با استفاده از داده های بزرگ برای طراحی و گاز جداسازی غشاء

IMAGE

تصویر: نمایش شماتیک از مواد پیشنهادی طراحی فرآیند: شروع با آگاهی از ساختار پلیمر بلوک های ساختمان استفاده از آن برای توسعه یادگیری ماشین الگوریتم است که در می یابد این… مشاهده بیشتر

اعتبار: Connor Bilchak/Columbia Engineering

نیویورک–مارس 15 سال 2020–محققان در دانشگاه کلمبیا و مهندسی دانشگاه کارولینای جنوبی را توسعه داده اند روش که ترکیبی از داده های بزرگ و یادگیری ماشین به صورت انتخابی طراحی گاز-فیلتر پلیمر غشاء به منظور کاهش انتشار گازهای گلخانه ای.

مطالعه خود را امروز منتشر شده در علم پیشرفتاست و برای اولین بار به درخواست تجربی معتبر یادگیری ماشین روش به سرعت در حال طراحی و توسعه گاز پیشرفته جداسازی غشاء.

“نقاط کار ما را به یک راه جدید برای طراحی مواد و ما انتظار آن را انقلابی در این زمینه می گوید:” این مطالعه PI صنعت کومار Bykhovsky استاد مهندسی شیمی و پیشگام در توسعه پلیمر کامپوزیت نانو با خواص بهبود یافته.

فیلم های پلاستیکی و یا غشاء اغلب استفاده می شود برای جدا کردن مخلوط ساده گازها مانند دی اکسید کربن (CO2) و نیتروژن (N2) و متان (CH4). دانشمندان پیشنهاد کرده اند با استفاده از تکنولوژی غشاء برای جداسازی CO2 از گازهای دیگر برای گاز طبیعی تصفیه و کربن ضبط وجود دارد اما به طور بالقوه صدها نفر از هزاران نفر از پلاستیک است که می تواند تولید با ما جاری مصنوعی جعبه ابزار همه از آن متفاوت است در ساختار شیمیایی خود را. تولید و تست همه این مواد گران قیمت و وقت و تا به امروز تنها حدود 1000 مورد بررسی قرار گرفته اند به عنوان گاز جداسازی غشاء.

کومار و همکارانش در دانشگاه کلمبیا مهندسی دانشگاه کارولینای جنوبی و ماکس پلانک جامعه در ماینس (آلمان) ایجاد یک یادگیری ماشین الگوریتم که در ارتباط به ساختار شیمیایی از 1000 تست پلیمر با خود حمل و نقل گاز خواص به بررسی آنچه ساختار باعث می شود بهترین غشاء و فرآیندهای غشایی. آنها پس از اعمال الگوریتم به بیش از 10 ، 000 شناخته شده پلیمرها به پیش بینی که تولید از بهترین مواد اولیه در این زمینه.

این روش شناسایی برخی از 100 پلیمرها که هرگز آزمایش شده برای حمل و نقل گاز شد اما پیش بینی شده به پیش افتادن از زمان غشاء عملکرد محدودیت برای CO2/CH4 جداسازی.

“به جای تجربی آزمون در تمام مواد وجود دارد که برای یک نرم افزار خاص شما به جای آزمون های کوچکتر زیر مجموعه ای از مواد که دارای بیشترین وعده. بعد از آن شما پیدا کردن مواد است که ترکیب بهترین مواد تشکیل دهنده که به شما می دهد یک شات در طراحی بهتر مواد درست مثل Netflix بکشد شما در پیدا کردن فیلم های بعدی به سازمان دیده بان” می گوید: این مطالعه همکاری نویسنده کانر Bilchak قبلا یک دانشجوی دکترا با کومار و در حال حاضر یک پست دکترا همکار در دانشگاه پنسیلوانیا است.

برای تست الگوریتم صحت یک گروه به رهبری برایان Benicewicz, SmartState استاد شیمی و بیوشیمی در دانشگاه کارولینای جنوبی, سنتز دو از مهمترین پلیمر غشاء پیش بینی شده توسط این روش و پیدا کردم که غشاء بیش از حد بالا برای CO2/CH4 جدایی عملکرد.

“خود عملکرد بسیار خوبی ؟ بسیار بهتر از آنچه ساخته شده بود می گوید:” این مطالعه همکاری نویسنده لورا Murdock, یک دانش آموز فارغ التحصیل از Benicewicz است. “و آن را بسیار آسان بود. این روش پتانسیل قابل توجهی برای استفاده تجاری.”

Benicewicz افزود: “به دنبال فراتر از این یکی زمینه این روش به راحتی قابل تمدید به دیگر غشاء مواد است که می تواند عمیقا بر توسعه نسل بعدی باتری ها و فن آوری های تصفیه آب.”

###

در مورد مطالعه

این مطالعه با عنوان: “طراحی استثنایی گاز-جدایی پلیمر غشاء با استفاده از یادگیری ماشین.”

نویسندگان: J. Wesley بارنت1, Connor R. Bilchak1, Yiwen وانگ1, Brian C. Benicewicz2لورا A. Murdock2تریستان Bereau3, Sanat K. کومار1

1 دانشکده مهندسی شیمی مهندسی کلمبیا

2 دانشکده شیمی و بیوشیمی دانشگاه کارولینای جنوبی

3 موسسه ماکس پلانک برای تحقیقات پلیمر آلمان.

این مطالعه با پشتیبانی شده توسط NSF تحصیلات تکمیلی پژوهش و برنامه کمک هزینه تحصیلی (کمک DGE-16-44869 به C. R. B.) ، DMREF برنامه (کمک 1629502 به C. R. B. J. W. B., and S. K. K. و اعطای 1629052 به B. C. B. و L. A. M.) و امی Noether برنامه از دویچه Forschungsgemeinschaft (به T. B.). S. K. K. J. W. B., and C. R. B. اذعان کرد که اکثریت کار تامین شد توسط NSF از طریق DMREF اعطای CTS-1629502. این پروژه آغاز شده بود تحت قبلی NSF grant (DMR-150730) بود که در ادامه به اعطای DMR-1929655.

نویسندگان اعلام هیچ مالی یا دیگر تضاد منافع است.

لینک:

مقاله: https://پیشرفت.sciencemag.org/content/6/20/eaaz4301

DOI: 10.1126/sciadv.aaz4301

https://پیشرفت.sciencemag.org/

http://engineering.کلمبیا.edu/

https://مهندسی.کلمبیا.edu/علمی/صنعت-کومار

https://cheme.کلمبیا.edu/

https://datascience.کلمبیا.edu/

http://www.کلمبیا.edu/cu/kumargroup/

https://sc.edu/مطالعه/colleges_schools/chemistry_and_biochemistry/our_people/دایرکتوری/benicewicz_brian.php

Columbia Engineering

کلمبیا و مهندسی مستقر در شهر نیویورک یکی از برترین دانشکده های مهندسی در آمریکا و یکی از قدیمی ترین در کشور است. همچنین شناخته شده به عنوان فو بنیاد دانشکده مهندسی و علوم کاربردی مدرسه گسترش دانش و پیشرفت تکنولوژی از طریق پیشگام تحقیقات خود بیش از 220 هیئت علمی در حالی که آموزش در مقطع کارشناسی و دانشجویان تحصیلات تکمیلی در یک محیط مشترک برای تبدیل شدن به رهبران آگاهانه توسط یک پایه و اساس شرکت مهندسی. مدرسه هیات علمی در این مرکز از دانشگاه متقابل انضباطی پژوهش کمک به داده های موسسه علوم زمین, موسسه زاکرمن ذهن و مغز, رفتار, موسسه, دقت, پزشکی, ابتکار و کلمبیا نانو ابتکار. هدایت آن توسط چشم انداز استراتژیک, “کلمبیا مهندسی برای بشریت” مدرسه هدف ترجمه ایده به نوآوری است که فاستر پایدار و سالم و امن متصل و خلاق بشریت است.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.

tinyurlis.gdu.nuclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>