Normalmente, os pesquisadores que tentam sintetizar partículas de materiais especificamente direcionadas tiveram que confiar na intuição ou em métodos de tentativa e erro. Esta abordagem pode ser ineficiente, exigindo investimentos significativos de tempo e recursos.

Para superar as ambigüidades dessa abordagem, os pesquisadores do PNNL aproveitaram o poder da ciência de dados e das técnicas de ML para ajudar a agilizar o desenvolvimento da síntese de partículas de óxido de ferro. O estudo foi publicado no Chemical Engineering Journal .

Sua abordagem abordou duas questões fundamentais:identificar condições experimentais viáveis ​​e prever características potenciais das partículas para um determinado conjunto de parâmetros sintéticos. O modelo treinado pode prever o tamanho e a fase potencial das partículas para um conjunto de condições experimentais, identificando parâmetros de síntese promissores e viáveis ​​para explorar.

Esta abordagem inovadora representa uma mudança de paradigma para a síntese de partículas de óxido metálico, potencialmente economizando significativamente o tempo e o esforço despendidos em abordagens de síntese iterativa ad hoc. Ao treinar o modelo ML em uma caracterização experimental cuidadosa, a abordagem demonstrou notável precisão na previsão de resultados de óxido de ferro com base em parâmetros de reação de síntese. O algoritmo de busca e classificação produziu condições de reação plausíveis para explorar a partir do conjunto de dados de entrada. Também revelou a importância anteriormente negligenciada da pressão aplicada durante a síntese na fase resultante e no tamanho das partículas.

Mais informações: Juejing Liu et al, Fase assistida por aprendizado de máquina e síntese controlada por tamanho de partículas de óxido de ferro, Chemical Engineering Journal (2023). DOI:10.1016/j.cej.2023.145216
Fornecido pelo Laboratório Nacional do Noroeste do Pacífico