Optimisation d’une ligne innovante de décontamination du Polyéthylène post-consommation
Bibliographic record
Abstract
Le recyclage mécanique est l’une des techniques les plus utilisées pour revaloriser le Polyéthylène (PE) post-consommation. Cependant, cette technique est confrontée à divers défis liés, d’une part, à la présence de contaminants polymériques et d’impuretés dans la résine, et, d'autre part, à la dégradation des chaînes polymériques du plastique au cours du procédé d’extrusion. C’est dans ce contexte que s’inscrit la présente thèse, qui vise à optimiser le fonctionnement d’une ligne industrielle de décontamination, composée de deux extrudeuses mono et bi-vis ainsi qu’un système de filtration, sans compromettre les propriétés thermomécaniques du Polyéthylène (PE) recyclé. Pour ce faire, les paramètres ajustables ayant un impact sur les propriétés mécaniques ont été identifiés, et la méthode de plan d’expériences Taguchi couplée avec l’Analyse Relationnel Grise (ARG) a été utilisée pour déterminer la configuration optimale et les relations entre les paramètres de la ligne et les propriétés mécaniques recherchées telles que la résistance à la propagation de fissure (SCR), la résistance à l’impact (Impact IZOD) la rigidité en flexion. Les résultats montrent que le profil et la vitesse de rotation des vis des deux extrudeuses sont les paramètres qui influencent le plus les propriétés mécaniques du PE recyclé. Par ailleurs, l’ajout d’additifs tels qu’un antioxydant, du noir de carbone, et un compatibilisant ont permis d’améliorer la résistance à l’oxydation et d’augmenter le taux de cristallinité, et la résistance à la propagation de fissure des mélanges recyclés.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".