Publication
Green solvents and AI-driven models for recycling 3D printing waste
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 03:Saúde de Qualidade | |
| dc.contributor.advisor | Abranches , Dinis Oliveira | |
| dc.contributor.advisor | Ferreira , Olga | |
| dc.contributor.advisor | Patrício, Patrícia Santiago de Oliveira | |
| dc.contributor.author | Costa, Samuel Felipe Martins | |
| dc.date.accessioned | 2025-11-12T16:22:43Z | |
| dc.date.available | 2025-11-12T16:22:43Z | |
| dc.date.issued | 2025 | |
| dc.date.submitted | 2025 | |
| dc.description | Mestrado de dupla diplomação com o Centro Federal de Educação Tecnológica de Minas Gerais – CEFET-MG | |
| dc.description.abstract | The increasing adoption of 3D printing, particularly using polylactic acid (PLA), has led to a significant rise in plastic waste, calling for the development of sustainable recycling solutions. Among recycling approaches, the physical method is gaining more space, especially with advances in the use of green solvents. Therefore, this study examines the application of green solvents and artificial intelligence (AI)-driven models for the dissolution and recovery of PLA from 3D printing waste. In particular, the research focuses on identifying environmentally friendly solvents, based on qualitative PLA dissolution data, using machine learning (ML) techniques to find and predict the best solvents for dissolving PLA while minimizing contamination from additives and other polymers. Among the solvents initially investigated, dimethylformamide (DMF), chloroform (CLFM), dimethyl carbonate (DC), and isosorbide dimethyl (IDE) achieved complete dissolution of PLA after 24 h at 50 °C. Dissolution behavior was further examined above and below the PLA glass transition temperature (Tg = 55 - 60 °C), with only ethyl acetate (EtAce) changing from a poor solvent to a good solvent with increasing temperature. The Hansen Solubility Parameters (HSP) and the infinite dilution activity coefficients (γ∞) predicted by COSMO-RS were employed to rationalize the dissolution behavior, showing unsatisfactory discrimination between good and poor solvents. Subsequently, ML models were applied to the experimental dataset to identify additional suitable solvents. The results demonstrated excellent predictive performance, correctly classifying good and poor solvents for PLA and identifying new good solvents as acetonitrile (ACN), methyl acetate (MeAce), and dichloromethane (DCM). Overall, by integrating solvent-based recycling with AI-driven optimization, this work showed potential solvents to enhance the circular economy of PLA-based materials, promoting more sustainable and effective waste management practices. | por |
| dc.description.abstract | A crescente adoção da impressão 3D, particularmente usando poli(ácido lático) (PLA), levou a um aumento significativo de resíduos plásticos, exigindo o desenvolvimento de soluções de reciclagem sustentáveis. Entre as abordagens de reciclagem, o método físico está ganhando mais espaço, especialmente com os avanços no uso de solventes verdes. Portanto, este estudo examina a aplicação de solventes verdes e modelos baseados em inteligência artificial (IA) para a dissolução e recuperação de PLA de resíduos de impressão 3D. Em particular, a pesquisa se concentra na identificação de solventes ecologicamente corretos, com base em dados qualitativos de dissolução de PLA, usando técnicas de aprendizado de máquina (ML) para encontrar e prever os melhores solventes para dissolver PLA, minimizando a contaminação por aditivos e outros polímeros. Entre os solventes inicialmente investigados, dimetilformamida (DMF), clorofórmio (CLFM), carbonato de dimetila (DC) e dimetil isossorbida (IDE) alcançaram dissolução completa do PLA após 24 h a 50 °C. O comportamento de dissolução foi examinado mais detalhadamente acima e abaixo da temperatura de transição vítrea do PLA (Tg = 55 - 60 °C), com apenas o acetato de etila (EtAce) mudando de um solvente ruim para um bom solvente com o aumento da temperatura. Os Parâmetros de Solubilidade de Hansen (HSP) e os coeficientes de atividade de diluição infinita (γ∞) previstos pelo COSMO-RS foram empregados para racionalizar o comportamento de dissolução, mostrando discriminação insatisfatória entre solventes bons e ruins. Posteriormente, modelos de ML foram aplicados ao conjunto de dados experimentais para identificar solventes adequados adicionais. Os resultados demonstraram excelente desempenho preditivo, classificando corretamente solventes bons e ruins para PLA e identificando novos solventes bons como acetonitrila (ACN), acetato de metila (MeAce) e diclorometano (DCM). No geral, ao integrar a reciclagem baseada em solvente com a otimização orientada por IA, este trabalho mostrou solventes potenciais para aprimorar a economia circular de materiais baseados em PLA, promovendo práticas de gerenciamento de resíduos mais sustentáveis e eficazes. | por |
| dc.identifier.tid | 204048281 | |
| dc.identifier.uri | http://hdl.handle.net/10198/35057 | |
| dc.language.iso | eng | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | 3D Printing waste | |
| dc.subject | Polylactic acid | |
| dc.subject | Recycling | |
| dc.subject | Green solvents | |
| dc.subject | Machine learning | |
| dc.title | Green solvents and AI-driven models for recycling 3D printing waste | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Dissertação de mestrado em Engenharia Química |