CO microencapsulado ₂ sorventes (MECS) - minúsculos, cápsulas reutilizáveis ​​cheias de uma solução de carbonato de sódio que pode absorver dióxido de carbono do ar - são uma tecnologia promissora para capturar carbono da atmosfera. Para criar os objetos semelhantes ao caviar, os cientistas executam três fluidos através de uma série de componentes microfluídicos para criar gotas que se transformam em cápsulas quando expostas à luz ultravioleta rio abaixo. Contudo, as propriedades dos fluidos e as taxas de fluxo podem mudar durante os experimentos. Essas alterações podem levar a cápsulas com defeito, de tamanho impróprio ou inutilizável, resultando em entupimento do dispositivo, amostras contaminadas e tempo perdido.

A data, este processo de criação de microcápsulas requer monitoramento constante, uma tarefa mundana para os operadores. Mas os cientistas do Lawrence Livermore National Laboratory (LLNL) descobriram que podem usar o aprendizado de máquina para automatizar o controle de qualidade da microencapsulação em tempo real, desenvolver um algoritmo para determinar cápsulas "boas" de "ruins" e desenvolver um mecanismo baseado em válvula que pode separá-las sem intervenção humana. A pesquisa foi publicada em 15 de abril na revista. Lab on a Chip .

Cientistas do LLNL disseram que o algoritmo de aprendizado de máquina baseado em imagem pode detectar cápsulas com problemas e acionar uma resposta de até 40 vezes por segundo, eliminando a tarefa monótona de monitorar a fabricação de microcápsulas, economia de material desperdiçado. Além disso, esses recursos devem se traduzir em outras aplicações para microcápsulas além da captura de carbono, como remédios, cosméticos ou aditivos alimentares.

“Ao fazer cápsulas para captura de carbono, [operadores] têm que cuidar do processo enquanto gerenciam outras tarefas para um experimento. Se algo interromper o processo enquanto eles não estão monitorando, isso é tempo e produto perdidos, "disse o engenheiro do LLNL e investigador principal do projeto Brian Giera." O problema era evidente porque todos reclamam de ter que fazer a parte de monitoramento, então nós só queríamos ajudar a tirar o humano do circuito. "

Para um experimento bem estabelecido, esses contratempos acontecem com pouca frequência, tão baixo quanto menos de 1 por cento do tempo. Mas quando eles ocorrem, eles podem ser prejudiciais, mesmo levando a uma interrupção catastrófica do experimento. Os operadores podem prever mudanças nas propriedades dos fluidos, mas também existem fatores aleatórios que podem afetar um experimento, como impurezas nos fluidos ou pequenas bolhas de ar presas. De qualquer jeito, sempre requer monitoramento constante do processo para garantir a intervenção humana imediata quando esses cenários "ruins" acontecem.

Geralmente, dispositivos de microencapsulação são colocados sob um microscópio e podem ter imagens digitalmente, Giera disse, para que os pesquisadores tivessem acesso imediato a imagens de alta qualidade do processo. Giera examinou 70, 000 imagens, rotulando cada um em quatro categorias:gotas que eram claras e bem definidas; aqueles que podem obstruir e danificar o dispositivo; cápsulas defeituosas; e cápsulas que podem estourar ou quebrar. O co-autor principal do artigo, Albert Chu, pesquisador do LLNL, aumentou o conjunto de dados alterando cada imagem de acordo com variações experimentais tipicamente vistas, por exemplo. ajustando o foco, rotação e brilho das imagens, para expandir o conjunto de dados para 6 milhões de imagens.

Os pesquisadores então treinaram o algoritmo de aprendizado de máquina no conjunto de dados aumentado, resultando em um modelo preditivo robusto e altamente preciso, e o pesquisador e co-autor do LLNL, Du Nguyen, criou um dispositivo de classificação adaptado e personalizado com válvulas que ligam e desligam para redirecionar o fluxo, e poderia descartar as microcápsulas "ruins" com mais de 95 por cento de precisão. Nguyen disse que combinar o algoritmo com um dispositivo de classificação acabou sendo um pouco mais difícil do que à primeira vista.

"Havia um bom número de porções extras que não consideramos, "Nguyen disse." Depois que as gotas se formarem, leva tempo (cerca de 30 segundos) para eles chegarem à própria válvula, e quando as válvulas operam, há uma mudança nas pressões que ocorrem, também. O algoritmo detecta o que está sendo formado, mas também há partes adicionais no aspecto de controle. Tivemos que trabalhar juntos para implementar o algoritmo em uma configuração de controle realista. "

Nguyen disse que o dispositivo pode ser adaptado em configurações de microencapsulamento existentes e desenvolvido para reduzir o tempo que leva para a cápsula se deslocar até a válvula e compensar as mudanças de pressão causadas pelas válvulas para um controle ainda melhor. Nguyen disse, além de aplicar à microfluídica paralelizada, onde pode permitir que os pesquisadores analisem vários canais simultaneamente, poderia ajudar os pesquisadores a explorar um novo espaço material para as cápsulas.

"Parte do que estávamos fazendo antes era encontrar os materiais e as maneiras certas de configurá-lo para não termos que monitorá-lo constantemente, "Nguyen disse." Nossa intenção com o aprendizado de máquina é que agora talvez possamos usar diferentes materiais que não são necessariamente tão estáveis ​​e usar o algoritmo para resolver isso para nós. "

Embora o trabalho represente uma "primeira demonstração bem-sucedida" da aplicação de uma abordagem de aprendizado de máquina à microencapsulação, Giera disse, pesquisadores gostariam de tornar a tecnologia mais amigável, talvez adicionando uma interface gráfica do usuário. Como está agora, o sistema pode enviar mensagens de texto que podem alertar o operador sobre um problema com o processo de fabricação que precisa ser resolvido. Eventualmente, eles também desejam experimentar válvulas mais otimizadas que resultariam em tempos de troca mais rápidos. Sua visão final é desenvolver um sistema de controle de aprendizado de máquina independente que retifique o processo sem a necessidade de intervenção humana.

Giera disse que usar um algoritmo de aprendizado de máquina para fazer monitoramento em tempo real e classificação de microcápsulas pode ajudar os engenheiros a superar um grande obstáculo na ampliação de sistemas microfluídicos - gerenciar anormalidades imprevisíveis no fluxo de fluido que surgem devido a obstruções, partículas e bolhas e ajustar de forma preditiva as taxas de fluxo com base em uma mudança nas propriedades do fluido.

"Pensamos com casos baseados em gotículas microfluídicas, especialmente com a versão altamente paralelizada disso, o aprendizado de máquina será fundamental para isso, "Giera disse." É árduo fazer com que esses sistemas microfluídicos baseados em pesquisa funcionem em uma escala de produção como o laboratório exige. Sentimos que a oportunidade está madura para o monitoramento, e as porções de controle de monitoramento e resposta seriam a parte difícil, isso seria específico do aplicativo. "