En règle générale, les chercheurs tentant de synthétiser des particules de matériaux spécifiquement ciblées ont dû s’appuyer sur l’intuition ou sur des méthodes d’essais et d’erreurs. Cette approche peut s'avérer inefficace et nécessiter des investissements importants en temps et en ressources.
Pour surmonter les ambiguïtés de cette approche, les chercheurs du PNNL ont exploité la puissance de la science des données et des techniques d’apprentissage automatique pour rationaliser le développement de la synthèse des particules d’oxyde de fer. L'étude est publiée dans le Chemical Engineering Journal .
Leur approche abordait deux questions cruciales :identifier les conditions expérimentales réalisables et prévoir les caractéristiques potentielles des particules pour un ensemble donné de paramètres synthétiques. Le modèle entraîné peut prédire la taille et la phase potentielles des particules pour un ensemble de conditions expérimentales, identifiant ainsi les paramètres de synthèse prometteurs et réalisables à explorer.
Cette approche innovante représente un changement de paradigme pour la synthèse de particules d’oxydes métalliques, permettant potentiellement d’économiser considérablement le temps et les efforts consacrés aux approches de synthèse itératives ad hoc. En entraînant le modèle ML sur une caractérisation expérimentale minutieuse, l’approche a démontré une précision remarquable dans la prédiction des résultats de l’oxyde de fer sur la base des paramètres de réaction de synthèse. L’algorithme de recherche et de classement a donné des conditions de réaction plausibles à explorer à partir de l’ensemble de données d’entrée. Cela a également révélé l'importance jusqu'alors négligée de la pression appliquée lors de la synthèse sur la phase résultante et la taille des particules.
Plus d'informations : Juejing Liu et al, Phase assistée par apprentissage automatique et synthèse à taille contrôlée de particules d'oxyde de fer, Chemical Engineering Journal (2023). DOI :10.1016/j.cej.2023.145216
Fourni par le Laboratoire national du Nord-Ouest du Pacifique
