MétaCan
Menu
Back to cohort
Record W7019058664

Formulation, caractérisation et optimisation de mélanges à base de polyéthylènes recyclés

2024· dissertation· fr· W7019058664 on OpenAlexfundaboutno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2024
Typedissertation
Languagefr
FieldMaterials Science
TopicPolymer crystallization and properties
Canadian institutionsnot available
FundersMitacs
KeywordsContext (archaeology)Rail transportationLimiting
DOInot available

Abstract

fetched live from OpenAlex

Le plastique est l’un des matériaux les plus utilisés dans notre quotidien grâce à ses propriétés exceptionnelles. Malheureusement, face à l’évolution industrielle et à la pandémie de la COVID-19, la consommation des produits en plastique tels que les emballages jetables, les équipements de protection individuelle (des masques, gants, etc.) a augmenté significativement, ce qui a influencé le taux des déchets plastiques. De plus, après la décision de la Chine en été 2017 de diminuer l’importation des matières recyclables, plusieurs pays comme le Canada ont décidé de faire face à ce fléau en développent de nouveaux débouchés locaux afin de gérer et revaloriser les déchets plastiques. C’est dans ce contexte, que s’inscrit ce projet doctoral en partenariat avec Soleno Inc. qui vise à développer des formulations à base de différents types de Polyéthylène (PE) recyclé destinées à la fabrication des tuyaux, et qui répondent aux normes de la normalisation du bureau du Québec (BNQ).
\nL’objectif primordial de cette thèse de doctorat est de développer de nouvelles formulations de PE recyclé via le procédé d’extrusion tout en optimisant les paramètres du procédé et améliorant les propriétés thermomécaniques de la résine recyclée. Afin de répondre à cette problématique, une méthodologie de travail a été mise en place visant en premier lieu la réalisation d’une charte de matière permettant de catégoriser les différentes matières recyclées reçues des centres de recyclage, selon leurs propriétés intrinsèques (rigidité, fluidité, température de fusion…). Ces matières plastiques qui proviennent de sacs plastiques recyclés, sont constituées de polyéthylène basse densité (LDPE) et de polyéthylène basse densité linéaire (LLDPE). Ensuite, ces matières ont été testées sur des mélanges de polyéthylène haute densité (HDPE) et de polyéthylène à hautes masses moléculaires (HMWPE) recyclé par extrudeuse bi-vis, pour évaluer leurs propriétés thermomécaniques. 
\nEn second lieu, le développement de nouvelles formulations a été réalisé en testant plusieurs types d’additifs (antioxydants, charges, noir de carbone, compatibilisants, etc.) selon le ou les propriétés qu’on envisage améliorer. L’évaluation de l’effet de chaque type d’additif sur les mélanges de PE recyclés est effectuée par la caractérisation thermique (calorimétrie différentielle à balayage (DSC), mesures du temps d'induction oxydative (OIT)), la caractérisation mécanique (tests de traction et flexion, résistance à la propagation de fissures, résistance à l’impact, etc.) et la caractérisation rhéologique (indice de fluidité).
\nLa campagne expérimentale consiste à réaliser des tests d’extrusion à petite échelle (laboratoire), ensuite à grande échelle (industrie). Les tests préliminaires au laboratoire ont permis d’analyser le comportement thermomécanique des matières plastiques recyclées, et de maitriser les paramètres optimaux du procédé d’extrusion pour chaque type de matières, ce qui a facilité la tâche suivante qui consiste à valider les formulations optimales à l’échelle industrielle sur des mélanges destinés à la fabrication des tuyaux. 
\nLes résultats obtenus sont prometteurs et montrent que l’ajout des additifs améliorent les propriétés thermomécaniques des mélanges de PE recyclé qui s’approchent de celles des mélanges à base de PE vierge. La revalorisation des déchets plastiques post-consommation peut contribuer à la réduction de l’empreinte environnementale de ces derniers et à la diminution de l’enfouissement.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.071
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.000
Scholarly communication0.0000.001
Open science0.0010.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.018
GPT teacher head0.234
Teacher spread0.216 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2024
Admission routes2
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)Same topicPolymer crystallization and propertiesFrench-language works237,207