通过Plackett-Burman筛选法和机器学习代理技术快速校准异质太阳能电池板回收材料：从实验室到工业生产的多尺度验证

《Powder Technology》：Rapid DEM calibration of heterogeneous solar panel recycling materials via Plackett-Burman screening and machine learning surrogates: Multi-scale validation from laboratory to industrial hopper

　　

Pirapat Arunyanart | Supattarachai Sudsawat

• •
  Plackett-Burman 筛选方法使 DEM（离散元方法）模拟所需的时间减少了 69%，相比同类研究有显著优势。
• •
  针对异质玻璃/硅/钢回收混合物，评估了五种机器学习（ML）替代方法。
• •
  无需参数调整即可进行多尺度验证：模拟粒子数量范围为 10^3 至 10^5 个。
• •
  校准时间减少了 96–99%：每种材料的校准时间从 408 小时缩短至不到 1 分钟。
• •
  该框架有助于实现循环经济，应对到 2050 年全球 7800 万吨光伏废料处理问题。