In genere, i ricercatori che tentano di sintetizzare particelle di materiali mirate devono fare affidamento sull'intuizione o su metodi di prova ed errore. Questo approccio può essere inefficiente e richiedere notevoli investimenti in termini di tempo e risorse.
Per superare le ambiguità di questo approccio, i ricercatori del PNNL hanno sfruttato la potenza della scienza dei dati e delle tecniche di machine learning per contribuire a semplificare lo sviluppo della sintesi delle particelle di ossido di ferro. Lo studio è pubblicato sul Chemical Engineering Journal .
Il loro approccio ha affrontato due questioni cruciali:identificare le condizioni sperimentali fattibili e prevedere le potenziali caratteristiche delle particelle per un dato insieme di parametri sintetici. Il modello addestrato può prevedere la dimensione e la fase potenziale delle particelle per una serie di condizioni sperimentali, identificando parametri di sintesi promettenti e fattibili da esplorare.
Questo approccio innovativo rappresenta un cambiamento di paradigma per la sintesi di particelle di ossido metallico, potenzialmente economizzando notevolmente il tempo e gli sforzi spesi per approcci di sintesi iterativi ad hoc. Addestrando il modello ML su un'attenta caratterizzazione sperimentale, l'approccio ha dimostrato una notevole precisione nel prevedere i risultati dell'ossido di ferro in base ai parametri della reazione di sintesi. L'algoritmo di ricerca e classificazione ha prodotto condizioni di reazione plausibili da esplorare dal set di dati di input. Ha inoltre rivelato l'importanza precedentemente trascurata della pressione applicata durante la sintesi sulla fase risultante e sulla dimensione delle particelle.
Ulteriori informazioni: Juejing Liu et al, Fase assistita dall'apprendimento automatico e sintesi a dimensione controllata di particelle di ossido di ferro, Chemical Engineering Journal (2023). DOI:10.1016/j.cej.2023.145216
Fornito dal Pacific Northwest National Laboratory