Las membranas de polímero se utilizan comúnmente en la industria para la separación de gases como el CO2 del gas de combustión y el metano del gas natural. Durante varias décadas, los investigadores han estado estudiando varios polímeros para mejorar su permeabilidad y utilidad, pero se han topado con un obstáculo cuando se trata de probarlos todos de manera rápida y eficiente, hasta ahora.
Las membranas de polímero
Se usan comúnmente en la industria para la separación de gases como el CO 2 del gas de combustión y el metano del gas natural. Durante varias décadas, los investigadores han estado estudiando varios polímeros para mejorar su permeabilidad y utilidad, pero se han topado con un obstáculo cuando se trata de probarlos todos de manera rápida y eficiente. En una publicación reciente en Science Advances , el profesor asistente de ingeniería mecánica de UConn, Ying Li, el profesor del centenario de ingeniería química y biomolecular de la Universidad de Connecticut (UConn), Jeff McCutcheon; los investigadores de UConn Lei Tao, Jinlong He; y el investigador Jason Yang del Instituto de Tecnología de California han encontrado una nueva forma innovadora de utilizar el aprendizaje automático (ML) para probar y descubrir nuevas membranas poliméricas.
A través de la investigación, los autores comentan sobre el enfoque edisoniano actual para el diseño de membranas: «En las décadas de desarrollo tecnológico en el campo de la ciencia de membranas, el diseño de nuevos materiales de membrana ha sido, y sigue siendo, un proceso en gran parte de prueba y error, guiado por experiencia e intuición. Los enfoques actuales generalmente implican ajustar grupos químicos para aumentar la afinidad y la solubilidad hacia el gas deseado o incorporar un mayor volumen libre para aumentar la difusividad general”.
Como método alternativo a los tediosos experimentos
Se pueden utilizar modelos computacionales para predecir el rendimiento de la membrana. Sin embargo, son demasiado caros o tienen poca precisión debido a las aproximaciones simplificadas. Para abordar esta deficiencia, el equipo desarrolló una forma precisa de identificar nuevos polímeros de alto rendimiento utilizando métodos ML.
Usando múltiples funciones de huellas dactilares y descriptores químicos fijos, el equipo utilizó el aprendizaje profundo en un pequeño conjunto de datos para vincular la química de la membrana con el rendimiento de la membrana. Tradicionalmente, se sabe que los modelos RF (bosque aleatorio) funcionan mejor en conjuntos de datos pequeños, pero el equipo descubrió que las redes neuronales profundas funcionaban bien debido al uso de ensamblaje, que combina la predicción de múltiples modelos.
Además, el equipo descubrió que el modelo ML era capaz de descubrir miles de polímeros con un rendimiento previsto para superar el límite superior de Robeson, que es un estándar utilizado para definir la compensación de permeabilidad y selectividad para las membranas poliméricas de separación de gases. Además, los polímeros descubiertos con permeabilidad ultraalta permitirían a la industria realizar separaciones de gases con mayor rendimiento, manteniendo un alto nivel de selectividad.
Conoce más aquí
