Nieuw geautomatiseerd proces maakt beoordeling van nanovezels 30% nauwkeuriger

Dankzij hun kleine formaat zijn nanovezels doordrenkt met speciale elektrische, mechanische en andere fysische eigenschappen, en worden ze beschouwd als toonaangevende technologie in onder meer biomedische technologie, schone energie en waterkwaliteitscontrole. Nu hebben onderzoekers in Italië en het VK een automatisch proces ontwikkeld om de fabricagekwaliteit van nanovezels te beoordelen, met 30% nauwkeurigere resultaten dan de momenteel gebruikte technieken.

Details werden op januari 2021 gepubliceerd in IEEE / CAA Journal of Automatica Sinica, een gezamenlijke publicatie van de IEEE en de Chinese Association of Automation.

“In de afgelopen jaren hebben nanogestructureerde materialen steeds meer belangstelling gekregen, zowel in wetenschappelijke als industriële contexten, vanwege hun aantrekkingskracht op onderzoek en veelzijdige toepassingen”, zegt papierauteur Cosimo Ieracitano, research fellow bij de Neurolab Group, Department of Civil Engineering, Energy, Environment. and Materials, University Mediterranea van Reggio Calabria. “Succesvolle toepassingen van nanovezels vereisen speciale aandacht voor de kwaliteit van nanomateriaal en het generatieproces.”

Nanovezels worden geproduceerd door een hoge spanning aan te brengen op een injectiespuit die een polymeeroplossing en een draaiende collector bevat. De oplossing, aangedreven door de elektrische lading, straalt uit op de collector en resulteert in nanovezels. Voor een product dat uniformiteit vereist, bijvoorbeeld, een nanovezel die bedoeld is als steiger om cellen te laten groeien, zal resulteren in ongelijkmatige groei als het een knobbel of een gat bevat, of het kan er geen groeien als er een film op zit – de het huidige productieproces is nogal rommelig.

Om anomalieën te voorkomen, monitoren technici de vezelproductie met een rasterelektronenmicroscoop die zowel de topografie als de samenstelling van de vezels nauwkeurig kan bepalen. Vervolgens hebben ze de beelden visueel geïnspecteerd. Volgens Ieracitano is het een tijdrovend proces dat afhankelijk is van mensen, die vermoeid kunnen raken en fouten kunnen maken.

“In de productieketen van nanomaterialen is een cruciale stap het praktisch implementeren van automatisering in het defect-identificatieproces om het aantal laboratoriumexperimenten en de belasting van de experimentatiefase te verminderen”, zei Ieracitano.

Het onderzoeksteam ontwierp een tweedelig automatisch proces naar homogene nanovezels. Een autoencoder, een soort machine-learning-software, hakt de scanning-elektronenmicroscoopbeelden in kleinere stukjes en vertaalt ze in code. Die code wordt weergegeven in meer basale versies van de originele afbeeldingen, waardoor de rekenkracht wordt verminderd, maar nog steeds eventuele afwijkingen worden benadrukt. Een andere machine-learningprocessor beoordeelt de afbeelding en zoekt naar eventuele structurele gebreken. Als het er een vindt, verwerpt het de nanovezel als defect.

“Met name het voorgestelde systeem presteert beter dan andere standaard machine learning-technieken, evenals andere recente state-of-the-art methoden, met een nauwkeurigheid tot 92,5%”, zei Ieracitano. De momenteel gebruikte technieken zijn doorgaans 64 tot 66% nauwkeurig.