Polimerlerin organik solventlerle çözülmesi; polimer sentezi, rafine etme, boyama ve kaplama dahil olmak üzere polimerik malzemelerin araştırılması ve geliştirilmesinde temel süreçtir. Plastik atıkların geri dönüştürülmesi, malzeme geliştirme süreçlerinde ortaya çıkan karbonun azaltılması için her zamankinden daha fazla önem taşımaktadır.
Bu örnekte polimerler, etkili bir şekilde çözünebilmeleri ve dolayısıyla geri dönüştürülebilir hale gelebilmeleri için belirli solventlere ihtiyaç duyan plastikler ve plastik benzeri malzemeler anlamına gelmektedir ancak bu göründüğü kadar kolay değildir. Mitsubishi Chemical Group’un (MCG) kuantum kimyası hesaplamaları veri bankasını kullanan bilim insanları, herhangi bir polimerin solvent adaylarıyla karışabilirliğini belirlemek için χ (chi) parametreleri olarak adlandırılan yeni bir makine öğrenme sistemi geliştirdi.
Bu sistem, bilim insanlarının, yüksek verimli kuantum kimyası hesaplamaları kullanılarak bilgisayar deneylerinden üretilen büyük verileri entegre ederek, polimer-solvent karışabilirliğine ilişkin sınırlı miktarda deneysel veriden kaynaklanan sınırlamaların üstesinden gelmelerini sağlamıştır.
Araştırmacılar çalışmalarını Macromolecules dergisinde yayımladı.
Kuantum kimya hesaplamaları ve gerçek deneylerden elde edilen iki farklı veri setini bütünsel olarak işleyerek, araştırmacılar multitask learning adı verilen bir metodolojik çerçeve içinde, herhangi bir polimer-solvent karışım sisteminin karışabilirliğini son derece yüksek doğrulukla öngörebilen bir model oluşturmayı başarmışlardır.
Bu model, farklı plastik türlerinin karışımından oluşan plastik atığa seçici olarak sadece belirli materyalleri ayırmak için eklenen solvent molekülleri seçmek ve tasarlamak için kullanılabilir. Bu tasarlanmış solventler aynı zamanda yüksek performanslı polimer karışımları oluşturmak için “karışabilirleştiriciler” olarak da kullanılır.
Çalışmanın yazarı ve araştırmacısı Ryo Yoshida “Özellikle son yıllarda, karbon emisyonlarından arındırılmış toplumlara doğru hızla ilerlerken, atık plastik kaynaklarının geri dönüştürülmesi için teknolojik yeniliklere olan beklentiler hızla artmaktadır. Çeşitli polimer tipleri için karışabilirleştiricilerin geliştirilmesi, atık plastiklerin geri dönüşüm oranlarını artırmak için temel olacaktır,” dedi.
Araştırmacılar tarafından geliştirilen tahmin modeli, χ parametrelerini geleneksel kuantum kimyası hesaplamalarından yaklaşık 40 kat daha hızlı hesaplayabiliyor. Bu model kullanılarak, milyonlarca büyüklükteki aday solvent molekülünün taranması ultra yüksek hızda gerçekleştirilebilir.
Şimdiye kadar model, polimer ve solventi uygun bir şekilde geri dönüşüme uygun homojen bir karışım haline getirmek için neyin gerekli olduğunu bulma konusunda doğru olduğunu kanıtladı ve uygun geri dönüşüm yöntemine uygun karışabilir bir madde yaratma konusundaki birçok tahmin işini ve deneme yanılma yöntemini ortadan kaldırdı.
Ancak her yeni ve gelişmekte olan teknolojide, büyük ölçekli kullanıma gerçekten hazır olmadan önce süreci kolaylaştırmak ve pürüzleri gidermek için her zaman yapılabilecek bazı çalışmalar vardır.
Yoshida, “Makine öğrenimi tekniklerini daha da geliştirmek ve genişletmek ve malzeme enformatiği alanında açık inovasyonu ve açık bilimi teşvik etmek amacıyla, geliştirilen kaynak kodunun ve verilerin bir kısmını kamuya açık hale getirdik” dedi.
Modelin, bir polimerin karışabilirliğinin moleküler ağırlığına veya diğer bileşimsel özelliklerine bağımlılığını belirleme kapasitesinin olmaması bazı sınırlamalardır ancak verilerin ve kaynak kodun bazı bölümlerinin halka açılması, modelin kullanabileceği veri setini artırabilir ve bu bilgileri almasına ve bir polimerin gerçek karışabilirliğini daha iyi temsil etmek için daha fazla şey öğrenmesine olanak tanıyabilir. Açık inovasyon ve kitle kaynaklı veriler, nispeten kısa bir süre içinde çok fazla veri elde etmek için son derece yararlı olabilir.
Polimer karışabilirliğini tahmin etme ve anlama becerisi, malzeme geliştirme ve toplumumuz plastik bazlı malzemelerden uzaklaştıkça atık plastikleri akıllıca geri dönüştürme ihtiyacının devam etmesi söz konusu olduğunda gelecekteki teknolojide önemli bir yenilik olabilir. [1]“Machine learning reveals how to dissolve polymeric materials in organic solvents” yazısından çevrilmiştir.[2]Öne çıkan görsel
[cite]
Kaynaklar ve İleri Okuma
| ↑1 | “Machine learning reveals how to dissolve polymeric materials in organic solvents” yazısından çevrilmiştir. |
|---|---|
| ↑2 | Öne çıkan görsel |
