Micro-ingekapseld CO ₂ sorptiemiddelen (MECS)—klein, herbruikbare capsules vol met een natriumcarbonaatoplossing die koolstofdioxide uit de lucht kan absorberen - zijn een veelbelovende technologie om koolstof uit de atmosfeer op te vangen. Om de kaviaarachtige objecten te maken, wetenschappers laten drie vloeistoffen door een reeks microfluïdische componenten lopen om druppels te creëren die in capsules veranderen wanneer ze stroomafwaarts worden blootgesteld aan ultraviolet licht. Echter, vloeistofeigenschappen en stroomsnelheden kunnen tijdens experimenten veranderen. Deze veranderingen kunnen leiden tot capsules die defect zijn, onjuiste maat of anderszins onbruikbaar, resulterend in verstopping van het apparaat, besmette monsters en tijdverspilling.

Daten, dit proces van het maken van microcapsules vereist constante monitoring, een alledaagse taak voor operators. Maar wetenschappers van het Lawrence Livermore National Laboratory (LLNL) hebben ontdekt dat ze machine learning kunnen gebruiken om de kwaliteitscontrole van micro-inkapseling in realtime te automatiseren, een algoritme bedenken om "goede" capsules van "slechte" te onderscheiden en een op kleppen gebaseerd mechanisme ontwikkelen dat ze kan sorteren zonder menselijke tussenkomst. Het onderzoek werd op 15 april gepubliceerd in het tijdschrift Lab op een chip .

Wetenschappers van LLNL zeiden dat het op afbeeldingen gebaseerde machine learning-algoritme probleemcapsules kan detecteren en tot 40 keer per seconde een reactie kan veroorzaken. het elimineren van de monotone taak van het controleren van de productie van microcapsules, besparen op verspild materiaal. Verder, deze mogelijkheden zouden moeten worden vertaald naar andere toepassingen voor microcapsules die verder gaan dan het afvangen van koolstof, zoals medicijnen, cosmetica of levensmiddelenadditieven.

"Bij het maken van capsules voor het afvangen van koolstof, [operators] moeten het proces begeleiden terwijl ze andere taken voor een experiment uitvoeren. Als iets het proces verstoort terwijl ze het niet controleren, dat is tijd en product verloren, "Zei LLNL-ingenieur en projecthoofdonderzoeker Brian Giera. "Het probleem was duidelijk omdat iedereen klaagt over het moeten doen van het monitoringgedeelte, dus we wilden gewoon helpen om de mens uit de lus te halen."

Voor een beproefd experiment, deze ongelukken gebeuren niet vaak, zo laag als minder dan 1 procent van de tijd. Maar als ze zich voordoen, ze kunnen schadelijk zijn, zelfs leidend tot een catastrofale verstoring van het experiment. Operators kunnen veranderingen in vloeistofeigenschappen voorspellen, maar er zijn ook willekeurige factoren die een experiment kunnen beïnvloeden, zoals onzuiverheden in de vloeistoffen of ingesloten kleine luchtbellen. Hoe dan ook, het vereist altijd constante monitoring van het proces om onmiddellijk menselijk ingrijpen te garanderen wanneer deze "slechte" scenario's zich voordoen.

Over het algemeen, micro-inkapselingsapparaten worden onder een microscoop geplaatst en kunnen digitaal worden afgebeeld, Giera zei, zodat onderzoekers gemakkelijk toegang hadden tot afbeeldingen van hoge kwaliteit van het proces. Giera doorzocht 70, 000 afbeeldingen, elk label in vier categorieën:druppeltjes die duidelijk en goed gedefinieerd waren; die het apparaat kunnen verstoppen en beschadigen; defecte capsules; en capsules die kunnen barsten of breken. De mede-hoofdauteur van de krant, LLNL-onderzoeker Albert Chu, de dataset uitgebreid door elke afbeelding te wijzigen volgens typisch waargenomen experimentele variaties, bijv. scherpstellen, rotatie en helderheid van de beelden, om de dataset uit te breiden tot 6 miljoen afbeeldingen.

Onderzoekers trainden vervolgens het machine learning-algoritme op de augmented dataset, resulterend in een zeer nauwkeurig en robuust voorspellend model, en LLNL-onderzoeker en co-hoofdauteur Du Nguyen creëerde een aangepast, achteraf aangebracht sorteerapparaat met kleppen die aan en uit konden worden gedraaid om de stroom om te leiden, en kon de "slechte" microcapsules met een nauwkeurigheid van meer dan 95 procent weggooien. Nguyen zei dat het combineren van het algoritme met een sorteerapparaat uiteindelijk een beetje moeilijker was dan op het eerste gezicht.

"Er waren een behoorlijk aantal extra porties waar we geen rekening mee hadden gehouden, " zei Nguyen. "Nadat de druppeltjes zijn gevormd, het kost tijd (ongeveer 30 seconden) voordat ze bij de klep zelf zijn, en wanneer de kleppen werken is er een verandering in de druk die optreedt, te. Het algoritme detecteert wat er wordt gevormd, maar er zijn ook extra delen in het besturingsaspect. We moesten samenwerken om het algoritme te implementeren in een realistische besturingsopstelling."

Nguyen zei dat het apparaat achteraf kan worden ingebouwd in bestaande micro-inkapselingsopstellingen en verder kan worden ontwikkeld om de tijd die de capsule nodig heeft om naar de klep te reizen, te verminderen en drukveranderingen veroorzaakt door de kleppen te compenseren voor een nog betere controle. Nguyen zei naast het toepassen op parallelle microfluïdica, waar het onderzoekers in staat zou kunnen stellen om meerdere kanalen tegelijk te analyseren, het zou onderzoekers kunnen helpen een nieuwe materiële ruimte voor de capsules te verkennen.

"Een deel van wat we eerder deden, was het vinden van de juiste materialen en manieren om het op te zetten, zodat we het niet constant hoeven te controleren, "Zei Nguyen. "Onze bedoeling met machine learning is dat we nu misschien verschillende materialen kunnen gebruiken die niet per se even stabiel zijn en het algoritme gebruiken om het voor ons uit te zoeken."

Hoewel het werk een "succesvolle eerste demonstratie" is van het toepassen van een machine learning-benadering op micro-inkapseling, Giera zei, onderzoekers willen de technologie gebruiksvriendelijker maken, misschien het toevoegen van een grafische gebruikersinterface. Zoals het er nu voor staat, het systeem kan sms-berichten verzenden die de operator kunnen waarschuwen voor een probleem met het productieproces dat moet worden aangepakt. Eventueel, ze willen ook experimenteren met meer geoptimaliseerde kleppen die zouden resulteren in snellere schakeltijden. Hun uiteindelijke visie is om een ​​op zichzelf staand machine learning-besturingssysteem te ontwikkelen dat het proces rechtzet zonder menselijke tussenkomst.

Giera zei dat het gebruik van een machine learning-algoritme om microcapsules in realtime te monitoren en te sorteren, ingenieurs zou kunnen helpen een grote wegversperring te overwinnen bij het opschalen van microfluïdische systemen - het beheren van onvoorspelbare afwijkingen in de vloeistofstroom die optreden als gevolg van verstoppingen, deeltjes en bellen en past de stroomsnelheden voorspellend aan op basis van een verandering in vloeistofeigenschappen.

"We denken met op microfluïdische druppels gebaseerde gevallen, vooral met de sterk geparallelliseerde versie hiervan, machine learning staat hierbij centraal, Giera zei. "Het is moeilijk om deze op onderzoek gebaseerde microfluïdische systemen op een productieschaal te laten werken zoals het Lab vereist. We voelen dat de kans rijp is voor monitoring, en de controlegedeelten van monitoring en respons zouden het moeilijkste zijn, dat zou toepassingsspecifiek zijn."