Os cientistas da Rice University estão usando técnicas de aprendizado de máquina para agilizar o processo de síntese de grafeno a partir de resíduos por meio de aquecimento flash Joule.
O processo descoberto há dois anos pelo laboratório Rice do químico James Tour se expandiu além da produção de grafeno a partir de várias fontes de carbono para a extração de outros materiais, como metais, de resíduos urbanos, com a promessa de uma reciclagem mais ecológica.

A técnica é a mesma para todos os itens acima:explodir um choque de alta energia através do material de origem para eliminar tudo, exceto o produto desejado. Mas os detalhes para piscar cada matéria-prima são diferentes.

Os pesquisadores descrevem em Materiais Avançados como os modelos de aprendizado de máquina que se adaptam às variáveis ​​e mostram como otimizar os procedimentos os estão ajudando a avançar.

“Algoritmos de aprendizado de máquina serão críticos para tornar o processo flash rápido e escalável sem afetar negativamente as propriedades do produto de grafeno”, disse Tour.

“Nos próximos anos, os parâmetros do flash podem variar dependendo da matéria-prima, seja à base de petróleo, carvão, plástico, lixo doméstico ou qualquer outra coisa”, disse ele. "Dependendo do tipo de grafeno que queremos - floco pequeno, floco grande, alto turboestrático, nível de pureza - a máquina pode discernir por si mesma quais parâmetros alterar."

Como o flash produz grafeno em centenas de milissegundos, é difícil desvendar os detalhes do processo químico. Então, Tour e companhia pegaram uma pista de cientistas de materiais que trabalharam o aprendizado de máquina em seu processo diário de descoberta.

“Acontece que o aprendizado de máquina e o aquecimento flash Joule tiveram uma sinergia muito boa”, disse o estudante de pós-graduação da Rice e principal autor Jacob Beckham. "O aquecimento Flash Joule é uma técnica realmente poderosa, mas é difícil controlar algumas das variáveis ​​envolvidas, como a taxa de descarga de corrente durante uma reação. E é aí que o aprendizado de máquina pode realmente brilhar. É uma ótima ferramenta para encontrar relações entre várias variáveis , mesmo quando é impossível fazer uma busca completa do espaço de parâmetros.

"Essa sinergia tornou possível sintetizar grafeno a partir de material de sucata com base inteiramente na compreensão dos modelos do processo de aquecimento Joule", disse ele. "Tudo o que tivemos que fazer foi realizar a reação - que pode eventualmente ser automatizada."

O laboratório usou seu modelo de otimização personalizado para melhorar a cristalização de grafeno a partir de quatro materiais de partida – negro de fumo, cinza de pirólise plástica, pneus de borracha pirolisada e coque – em mais de 173 testes, usando espectroscopia Raman para caracterizar os materiais de partida e produtos de grafeno.

Os pesquisadores então alimentaram o modelo com mais de 20.000 resultados de espectroscopia e pediram para prever quais materiais iniciais forneceriam o melhor rendimento de grafeno. O modelo também levou em conta os efeitos da densidade de carga, massa da amostra e tipo de material em seus cálculos. + Explorar mais

Estratégia flash de rochas de grafeno para resíduos plásticos