CO microencapsulado ₂ sorbentes (MECS):pequeños, Las cápsulas reutilizables llenas de una solución de carbonato de sodio que pueden absorber dióxido de carbono del aire son una tecnología prometedora para capturar carbono de la atmósfera. Para crear los objetos parecidos al caviar, Los científicos pasan tres fluidos a través de una serie de componentes microfluídicos para crear gotas que se convierten en cápsulas cuando se exponen a la luz ultravioleta corriente abajo. Sin embargo, las propiedades de los fluidos y los caudales pueden cambiar durante los experimentos. Estos cambios pueden dar lugar a cápsulas defectuosas, de tamaño inadecuado o inutilizable de otro modo, resultando en la obstrucción del dispositivo, muestras contaminadas y tiempo perdido.

Hasta la fecha, este proceso de creación de microcápsulas ha requerido un seguimiento constante, una tarea mundana para los operadores. Pero los científicos del Laboratorio Nacional Lawrence Livermore (LLNL) han descubierto que pueden utilizar el aprendizaje automático para automatizar el control de calidad de la microencapsulación en tiempo real. diseñar un algoritmo para determinar las cápsulas "buenas" de las "malas" y desarrollar un mecanismo basado en válvulas que pueda clasificarlas sin intervención humana. La investigación fue publicada el 15 de abril en la revista Laboratorio en un chip .

Los científicos de LLNL dijeron que el algoritmo de aprendizaje automático basado en imágenes puede detectar cápsulas problemáticas y desencadenar una respuesta de hasta 40 veces por segundo. eliminar la monótona tarea de controlar la fabricación de microcápsulas, ahorro en material desperdiciado. Es más, estas capacidades deberían traducirse en otras aplicaciones para microcápsulas más allá de la captura de carbono, como la medicina, cosméticos o aditivos alimentarios.

"Al fabricar cápsulas para la captura de carbono, [los operadores] tienen que cuidar el proceso mientras se encargan de otras tareas para un experimento. Si algo interrumpe el proceso mientras no lo están monitoreando, eso es tiempo y producto perdido, ", dijo el ingeniero de LLNL e investigador principal del proyecto, Brian Giera." El problema fue evidente porque todos se quejan de tener que hacer la parte de monitoreo, así que solo queríamos ayudar a sacar al ser humano del circuito ".

Para un experimento bien establecido, estos contratiempos ocurren con poca frecuencia, tan bajo como menos del 1 por ciento del tiempo. Pero cuando ocurren, pueden ser perjudiciales, incluso conduciendo a una interrupción catastrófica del experimento. Los operadores pueden predecir cambios en las propiedades de los fluidos, pero también hay factores aleatorios que pueden afectar un experimento, como impurezas en los fluidos o pequeñas burbujas de aire atrapadas. De cualquier manera, siempre requiere un monitoreo constante del proceso para asegurar la intervención humana inmediata cuando ocurren estos escenarios "malos".

Generalmente, Los dispositivos de microencapsulación se colocan bajo un microscopio y se pueden obtener imágenes digitales. Giera dijo, para que los investigadores tuvieran fácil acceso a imágenes de alta calidad del proceso. Giera examinó 70, 000 imágenes, etiquetar cada uno en cuatro categorías:gotas claras y bien definidas; aquellos que podrían obstruir y dañar el dispositivo; cápsulas defectuosas; y cápsulas que podrían estallar o romperse. El coautor principal del artículo, Albert Chu, investigador del LLNL, aumentó el conjunto de datos alterando cada imagen de acuerdo con variaciones experimentales típicas, p.ej. ajustar el enfoque, rotación y brillo de las imágenes, para ampliar el conjunto de datos a 6 millones de imágenes.

Luego, los investigadores entrenaron el algoritmo de aprendizaje automático en el conjunto de datos aumentado, resultando en un modelo predictivo robusto y altamente preciso, y el investigador y coautor principal de LLNL, Du Nguyen, creó un dispositivo de clasificación adaptado personalizado con válvulas que se encendían y apagaban para redirigir el flujo, y podría descartar las microcápsulas "malas" con más del 95 por ciento de precisión. Nguyen dijo que combinar el algoritmo con un dispositivo de clasificación terminó siendo un poco más difícil de hacer que a primera vista.

"Hubo un buen número de porciones adicionales que no consideramos, ", Dijo Nguyen." Después de que se formen las gotas, les lleva tiempo (unos 30 segundos) llegar a la válvula, y cuando las válvulas operan hay un cambio en las presiones que ocurren, también. El algoritmo detecta lo que se está formando, pero también hay partes adicionales en el aspecto de control. Tuvimos que trabajar juntos para implementar el algoritmo en una configuración de control realista ".

Nguyen dijo que el dispositivo podría adaptarse a las configuraciones de microencapsulación existentes y desarrollarse aún más para reducir el tiempo que tarda la cápsula en viajar a la válvula y compensar los cambios de presión causados ​​por las válvulas para un control aún mejor. Nguyen dijo que además de aplicar a microfluidos paralelizados, donde podría permitir a los investigadores analizar múltiples canales simultáneamente, podría ayudar a los investigadores a explorar un nuevo espacio material para las cápsulas.

"Parte de lo que estábamos haciendo antes era encontrar los materiales adecuados y las formas de configurarlo para no tener que monitorearlo constantemente, ", Dijo Nguyen." Nuestra intención con el aprendizaje automático es que ahora tal vez podamos usar diferentes materiales que no son necesariamente tan estables y usar el algoritmo para resolverlo por nosotros ".

Si bien el trabajo representa una "primera demostración exitosa" de la aplicación de un enfoque de aprendizaje automático a la microencapsulación, Giera dijo, A los investigadores les gustaría hacer que la tecnología sea más fácil de usar, quizás agregando una interfaz gráfica de usuario. Tal como está ahora, el sistema puede enviar mensajes de texto que pueden alertar al operador sobre un problema con el proceso de fabricación que debe abordarse. Finalmente, también quieren experimentar con válvulas más optimizadas que resultarían en tiempos de cambio más rápidos. Su visión final es desarrollar un sistema de control de aprendizaje automático autónomo que rectifique el proceso sin la necesidad de intervención humana.

Giera dijo que el uso de un algoritmo de aprendizaje automático para monitorear y clasificar microcápsulas en tiempo real podría ayudar a los ingenieros a superar un obstáculo importante en la ampliación de los sistemas de microfluidos:manejar anormalidades impredecibles en el flujo de fluidos que surgen debido a obstrucciones. partículas y burbujas y ajustan de manera predictiva las velocidades de flujo en función de un cambio en las propiedades del fluido.

"Creemos que con los casos basados ​​en gotas de microfluidos, especialmente con la versión altamente paralelizada de esto, el aprendizaje automático será fundamental para esto, "Dijo Giera." Es arduo hacer que estos sistemas de microfluidos basados ​​en la investigación funcionen a una escala de producción como lo requiere el laboratorio. Creemos que la oportunidad está madura para monitorear, y las partes de control del seguimiento y la respuesta serían la parte difícil, eso sería específico de la aplicación ".