Machine learning verfijnt flash-grafeen

Wetenschappers van Rice University gebruiken machinale leertechnieken om het proces van het synthetiseren van grafeen uit afval door middel van flash Joule-verwarming te stroomlijnen.

Het proces dat twee jaar geleden door het Rice-lab van chemicus James Tour werd ontdekt, is verder gegaan dan het maken van grafeen uit verschillende koolstofbronnen tot het extraheren van andere materialen zoals metalen uit stedelijk afval, met de belofte van een meer milieuvriendelijke recycling in de toekomst.

De techniek is hetzelfde voor al het bovenstaande: een schok van hoge energie door het bronmateriaal blazen om alles behalve het gewenste product te elimineren. Maar de details voor het knipperen van elke grondstof zijn anders.

De onderzoekers beschrijven in Geavanceerde materialen hoe machine learning-modellen die zich aanpassen aan variabelen en laten zien hoe procedures kunnen worden geoptimaliseerd, hen vooruit helpen.

“Machine-learning-algoritmen zullen van cruciaal belang zijn om het flash-proces snel en schaalbaar te maken zonder de eigenschappen van het grafeenproduct negatief te beïnvloeden,” zei Tour.

“In de komende jaren kunnen de flitsparameters variëren, afhankelijk van de grondstof, of het nu op aardolie, steenkool, plastic, huishoudelijk afval of iets anders is,” zei hij. “Afhankelijk van het type grafeen dat we willen – kleine vlok, grote vlok, hoog turbostratisch, zuiverheidsniveau – kan de machine zelf bepalen welke parameters moeten worden gewijzigd.”

Omdat flitsen grafeen in honderden milliseconden maakt, is het moeilijk om de details van het chemische proces te achterhalen. Dus Tour en zijn bedrijf namen een idee van materiaalwetenschappers die machine learning in hun dagelijkse ontdekkingsproces hebben verwerkt.

“Het bleek dat machinaal leren en flash Joule-verwarming echt een goede synergie hadden”, zei Rice-afgestudeerde student en hoofdauteur Jacob Beckham. “Flash Joule-verwarming is een echt krachtige techniek, maar het is moeilijk om sommige van de betrokken variabelen te beheersen, zoals de snelheid van de huidige ontlading tijdens een reactie. En dat is waar machine learning echt kan schijnen. Het is een geweldig hulpmiddel om relaties tussen meerdere variabelen te vinden , zelfs als het onmogelijk is om de parameterruimte volledig te doorzoeken.

“Die synergie maakte het mogelijk om grafeen te synthetiseren uit afvalmateriaal, volledig gebaseerd op het begrip van de modellen van het Joule-verwarmingsproces,” zei hij. “Het enige dat we hoefden te doen, was de reactie uitvoeren – die uiteindelijk kan worden geautomatiseerd.”

Het laboratorium gebruikte zijn aangepaste optimalisatiemodel om de grafeenkristallisatie van vier uitgangsmaterialen – carbonzwart, plastic pyrolyse-as, gepyrolyseerde rubberen banden en cokes – te verbeteren in 173 proeven, waarbij Raman-spectroscopie werd gebruikt om de uitgangsmaterialen en grafeenproducten te karakteriseren.

De onderzoekers voerden vervolgens meer dan 20.000 spectroscopieresultaten aan het model en vroegen het te voorspellen welke uitgangsmaterialen de beste opbrengst aan grafeen zouden opleveren. Het model hield ook rekening met de effecten van ladingsdichtheid, monstermassa en materiaaltype in hun berekeningen.