Fizik/Kimya

Makine Öğrenimi İle Moleküler Kafeslerin Enerji Tasarrufu

0

OSU’da incelenen gözenekli organik kafes molekülleri, seçici olarak gaz moleküllerini yakalayabilir. Potansiyel olarak kimyasal sektörde yapılan sayısız gaz ayrımında büyük enerji tasarrufu sağlar.

Kimya Mühendisliği Profesörü ve ACS Central Science dergisinde Araştırma Yazarı Cory Simon: “Bu gözenekli moleküler katı maddeler, gazları ayrımcı bir şekilde emen süngerler gibidir.”

Birlikte, kimyasal karışımların ayrıştırılması ve saflaştırılması, dünyadaki enerji tüketiminin yüzde 10’undan fazlasından sorumludur.

Gözenekli kafes molekülleri, yapılarına özgü nano-ölçekli boşluklara sahiptir ve gaz molekülleri, adsorpsiyon* yoluyla bu boşluklar içine çekilmekte ve sıkışmaktadır.

Simon: “Her kafes belirli gazları diğerlerine göre daha kolay emer ve bu özellik potansiyel olarak gaz karışımlarını daha verimli bir şekilde ayırmak için kafesleri etkili hale getirir” dedi.

Yine de, bunlardan bir tane bile yapmak için sentezlenebilen ve laboratuvarda aylarca süren özelliklerinin test edilmesi için binlerce kafes molekülü vardır. Endüstride yüzlerce farklı kimyasal ayırma gereklidir. Bu nedenle olasılıkları sıralamak ve eldeki işe en iyi molekülü bulmak için bir hesaplama yaklaşımı gerekir.

Simon; herhangi bir boşluğun şeklinin, en kolay şekilde çekeceği gaz moleküllerinden sorumlu olduğu fikrini kullanmıştır.

Simon ve öğrenciler Arni Sturluson, Melanie Huynh ve Arthur York, boşluk şekillerine ve dolayısıyla adsorpsiyon özelliklerine göre kafes moleküllerini kategorize etmek ve gruplandırmak için “denetlenmemiş” bir makine öğrenme yöntemini kullanmışlardır.

Denetimsiz, bilgisayarın şekil / özellik ilişkilerini kendi başına öğrenmesi anlamına gelir; komut vermek için herhangi bir etiket verilmemiştir.

Simon “Veriler sadece algoritmaya gösterildiğinde; algoritma verilerde otomatik olarak kalıp yapısı bulur”

Araştırmacılar, her biri sayısal olarak taranan, deneysel olarak sentezlenmiş gözenekli organik kafes moleküllerinin; bir CT taramasının oluşturduğu görüntüye benzeyen 3 boyutlu bir “gözenekli yapı” görüntüsü ile sonuçlanan bir eğitim veri seti kullanmışlardır.

Simon. “Bu 3 boyutlu görüntülerin temelinde, benzer şekilli boşluklara sahip kafesleri bir araya getirmek için bir yüz tanıma algoritmasından ilham aldık. Tekil değer ayrışmasını kullanarak, kafeslerin 3 boyutlu görüntülerini daha düşük boyutlu vektörlere kodladık. Yüzler hakkında olabildiğince fazla bilgiyi korurken, herkesin yüzünü iki boyutlu bir dağılım grafiğindeki bir noktaya eşlemek zorunda kaldığınızı düşünün. Bu yüzden her bir yüz sadece iki sayı ile açıklanmıştır. Benzer görünen yüzler dağılımda yakın gruplandırılmıştır. Aslında, tekil değer ayrışması, gözenekli kafes molekülleri için bu kodlamayı gerçekleştirdi. “

Simon, insanların yüzlerinin benzetimini kullanarak süreci açıklıyor.

Araştırma, öğrenilen kodlamanın gözenekli kafeslerin boşluklarının öne çıkan özelliklerini yakaladığını ve kavite şekli ile ilgili olan kafeslerin özelliklerini tahmin edebildiğini göstermiştir.

Simon yöntemlerinin, boşluklu malzemelerin diğer sınıfları ve genel olarak molekül şekilleri içindeki boşlukların gizli temsillerini öğrenmek için uygulanabileceğini vurguluyor.

 

*Adsorpsiyon: Moleküllerin katı bir yüzeye yapışması, tek molekül tabakasından oluşan bir yüzey tabakasının oluşması.

Spread the love

Materyallerin Hızlı Keşfi İçin Yeni Megalibrary Yaklaşım

Previous article

E-Bandaj Elektrik Alanı Üreterek, İyileşmeyi Hızlandırır

Next article

Comments

Leave a reply

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Login/Sign up