Normalmente, los investigadores que intentan sintetizar partículas de materiales específicas han tenido que confiar en la intuición o en métodos de prueba y error. Este enfoque puede resultar ineficiente y requerir importantes inversiones de tiempo y recursos.
Para superar las ambigüedades de este enfoque, los investigadores del PNNL aprovecharon el poder de la ciencia de datos y las técnicas de aprendizaje automático para ayudar a agilizar el desarrollo de síntesis de partículas de óxido de hierro. El estudio se publica en el Chemical Engineering Journal .
Su enfoque abordó dos cuestiones fundamentales:identificar condiciones experimentales factibles y prever características potenciales de partículas para un conjunto determinado de parámetros sintéticos. El modelo entrenado puede predecir el tamaño y la fase potenciales de las partículas para un conjunto de condiciones experimentales, identificando parámetros de síntesis prometedores y factibles para explorar.
Este enfoque innovador representa un cambio de paradigma para la síntesis de partículas de óxido metálico, lo que potencialmente economiza notablemente el tiempo y el esfuerzo invertidos en enfoques de síntesis iterativos ad hoc. Al entrenar el modelo ML en una caracterización experimental cuidadosa, el enfoque demostró una precisión notable en la predicción de los resultados del óxido de hierro en función de los parámetros de la reacción de síntesis. El algoritmo de búsqueda y clasificación arrojó condiciones de reacción plausibles para explorar a partir del conjunto de datos de entrada. También reveló la importancia previamente pasada por alto de la presión aplicada durante la síntesis sobre la fase resultante y el tamaño de partícula.
Más información: Juejing Liu et al, Fase asistida por aprendizaje automático y síntesis de tamaño controlado de partículas de óxido de hierro, Chemical Engineering Journal (2023). DOI:10.1016/j.cej.2023.145216
Proporcionado por el Laboratorio Nacional del Noroeste del Pacífico