背景
傳統(tǒng)差式掃描量熱儀（DSC）校準長期受困于多重難題，不僅高度依賴標準物質(zhì)與操作人員的豐富經(jīng)驗，還需依賴簡化假設(shè)來規(guī)避復雜影響因素，且難以精準補償散熱、氣體流動等帶來的誤差，導致測量結(jié)果的可靠性與可重復性受限。
技術(shù)突破
近日，杭州焦耳智能科技有限公司的研發(fā)團隊為解決這一問題，聯(lián)合中國計量大學和伊朗塔比阿特莫達勒斯大學在量熱學領(lǐng)域國際期刊 《Thermochimica Acta》上發(fā)表題為 《A Machine Learning Based Calibration Method for Differential Scanning Calorimetry》的學術(shù)論文。該研究將機器學習方法引入差示掃描量熱儀（DSC）校準過程中，為熱分析實驗提供了一種全新的數(shù)據(jù)驅(qū)動校準方法。
結(jié)論及應用
本研究通過構(gòu)建融合二階理論傳熱模型與數(shù)據(jù)驅(qū)動學習的校準方法，有效補償傳統(tǒng)校準模型難以區(qū)分的復雜因素（如散熱與氣體流動），在不同實驗條件下實現(xiàn)測試池和參比池之間溫差值ΔT的高精度預測。該方法不僅顯著提升了測量結(jié)果的可靠性與可重復性，突破了傳統(tǒng)DSC校準方法對標準物質(zhì)、實驗經(jīng)驗和簡化假設(shè)的依賴，使校準過程從經(jīng)驗依賴型向數(shù)據(jù)驅(qū)動型轉(zhuǎn)變。研究結(jié)果表明，該機器學習校準方法能夠自適應地修正實驗誤差，實現(xiàn)對不同升溫速率、氣氛流速及樣品質(zhì)量條件下的精準建模。該方法的提出為熱分析儀器的定量化、智能化校準提供了新的技術(shù)路徑，也為構(gòu)建更高層次的“物理—數(shù)據(jù)融合”智能測量體系奠定了重要基礎(chǔ)。
儀器推薦
產(chǎn)品 型號 | DSC Starry | ||||
溫度 范圍（℃） | RT~ 725 | -40~ 550 | -80~ 550 | -150~550 | RT~ 550 |
冷頭 類型 | 鰭形散熱器 | 一級壓縮機 | 二級壓縮機 | 液氮制冷 | 無 |
壓力 | 常壓 | 常壓 | 常壓 | 常壓 | 高壓 |
參數(shù) | 值 |
測量原理 | 塔式熱流型 |
溫度范圍 | -150℃ ~ 725℃ |
相變溫度重現(xiàn)性 | 0.006 °C |
溫度準確度 | ±0.01 °C |
加熱掃描速率 | 0.02 ~ 300 °C/min |
冷卻掃描速率 | 0.02 ~ 50 °C/min |
程序升溫速率偏差 | 1% （ASTM E967-18） |
基線平穩(wěn)性 | 60 μW （R.T. ~ 300 °C） |
熱焓測量精度 | 0.02% （銦） |
熱流顯示分辨率 | 0.1 μW |
熱流峰峰值噪聲 | 10 μw |
熱流測量范圍 | ±750 mW |
銦峰高/半峰寬 | 25 mW/°C |
調(diào)制DSC功能 | 有 |
系統(tǒng)采樣率 | 50 Hz |
吹掃氣氛系統(tǒng) | 有 |
吹掃氣氛控制 | 流量可控 （0 ~ 300 mL/min） |
3
立即詢價
您提交后，專屬客服將第一時間為您服務