Meestal moesten onderzoekers die specifiek gerichte materiaaldeeltjes probeerden te synthetiseren, vertrouwen op intuïtie of op vallen en opstaan. Deze aanpak kan inefficiënt zijn en aanzienlijke investeringen in tijd en middelen vergen.

Om de dubbelzinnigheden van deze aanpak te overwinnen, hebben onderzoekers van PNNL de kracht van datawetenschap en ML-technieken benut om de syntheseontwikkeling voor ijzeroxidedeeltjes te helpen stroomlijnen. Het onderzoek is gepubliceerd in het Chemical Engineering Journal .

Hun aanpak richtte zich op twee cruciale kwesties:het identificeren van haalbare experimentele omstandigheden en het voorzien van potentiële deeltjeskarakteristieken voor een gegeven reeks synthetische parameters. Het getrainde model kan de potentiële deeltjesgrootte en fase voorspellen voor een reeks experimentele omstandigheden, en veelbelovende en haalbare syntheseparameters identificeren om te verkennen.

Deze innovatieve aanpak vertegenwoordigt een paradigmaverschuiving voor de synthese van metaaloxidedeeltjes, waardoor mogelijk aanzienlijk wordt bezuinigd op de tijd en moeite die wordt besteed aan ad hoc iteratieve synthesebenaderingen. Door het ML-model te trainen op zorgvuldige experimentele karakterisering, toonde de aanpak opmerkelijke nauwkeurigheid bij het voorspellen van ijzeroxide-resultaten op basis van synthesereactieparameters. Het zoek- en rangschikkingsalgoritme leverde plausibele reactieomstandigheden op die uit de invoerdataset konden worden onderzocht. Het onthulde ook het eerder over het hoofd geziene belang van druk die tijdens de synthese wordt uitgeoefend op de resulterende fase en deeltjesgrootte.

Meer informatie: Juejing Liu et al., Door machinaal leren ondersteunde fase- en groottegecontroleerde synthese van ijzeroxidedeeltjes, Chemical Engineering Journal (2023). DOI:10.1016/j.cej.2023.145216

Geleverd door Pacific Northwest National Laboratory