Los científicos de la Universidad de Rice están utilizando técnicas de aprendizaje automático para agilizar el proceso de síntesis de grafeno a partir de desechos a través del calentamiento instantáneo Joule.

El proceso descubierto hace dos años por el laboratorio de Rice del químico James Tour se ha expandido más allá de la fabricación de grafeno a partir de varias fuentes de carbono para extraer otros materiales como metales de los desechos urbanos, con la promesa de un reciclaje más ecológico en el futuro.

La técnica es la misma para todos los anteriores:lanzar una descarga de alta energía a través del material de origen para eliminar todo menos el producto deseado. Pero los detalles para flashear cada materia prima son diferentes.

Los investigadores describen en Advanced Materials cómo los modelos de aprendizaje automático que se adaptan a las variables y les muestran cómo optimizar los procedimientos los están ayudando a avanzar.

"Los algoritmos de aprendizaje automático serán fundamentales para hacer que el proceso flash sea rápido y escalable sin afectar negativamente las propiedades del producto de grafeno", dijo Tour.

"En los próximos años, los parámetros de flash pueden variar según la materia prima, ya sea a base de petróleo, carbón, plástico, desechos domésticos o cualquier otra cosa", dijo. "Dependiendo del tipo de grafeno que queramos (escamas pequeñas, escamas grandes, alto turbostratic, nivel de pureza), la máquina puede discernir por sí misma qué parámetros cambiar".

Debido a que el flasheo genera grafeno en cientos de milisegundos, es difícil desentrañar los detalles del proceso químico. Entonces, Tour y compañía tomaron una pista de los científicos de materiales que han trabajado el aprendizaje automático en su proceso diario de descubrimiento.

"Resultó que el aprendizaje automático y el calentamiento instantáneo de Joule tenían una sinergia realmente buena", dijo el estudiante graduado de Rice y autor principal, Jacob Beckham. "El calentamiento Flash Joule es una técnica realmente poderosa, pero es difícil controlar algunas de las variables involucradas, como la tasa de descarga de corriente durante una reacción. Y ahí es donde el aprendizaje automático realmente puede brillar. Es una gran herramienta para encontrar relaciones entre múltiples variables , incluso cuando es imposible realizar una búsqueda completa del espacio de parámetros.

"Esa sinergia hizo posible sintetizar grafeno a partir de material de desecho basado completamente en la comprensión de los modelos del proceso de calentamiento de Joule", dijo. "Todo lo que teníamos que hacer era llevar a cabo la reacción, que eventualmente se puede automatizar".

El laboratorio usó su modelo de optimización personalizado para mejorar la cristalización del grafeno a partir de cuatro materiales de partida (negro de carbón, ceniza de pirólisis de plástico, neumáticos de caucho pirolizados y coque) en 173 ensayos, usando espectroscopía Raman para caracterizar los materiales de partida y los productos de grafeno.

Luego, los investigadores alimentaron el modelo con más de 20,000 resultados de espectroscopia y le pidieron que predijera qué materiales de partida proporcionarían el mejor rendimiento de grafeno. El modelo también tuvo en cuenta en sus cálculos los efectos de la densidad de carga, la masa de la muestra y el tipo de material. + Explora más

Estrategia de rocas de grafeno flash para desechos plásticos