更新时间：2025-12-10
点击次数：35
背景
传统差式扫描量热仪（DSC）校准长期受困于多重难题，不仅高度依赖标准物质与操作人员的丰富经验，还需依赖简化假设来规避复杂影响因素，且难以精准补偿散热、气体流动等带来的误差，导致测量结果的可靠性与可重复性受限。
技术突破
近日，杭州焦耳智能科技有限公司的研发团队为解决这一问题，联合中国计量大学和伊朗塔比阿特莫达勒斯大学在量热学领域国际期刊 《Thermochimica Acta》上发表题为 《A Machine Learning Based Calibration Method for Differential Scanning Calorimetry》的学术论文。该研究将机器学习方法引入差示扫描量热仪（DSC）校准过程中，为热分析实验提供了一种全新的数据驱动校准方法。
结论及应用
本研究通过构建融合二阶理论传热模型与数据驱动学习的校准方法，有效补偿传统校准模型难以区分的复杂因素（如散热与气体流动），在不同实验条件下实现测试池和参比池之间温差值ΔT的高精度预测。该方法不仅显著提升了测量结果的可靠性与可重复性，突破了传统DSC校准方法对标准物质、实验经验和简化假设的依赖，使校准过程从经验依赖型向数据驱动型转变。研究结果表明，该机器学习校准方法能够自适应地修正实验误差，实现对不同升温速率、气氛流速及样品质量条件下的精准建模。该方法的提出为热分析仪器的定量化、智能化校准提供了新的技术路径，也为构建更高层次的“物理—数据融合”智能测量体系奠定了重要基础。
仪器推荐
产品 型号 | DSC Starry | ||||
温度 范围（℃） | RT~ 725 | -40~ 550 | -80~ 550 | -150~550 | RT~ 550 |
冷头 类型 | 鳍形散热器 | 一级压缩机 | 二级压缩机 | 液氮制冷 | 无 |
压力 | 常压 | 常压 | 常压 | 常压 | 高压 |
参数 | 值 |
测量原理 | 塔式热流型 |
温度范围 | -150℃ ~ 725℃ |
相变温度重现性 | 0.006 °C |
温度准确度 | ±0.01 °C |
加热扫描速率 | 0.02 ~ 300 °C/min |
冷却扫描速率 | 0.02 ~ 50 °C/min |
程序升温速率偏差 | 1% （ASTM E967-18） |
基线平稳性 | 60 μW （R.T. ~ 300 °C） |
热焓测量精度 | 0.02% （铟） |
热流显示分辨率 | 0.1 μW |
热流峰峰值噪声 | 10 μw |
热流测量范围 | ±750 mW |
铟峰高/半峰宽 | 25 mW/°C |
调制DSC功能 | 有 |
系统采样率 | 50 Hz |
吹扫气氛系统 | 有 |
吹扫气氛控制 | 流量可控 （0 ~ 300 mL/min） |
当前位置：
上一个：
返回列表
