Polymeermembranen worden veel gebruikt in de industrie voor de scheiding van gassen zoals CO₂ uit rookgas en methaan uit aardgas. Gedurende tientallen jaren hebben onderzoekers verschillende polymeren bestudeerd om hun permeabiliteit en bruikbaarheid te verbeteren, maar hebben ze een obstakel geslagen als het erom gaat ze allemaal op een snelle en efficiënte manier te testen. In een recente publicatie in Science Advances , UConn Universitair docent werktuigbouwkunde Ying Li, Universiteit van Connecticut (UConn) Honderdjarige hoogleraar chemische en biomoleculaire engineering Jeff McCutcheon; UConn-onderzoekers Lei Tao, Jinlong He; en onderzoeker Jason Yang van het California Institute of Technology hebben een innovatieve nieuwe manier gevonden om machine learning (ML) te gebruiken om nieuwe polymeermembranen te testen en te ontdekken.

Door onderzoek merken de auteurs op de huidige Edisoniaanse benadering van membraanontwerp:"In de decennia van technologische ontwikkeling op het gebied van membraanwetenschap was en blijft het ontwerpen van nieuwe membraanmaterialen een grotendeels trial-and-error-proces, geleid door ervaring en intuïtie. Huidige benaderingen omvatten over het algemeen het afstemmen van chemische groepen om de affiniteit en oplosbaarheid voor het gewenste gas te vergroten of het opnemen van een groter vrij volume om de algehele diffusie te vergroten."

Als alternatieve methode voor vervelende experimenten kunnen computermodellen worden gebruikt om membraanprestaties te voorspellen. Ze zijn echter ofwel te duur, ofwel lage nauwkeurigheid veroorzaakt door de vereenvoudigde benaderingen. Om deze tekortkoming aan te pakken, ontwikkelde het team een ​​nauwkeurige manier om nieuwe, goed presterende polymeren te identificeren met behulp van ML-methoden.

Met behulp van meerdere vingerafdrukfuncties en vaste chemische descriptoren gebruikte het team deep learning op een kleine dataset om membraanchemie te koppelen aan membraanprestaties. Traditioneel is bekend dat RF-modellen (Random Forest) het beste werken op kleine datasets, maar het team ontdekte dat diepe neurale netwerken goed werkten vanwege het gebruik van ensembling, dat voorspelling van meerdere modellen combineert.

Verder ontdekte het team dat het ML-model in staat was duizenden polymeren te ontdekken waarvan de prestaties naar verwachting de bovengrens van Robeson zouden overschrijden, wat een standaard is die wordt gebruikt om de wisselwerking tussen permeabiliteit en selectiviteit voor polymeergasscheidingsmembranen te definiëren. Bovendien zouden ontdekte polymeren met ultrahoge permeabiliteit de industrie in staat stellen gasscheidingen uit te voeren met een hogere doorvoer, terwijl een hoge mate van selectiviteit behouden blijft.

De onderzoekers vatten samen:"Uiteindelijk bieden we de membraanontwerpgemeenschap veel nieuwe hoogwaardige polymeerkandidaten en belangrijke chemische kenmerken waarmee rekening moet worden gehouden bij het ontwerpen van hun moleculaire structuren. Lessen uit de workflow die in dit onderzoek zijn aangetoond, kunnen waarschijnlijk als richtlijn dienen voor andere materialen ontdekkings- en ontwerptaken, zoals polymeermembranen voor ontzilting en waterbehandeling, hoge-temperatuurbrandstofcellen en katalyse Met de voortdurende verbetering van ML-technieken en een toename van rekenkracht, verwachten we dat ML-ondersteunde ontwerpkaders alleen maar aan populariteit zullen winnen en steeds substantiëlere resultaten opleveren bij het ontdekken van materialen voor een breed scala aan toepassingen." + Verder verkennen

Nieuwe technologie voor polymeermembraan verbetert de efficiëntie van het afvangen van kooldioxide