Maschinelles Lernen kann die mechanischen Eigenschaften von Polymeren vorhersagen
Ein Algorithmus für maschinelles Lernen kann Röntgenbeugungsdaten von Polymeren nutzen, um das Verhalten neuer Materialien vorherzusagen
Polymere wie Polypropylen sind grundlegende Materialien in der modernen Welt, die von Computern bis hin zu Autos überall zu finden sind. Aufgrund ihrer Allgegenwärtigkeit ist es wichtig, dass Materialwissenschaftler genau wissen, wie sich jedes neu entwickelte Polymer unter verschiedenen Zubereitungsbedingungen verhält. Dank einer neuen Studie, die in der Fachzeitschrift Science and Technology of Advanced Materials veröffentlicht wurde, können Wissenschaftler nun mithilfe des maschinellen Lernens bestimmen, was von einem neuen Polymer zu erwarten ist.
Um die mechanischen Eigenschaften neuer Polymere, wie etwa ihre Zugfestigkeit oder Flexibilität, vorherzusagen, müssen sie normalerweise zerstörerischen und kostspieligen physikalischen Tests unterzogen werden. Ein japanisches Forscherteam unter der Leitung von Dr. Ryo Tamura, Dr. Kenji Nagata und Dr. Takashi Nakanishi vom National Institute for Materials Science in Tsukuba hat jedoch gezeigt, dass maschinelles Lernen die Materialeigenschaften von Polymeren vorhersagen kann. Sie entwickelten die Methode an einer Gruppe von Polymeren, den Homo-Polypropylenen, und nutzten die Röntgenbeugungsmuster der Polymere unter verschiedenen Präparationsbedingungen, um detaillierte Informationen über ihre komplexe Struktur und ihre Eigenschaften zu erhalten.
"Maschinelles Lernen kann auf Daten von bestehenden Materialien angewendet werden, um die Eigenschaften unbekannter Materialien vorherzusagen", erklären Dr. Tamura, Nagata und Nakanishi. "Um genaue Vorhersagen zu erhalten, ist es jedoch wichtig, Deskriptoren zu verwenden, die die Eigenschaften dieser Materialien korrekt wiedergeben."
Thermoplastische kristalline Polymere wie Polypropylen haben eine besonders komplexe Struktur, die sich während des Formens in die Form des Endprodukts weiter verändert. Daher war es für das Team wichtig, die Details der Struktur der Polymere mit Röntgenbeugung angemessen zu erfassen und sicherzustellen, dass der Algorithmus für maschinelles Lernen die wichtigsten Deskriptoren in diesen Daten identifizieren kann.
Die neue Methode erfasste die strukturellen Veränderungen des häufig verwendeten Kunststoffs Polypropylen während des Formprozesses zum Endprodukt genau.
Zu diesem Zweck analysierten sie zwei Datensätze mit einem Werkzeug namens Bayes'sche Spektraldekonvolution, das Muster aus komplexen Daten extrahieren kann. Bei dem ersten Datensatz handelte es sich um Röntgenbeugungsdaten von 15 Homo-Polypropylentypen, die verschiedenen Temperaturen ausgesetzt waren, und bei dem zweiten um Daten von vier Homo-Polypropylentypen, die im Spritzgussverfahren verarbeitet wurden. Zu den analysierten mechanischen Eigenschaften gehörten die Steifigkeit, die Elastizität, die Temperatur, bei der sich das Material zu verformen beginnt, und die Dehnbarkeit vor dem Bruch.
Das Team stellte fest, dass die maschinelle Lernanalyse Merkmale in den Röntgenbeugungsbildern genau mit bestimmten Materialeigenschaften der Polymere verknüpfte. Einige der mechanischen Eigenschaften ließen sich anhand der Röntgenbeugungsdaten leichter vorhersagen, während andere, wie z. B. der Dehnungsbruchpunkt, eine größere Herausforderung darstellten.
"Wir glauben, dass unsere Studie, die das Verfahren zur Erstellung eines hochpräzisen maschinellen Lernmodells beschreibt, das nur die Röntgenbeugungsergebnisse von Polymermaterialien verwendet, eine zerstörungsfreie Alternative zu konventionellen Polymerprüfmethoden bieten wird", so die NIMS-Forscher.
Das Team schlug auch vor, dass ihr Bayes'scher Ansatz zur spektralen Entfaltung auf andere Daten, wie z. B. die Röntgenphotoelektronenspektroskopie, angewandt und zum Verständnis der Eigenschaften anderer Materialien, sowohl anorganischer als auch organischer, verwendet werden könnte.
"Dies könnte ein Testfall für zukünftige datengesteuerte Ansätze für das Polymerdesign und die Wissenschaft werden", sagt das NIMS-Team.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Ryo Tamura, Kenji Nagata, Keitaro Sodeyama, Kensaku Nakamura, Toshiki Tokuhira, Satoshi Shibata, Kazuki Hammura, Hiroki Sugisawa, Masaya Kawamura, Teruki Tsurimoto, Masanobu Naito, Masahiko Demura, Takashi Nakanishi; "Machine learning prediction of the mechanical properties of injection-molded polypropylene through X-ray diffraction analysis"; Science and Technology of Advanced Materials, 2024-8-5
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Diese Produkte könnten Sie interessieren
HYPERION II von Bruker
FT-IR und IR-Laser-Imaging (QCL) Mikroskop für Forschung und Entwicklung
Untersuchen Sie makroskopische Proben mit mikroskopischer Auflösung (5 µm) in sekundenschnelle
Eclipse von Wyatt Technology
FFF-MALS System zur Trennung und Charakterisierung von Makromolekülen und Nanopartikeln
Neuestes FFF-MALS-System entwickelt für höchste Benutzerfreundlichkeit, Robustheit und Datenqualität
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
