Η μείωση των εκπομπών διοξειδίου του άνθρακα παραμένει μία από τις μεγαλύτερες τεχνολογικές προκλήσεις. Οι μεμβράνες διαχωρισμού αερίων προσφέρουν μια ενεργειακά αποδοτική εναλλακτική λύση, αλλά ο εντοπισμός υλικών που επιτρέπουν την ταχεία διέλευση αερίων χωρίς να χάνουν την αποτελεσματικότητά τους αποτελεί διαχρονικό πρόβλημα. Ερευνητές από το Πανεπιστήμιο Koç ανέπτυξαν ένα υπολογιστικό πλαίσιο που συνδυάζει μοριακές προσομοιώσεις και μηχανική μάθηση για να επιταχύνει την ανακάλυψη τέτοιων υλικών. Η μελέτη δημοσιεύθηκε στο περιοδικό «Communications Materials» από τη μεταπτυχιακή φοιτήτρια Feride Neva Yüngül και την καθηγήτρια Seda Keskin.
Συνδυασμός πολυμερών και πορωδών υλικών
Οι περισσότερες εμπορικές μεμβράνες κατασκευάζονται από πολυμερή λόγω χαμηλού κόστους και εύκολης επεξεργασίας. Ωστόσο, περιορίζονται από συμβιβασμούς μεταξύ διαπερατότητας και επιλεκτικότητας. Μια στρατηγική ξεπέρασης του εμποδίου είναι η ενσωμάτωση μεταλλοοργανικών πλεγμάτων (MOF) εντός των πολυμερών. Τα υλικά αυτά, γνωστά ως μεμβράνες μικτής μάτρας, συνδυάζουν τη δυνατότητα κλιμάκωσης των πολυμερών με τις διαχωριστικές ικανότητες των MOF.
Αξιολόγηση 104.196 συνδυασμών
Οι ερευνητές συνδύασαν 8.683 MOF με 12 εμπορικά πολυμερή, δημιουργώντας ένα σύνολο 104.196 συνδυασμών. Εκπαίδευσαν μοντέλα μηχανικής μάθησης για την ταχεία πρόβλεψη της διαπερατότητας. Το πιο ακριβές μοντέλο χρησιμοποίησε μια στρατηγική δύο βημάτων, προβλέποντας πρώτα τη διαπερατότητα του MOF και στη συνέχεια τη συνολική απόδοση της μεμβράνης.
Βιομηχανικές εφαρμογές και εργαστηριακή καθοδήγηση
Οι μεμβράνες αξιολογήθηκαν σε τρεις τομείς: καθαρισμός φυσικού αερίου, δέσμευση άνθρακα και καθαρισμός υδρογόνου. Πολλές προτάσεις ξεπέρασαν τα καθιερωμένα όρια απόδοσης. Η παραγωγή μιας μεμβράνης στο εργαστήριο απαιτεί μήνες, αλλά το νέο σύστημα εκτιμά την απόδοση σε δευτερόλεπτα με σφάλμα 10% – 15%. Το εργαλείο λειτουργεί ως μέσο ταχείας διαλογής, επιτρέποντας στους επιστήμονες να ιεραρχούν τους καλύτερους συνδυασμούς πριν από την εργαστηριακή σύνθεση.