更新時間：2025-12-10
點擊次數：307
背景
傳統差式掃描量熱儀（DSC）校準長期受困于多重難題，不僅高度依賴標準物質與操作人員的豐富經驗，還需依賴簡化假設來規避復雜影響因素，且難以精準補償散熱、氣體流動等帶來的誤差，導致測量結果的可靠性與可重復性受限。
技術突破
近日，杭州焦耳智能科技有限公司的研發團隊為解決這一問題，聯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域國際期刊 《Thermochimica Acta》上發表題為 《A Machine Learning Based Calibration Method for Differential Scanning Calorimetry》的學術論文。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據驅動校準方法。
結論及應用
本研究通過構建融合二階理論傳熱模型與數據驅動學習的校準方法，有效補償傳統校準模型難以區分的復雜因素（如散熱與氣體流動），在不同實驗條件下實現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果的可靠性與可重復性，突破了傳統DSC校準方法對標準物質、實驗經驗和簡化假設的依賴，使校準過程從經驗依賴型向數據驅動型轉變。研究結果表明，該機器學習校準方法能夠自適應地修正實驗誤差，實現對不同升溫速率、氣氛流速及樣品質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路徑，也為構建更高層次的“物理—數據融合”智能測量體系奠定了重要基礎。
儀器推薦
產品 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 | 值 |
測量原理 | 塔式熱流型 |
溫度范圍 | -150℃ ~ 725℃ |
相變溫度重現性 | 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 |
調制DSC功能 | 有 |
系統采樣率 | 50 Hz |
吹掃氣氛系統 | 有 |
吹掃氣氛控制 | 流量可控 （0 ~ 300 mL/min） |
當前位置：
上一個：
返回列表
