As membranas de polímero são comumente usadas na indústria para a separação de gases como CO₂ de gases de combustão e metano de gás natural. Ao longo de várias décadas, os pesquisadores vêm estudando vários polímeros para melhorar sua permeabilidade e utilidade, mas encontraram um obstáculo quando se trata de testá-los de maneira rápida e eficiente. Em uma publicação recente na revista Science Advances , UConn Professor Assistente de Engenharia Mecânica Ying Li, Universidade de Connecticut (UConn) Professor do Centenário de Engenharia Química e Biomolecular Jeff McCutcheon; pesquisadores da UConn Lei Tao, Jinlong He; e o pesquisador Jason Yang, do Instituto de Tecnologia da Califórnia, descobriram uma nova maneira inovadora de usar o aprendizado de máquina (ML) para testar e descobrir novas membranas poliméricas.
Através da investigação, os autores comentam sobre a atual abordagem Edisoniana para o design de membranas:"Nas décadas de desenvolvimento tecnológico no campo da ciência de membranas, o design de novos materiais de membrana foi e continua sendo um processo amplamente de tentativa e erro, guiado por experiência e intuição. As abordagens atuais geralmente envolvem o ajuste de grupos químicos para aumentar a afinidade e a solubilidade em relação ao gás desejado ou a incorporação de maior volume livre para aumentar a difusividade geral."

Como um método alternativo para experimentos tediosos, modelos computacionais podem ser usados ​​para prever o desempenho da membrana. No entanto, eles são muito caros ou de baixa precisão devido às aproximações simplificadas. Para resolver essa deficiência, a equipe desenvolveu uma maneira precisa de identificar novos polímeros de alto desempenho usando métodos de ML.

Usando vários recursos de impressão digital e descritores químicos fixos, a equipe usou aprendizado profundo em um pequeno conjunto de dados para vincular a química da membrana ao desempenho da membrana. Tradicionalmente, os modelos de RF (Random Forest) são conhecidos por funcionar melhor em pequenos conjuntos de dados, mas a equipe descobriu que as redes neurais profundas funcionaram bem devido ao uso de ensembling, que combina a previsão de vários modelos.

Além disso, a equipe descobriu que o modelo de ML foi capaz de descobrir milhares de polímeros com desempenho previsto para exceder o limite superior de Robeson, que é um padrão usado para definir a permeabilidade e a seletividade das membranas de separação de gás de polímero. Além disso, os polímeros descobertos com permeabilidade ultra-alta permitiriam que a indústria realizasse separações de gases com maior rendimento, mantendo um alto nível de seletividade.

Os pesquisadores resumem:"Em última análise, fornecemos à comunidade de design de membranas muitos novos candidatos a polímeros de alto desempenho e principais recursos químicos a serem considerados ao projetar suas estruturas moleculares. As lições do fluxo de trabalho demonstrado neste estudo provavelmente podem servir como um guia para outros materiais tarefas de descoberta e projeto, como membranas de polímero para dessalinização e tratamento de água, células de combustível de alta temperatura e catálise. Com a melhoria contínua das técnicas de ML e um aumento no poder de computação, esperamos que as estruturas de projeto assistidas por ML só ganhem popularidade e entregar resultados cada vez mais substanciais na descoberta de materiais para uma ampla gama de aplicações." + Explorar mais

Nova tecnologia de membrana de polímero melhora a eficiência da captura de dióxido de carbono