Les scientifiques de l'Université Rice utilisent des techniques d'apprentissage automatique pour rationaliser le processus de synthèse du graphène à partir de déchets par chauffage flash Joule.

Le procédé découvert il y a deux ans par le laboratoire Rice du chimiste James Tour s'est étendu au-delà de la fabrication de graphène à partir de diverses sources de carbone pour extraire d'autres matériaux comme les métaux des déchets urbains, avec la promesse d'un recyclage plus respectueux de l'environnement à venir.

La technique est la même pour tout ce qui précède :envoyer une secousse de haute énergie à travers le matériau source pour éliminer tout sauf le produit souhaité. Mais les détails pour flasher chaque matière première sont différents.

Les chercheurs décrivent dans Matériaux avancés comment les modèles d'apprentissage automatique qui s'adaptent aux variables et leur montrent comment optimiser les procédures les aident à aller de l'avant.

"Les algorithmes d'apprentissage automatique seront essentiels pour rendre le processus flash rapide et évolutif sans affecter négativement les propriétés du produit de graphène", a déclaré Tour.

"Dans les années à venir, les paramètres flash peuvent varier en fonction de la matière première, qu'elle soit à base de pétrole, de charbon, de plastique, de déchets ménagers ou autre", a-t-il déclaré. "Selon le type de graphène que nous voulons - petit flocon, gros flocon, haut turbostratique, niveau de pureté - la machine peut discerner par elle-même quels paramètres changer."

Parce que le flash produit du graphène en des centaines de millisecondes, il est difficile de démêler les détails du processus chimique. Tour et l'entreprise ont donc pris un indice des scientifiques des matériaux qui ont intégré l'apprentissage automatique dans leur processus quotidien de découverte.

"Il s'est avéré que l'apprentissage automatique et le chauffage flash Joule avaient une très bonne synergie", a déclaré Jacob Beckham, étudiant diplômé de Rice et auteur principal. "Le chauffage Flash Joule est une technique très puissante, mais il est difficile de contrôler certaines des variables impliquées, comme le taux de décharge de courant lors d'une réaction. Et c'est là que l'apprentissage automatique peut vraiment briller. C'est un excellent outil pour trouver des relations entre plusieurs variables. , même lorsqu'il est impossible de faire une recherche complète de l'espace des paramètres.

"Cette synergie a permis de synthétiser du graphène à partir de matériaux de rebut entièrement basé sur la compréhension des modèles du processus de chauffage Joule", a-t-il déclaré. "Tout ce que nous avions à faire était de réaliser la réaction, qui peut éventuellement être automatisée."

Le laboratoire a utilisé son modèle d'optimisation personnalisé pour améliorer la cristallisation du graphène à partir de quatre matériaux de départ - le noir de carbone, les cendres de pyrolyse plastique, les pneus en caoutchouc pyrolysés et le coke - sur 173 essais, en utilisant la spectroscopie Raman pour caractériser les matériaux de départ et les produits à base de graphène.

Les chercheurs ont ensuite fourni plus de 20 000 résultats de spectroscopie au modèle et lui ont demandé de prédire quels matériaux de départ fourniraient le meilleur rendement en graphène. Le modèle a également pris en compte les effets de la densité de charge, de la masse de l'échantillon et du type de matériau dans ses calculs. + Explorer plus loin

La stratégie du graphène flash pour les déchets plastiques