CO micro-encapsulé 2 absorbants (MECS) — minuscules, Les capsules réutilisables remplies d'une solution de carbonate de sodium capable d'absorber le dioxyde de carbone de l'air sont une technologie prometteuse pour capturer le carbone de l'atmosphère. Pour créer les objets ressemblant au caviar, les scientifiques font passer trois fluides à travers une série de composants microfluidiques pour créer des gouttes qui se transforment en capsules lorsqu'elles sont exposées à la lumière ultraviolette en aval. Cependant, les propriétés des fluides et les débits peuvent changer au cours des expériences. Ces changements peuvent conduire à des capsules défectueuses, de taille incorrecte ou autrement inutilisable, entraînant un encrassement de l'appareil, échantillons contaminés et perte de temps.

À ce jour, ce processus de création de microcapsules a nécessité une surveillance constante, une tâche banale pour les opérateurs. Mais les scientifiques du Lawrence Livermore National Laboratory (LLNL) ont découvert qu'ils peuvent utiliser l'apprentissage automatique pour automatiser le contrôle qualité de la microencapsulation en temps réel, concevoir un algorithme pour déterminer les « bonnes » capsules des « mauvaises » et développer un mécanisme basé sur des valves qui peut les trier sans intervention humaine. La recherche a été publiée le 15 avril dans la revue Laboratoire sur puce .

Les scientifiques de LLNL ont déclaré que l'algorithme d'apprentissage automatique basé sur l'image peut détecter les capsules problématiques et déclencher une réponse jusqu'à 40 fois par seconde, éliminant la tâche monotone de contrôle de la fabrication des microcapsules, économisant sur le matériel gaspillé. Par ailleurs, ces capacités devraient se traduire par d'autres applications pour les microcapsules au-delà de la capture du carbone, comme la médecine, cosmétiques ou additifs alimentaires.

"Lors de la fabrication de capsules pour la capture du carbone, [les opérateurs] doivent surveiller le processus tout en gérant d'autres tâches pour une expérience. Si quelque chose perturbe le processus alors qu'ils ne le surveillent pas, c'est du temps et du produit perdus, " a déclaré l'ingénieur LLNL et chercheur principal du projet Brian Giera. " Le problème était évident parce que tout le monde se plaint d'avoir à faire la partie surveillance, donc nous voulions juste aider à sortir l'humain de la boucle."

Pour une expérience bien établie, ces mésaventures arrivent rarement, aussi bas que moins de 1 pour cent du temps. Mais quand ils surviennent, ils peuvent être préjudiciables, conduisant même à une interruption catastrophique de l'expérience. Les opérateurs peuvent prédire les changements de propriétés des fluides, mais il y a aussi des facteurs aléatoires qui peuvent affecter une expérience, comme des impuretés dans les fluides ou de minuscules bulles d'air piégées. Dans les deux cas, cela nécessite toujours une surveillance constante du processus pour assurer une intervention humaine immédiate lorsque ces "mauvais" scénarios se produisent.

Généralement, les dispositifs de microencapsulation sont placés sous un microscope et peuvent être imagés numériquement, Giera a dit, les chercheurs avaient donc facilement accès à des images de haute qualité du processus. Giera a passé au crible 70, 000 images, étiqueter chacun en quatre catégories :des gouttelettes claires et bien définies ; ceux qui pourraient obstruer et endommager l'appareil ; capsules défectueuses; et des capsules qui pourraient éclater ou se briser. Co-auteur principal de l'article, chercheur au LLNL Albert Chu, augmenté l'ensemble de données en modifiant chaque image en fonction des variations expérimentales typiques, par exemple. réglage de la mise au point, rotation et luminosité des images, pour étendre l'ensemble de données à 6 millions d'images.

Les chercheurs ont ensuite entraîné l'algorithme d'apprentissage automatique sur l'ensemble de données augmenté, résultant en un modèle prédictif très précis et robuste, et le chercheur et co-auteur principal du LLNL, Du Nguyen, a créé un dispositif de tri personnalisé avec des vannes qui s'ouvrent et se désactivent pour rediriger le flux, et pourrait jeter les "mauvaises" microcapsules avec une précision de plus de 95 pour cent. Nguyen a déclaré que combiner l'algorithme avec un dispositif de tri s'est avéré un peu plus difficile à faire qu'à première vue.

"Il y avait un bon nombre de portions supplémentaires que nous n'avions pas envisagées, " dit Nguyen. " Après la formation des gouttelettes, il leur faut du temps (environ 30 secondes) pour atteindre la vanne elle-même, et lorsque les vannes fonctionnent, il y a un changement de pression qui se produit, trop. L'algorithme détecte ce qui se forme, mais il y a aussi des parties supplémentaires dans l'aspect contrôle. Nous avons dû travailler ensemble pour implémenter l'algorithme dans une configuration de contrôle réaliste."

Nguyen a déclaré que le dispositif pourrait être installé sur des configurations de microencapsulation existantes et développé davantage pour réduire le temps nécessaire à la capsule pour se rendre à la valve et compenser les changements de pression causés par les valves pour un contrôle encore meilleur. Nguyen a déclaré qu'en plus de s'appliquer à la microfluidique parallélisée, où il pourrait permettre aux chercheurs d'analyser plusieurs canaux simultanément, cela pourrait aider les chercheurs à explorer un nouvel espace matériel pour les capsules.

"Une partie de ce que nous faisions avant était de trouver les bons matériaux et les bons moyens de le mettre en place afin que nous n'ayons pas à le surveiller en permanence, ", a déclaré Nguyen. "Notre intention avec l'apprentissage automatique est que maintenant nous pouvons peut-être utiliser différents matériaux qui ne sont pas nécessairement aussi stables et utiliser l'algorithme pour le trier pour nous."

Alors que le travail représente une "première démonstration réussie" de l'application d'une approche d'apprentissage automatique à la microencapsulation, Giera a dit, les chercheurs souhaitent rendre la technologie plus conviviale, peut-être en ajoutant une interface utilisateur graphique. Dans l'état actuel des choses, le système peut envoyer des messages texte qui peuvent alerter l'opérateur d'un problème avec le processus de fabrication qui doit être résolu. Finalement, ils veulent également expérimenter des valves plus optimisées qui se traduiraient par des temps de changement de vitesse plus rapides. Leur vision ultime est de développer un système de contrôle d'apprentissage automatique autonome qui rectifie le processus sans intervention humaine.

Giera a déclaré que l'utilisation d'un algorithme d'apprentissage automatique pour effectuer une surveillance et un tri en temps réel des microcapsules pourrait aider les ingénieurs à surmonter un obstacle majeur à la mise à l'échelle des systèmes microfluidiques:gérer les anomalies imprévisibles du flux de fluide dues à des obstructions, les particules et les bulles et ajuster de manière prédictive les débits en fonction d'un changement des propriétés du fluide.

"Nous pensons avec des cas basés sur des gouttelettes microfluidiques, surtout avec la version hautement parallélisée de ceci, l'apprentissage automatique sera au cœur de cela, " a déclaré Giera. " Il est difficile de faire fonctionner ces systèmes microfluidiques basés sur la recherche à une échelle de production comme le laboratoire l'exige. Nous pensons que l'opportunité est mûre pour la surveillance, et les parties de contrôle de la surveillance et de la réponse seraient la partie la plus difficile, ce serait spécifique à l'application."