF、CRYSTEX三大主流平台完成验证，降低对标样与核磁设备的依赖，提升实验室间数据可比性。经过15个月长期测试，证实年度校准模式可满足工业场景使用需求，为聚烯烃新品研发、循环塑料快速检测提供实用技术支撑。
