استفاده از هوش مصنوعی برای پیش‌بینی نحوه رفتار پلاستیک‌های زیستی تحت گرما

ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

یک مطالعه جدید ANIPH نشان می‌دهد که چگونه مدل‌های یادگیری ماشینی می‌توانند نحوه واکنش PHB و PHBV به گرما را پیش‌بینی کنند و به تولیدکنندگان کمک می‌کند فرمول‌هایی را طراحی کنند که پردازش آنها آسان‌تر باشد.

PHB (پلی (3-هیدروکسی بوتیرات)) و کوپلیمر آن PHBV (پلی (3-هیدروکسی بوتیرات-کو-3-هیدروکسی والرات)) از جمله پلاستیک های زیست تخریب پذیر که به طور گسترده مورد مطالعه قرار گرفته اند، از طریق تخمیر باکتریایی به جای تصفیه از روغن تولید می شوند.

اما تبدیل آنها به محصولات قابل اعتماد سخت تر از آن چیزی است که به نظر می رسد. PHB به طور طبیعی شکننده است و در دمایی که فقط بالاتر از نقطه ذوب آن است شروع به تجزیه شیمیایی می کند. این امر باعث می‌شود تولیدکنندگان پنجره‌ای بسیار باریک داشته باشند تا در طی فرآیندهایی مانند اکستروژن یا قالب‌گیری تزریقی، به طور ایمن آن را ذوب و شکل دهند.

حتی تغییرات کوچک در فرمولاسیون - افزودن یک کومونومر متفاوت، یک نرم کننده یا یک پرکننده - می تواند این آستانه ها را به طور قابل توجهی تغییر دهد و طراحی آزمون و خطا را کند و پرهزینه کند.

شریک ANIPH در دانشگاه کشاورزی آتن (AUA) در نشریه ای با عنوان "پیش بینی یادگیری ماشینی خواص حرارتی مواد مبتنی بر PHB/PHBV: رویکرد کمی ساختار-ملاک با استفاده از پایگاه داده پلیمری یکپارچه" به این موضوع پرداخته است. این مطالعه که در مجله Polymers منتشر شده است، پتانسیل پیش‌بینی سه ویژگی را نشان می‌دهد که نحوه رفتار فرمولاسیون PHB/PHBV هنگام گرم شدن یا سرد شدن را توصیف می‌کند:

برای ساخت این مدل‌ها، تیم یک پایگاه داده با دقت بررسی شده از 572 نقطه داده را گردآوری کرد که از 109 مطالعه علمی به علاوه 14 آزمایش داخلی انجام شده با CETEC استخراج شده بود. مجموعه داده، ترکیب هر نمونه، وزن مولکولی و هر گونه افزودنی مورد استفاده، اعم از نرم کننده، پرکننده یا تثبیت کننده را ثبت می کند، بنابراین مدل ها می توانند یاد بگیرند که چگونه این انتخاب های فرمول بر رفتار حرارتی تأثیر می گذارد.

دو روش یادگیری ماشین آموزش داده شد و مقایسه شد، و پس از تنظیم و آزمایش دقیق، بهترین مدل‌ها توانستند سهم زیادی از تفاوت‌های مشاهده شده بین فرمول‌ها را توضیح دهند:

نتایج همچنین مفهوم فیزیکی داشتند: فرمول‌هایی که سهم بیشتری از بلوک‌های ساختمانی هیدروکسی والرات دارند، در دماهای پایین‌تر ذوب و متبلور می‌شوند، زیرا بسته‌بندی منظم و منظم زنجیره‌های پلیمری را مختل می‌کنند.

از سوی دیگر، وزن مولکولی بالاتر، این دماها را افزایش می‌دهد، زیرا زنجیره‌های طولانی‌تر در هم پیچیده‌تر و سخت‌تر ذوب می‌شوند. نوع و مقدار افزودنی مورد استفاده نیز مطابق با نقش مورد نظر آن مهم است، خواه این افزایش انعطاف پذیری، تشویق تشکیل کریستال یا بهبود پایداری حرارتی باشد.

از آنجایی که شرایط آزمایش حرارتی همیشه در مطالعات یکسان گزارش نمی‌شود، تیم مجبور شد با زیرمجموعه‌ای کوچکتر و با کیفیت بالا از داده‌ها برای مدل‌های نهایی کار کند - بین 120 تا 200 نمونه در هر ویژگی - و در تعریف محدوده‌های فرمول‌بندی که در آن می‌توان به پیش‌بینی‌ها اعتماد کرد، دقت کرد.

مجموعه داده‌ها و کد مدل‌سازی انتخاب‌شده، مطابق با اصول داده‌های باز که تمام تحقیقات ANIPH را هدایت می‌کند، به‌طور آشکار در دسترس قرار گرفته‌اند، به طوری که سایر محققان و تولیدکنندگان بتوانند بر اساس این کار، فرمول‌های پلاستیکی زیستی را با رفتار پردازشی مورد نیاز خود طراحی کنند.

نیکولاس پی. سوتیروپولوس و همکاران، پیش‌بینی یادگیری ماشین خواص حرارتی مواد مبتنی بر PHB/PHBV: رویکرد رابطه ساختار کمی با استفاده از پایگاه داده پلیمری یکپارچه، پلیمرها (2026). DOI: 10.3390/polym18131559

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →