21 أبريل 2020 (أضواء Nanowerk) السيلوكسانات - فئة من مشتقات السيليكون المصنعة ، والمعروفة أيضًا باسم السيليكون - تُستخدم على نطاق واسع (بحجم سنوي يبلغ 2.8 مليون طن في عام 2018) في الطب والتطبيقات الصناعية ، على الرغم من ذلك في الغالب في مستحضرات التجميل ومنتجات العناية الشخصية مثل مزيلات العرق والشامبو والجلد كريمات ومنتجات تصفيف الشعر. هذه هي المواد التي تحمل رائحة طيبة وتجعل المحتوى سلسًا وسهل التطبيق. ومع ذلك ، يمكن أن تكون السيلوكسانات أيضًا ملوثات عضوية. عندما نستخدم المنتجات المحتوية على السيلوكسان ، فإن السيلوكسانات إما تتبخر أو تُغسل وتُغسل في البالوعة ، وبالتالي ينتهي بها الأمر في البيئة. نظرًا لارتفاع ضغط البخار ، فإن السيلوكسانات ثابتة وعرضة للتراكم الحيوي ، مما يجعل إزالتها من الوسائط البيئية المختلفة أمرًا صعبًا. في التطبيقات ذات الحجم المغلق ، مثل أنشطة استصلاح المياه في البعثات الفضائية ، تتراكم هذه السيلوكسانات في الماء لتتركيزات سامة للإنسان. تمثل العناصر النزرة للسيلوكسانات أيضًا تحديًا كبيرًا للكيميائيين التحليليين. في وقت مبكر من التسعينيات ، كان الباحثون يدركون أن بعض السيلوكسانات يمكن أن تحدث تأثيرات سامة في العديد من الكائنات المائية. يتم تصنيف Siloxanes إلى مركبات خطية ودائرية ويمكن أن تختلف بشكل كبير في حجم الجسيمات والوزن الجزيئي والشكل والمجموعات الكيميائية وهذا يحدد الخصائص الفيزيائية والكيميائية المختلفة التي تؤثر بشكل مباشر على السلامة أو مخاطر استخدامها. أظهرت الأبحاث أن إطلاق بعض السيلوكسانات يمكن أن يكون له تأثيرات شديدة وآثار سامة محتملة على الكائنات الحية. ومن الأمثلة على ذلك محاكاة الإستروجين ، واضطراب النسيج الضام ، والآثار المناعية الضائرة ، وفي النهاية تلف الكبد أو الرئة المميت. والأسوأ من ذلك ، يمكن أن تخفي siloxanes وجود ملوثات أخرى في أنظمة الكشف ، مما يعيق الإزالة الفعالة للملوثات الأخرى. يعد تطوير مواد ماصة مناسبة حلاً فعالاً من حيث التكلفة لإزالة السيلوكسانات. تُظهر زيوليت السيليكا النقية (PSZs) مزايا هيكلية بارزة كمواد ماصة. كنوع من المواد الصغيرة التي يسهل اختراقها والتي تتكون من ذرات السيليكون والأكسجين فقط ، تعتبر PSZs كارهة للماء وبدون أي مواقع حمضية. علاوة على ذلك ، فإن PSZs مستقرة حرارياً ويمكن تجديدها بسهولة عند انسداد مسامها. هذه الميزات الفريدة تجعل من PSZ مواد ماصة محتملة لإزالة السيلوكسان. ومع ذلك ، هناك الملايين من PSZs المحتملة ، وفحص هذه PSZ واحدًا تلو الآخر لتحديد ما إذا كانت مرشحة واعدة لإزالة siloxane أمر غير ممكن ببساطة. "يوفر لنا التعلم الآلي أداة قوية لحل مثل هذه المشكلات المعقدة ،" البروفيسور Zhongfang Chen من قسم الكيمياء ، جامعة بورتوريكو ، أخبر نانويرك. "تختلف عن الأنظمة المستندة إلى القواعد التي تتطلب الكثير من الخبرة والوقت والجهود ، فإن التعلم الآلي يولد نماذج رياضية من البيانات التجريبية والحسابية بسرعات ومقاييس تتجاوز القدرات البشرية." نشر النتائج التي توصلوا إليها في مجلة كيمياء المواد أ ("الفحص بمساعدة التعلم الآلي لزيوليت السيليكا النقي لإزالة السيلوكسانات الخطية ومشتقاتها بفعالية") ، فريق بقيادة تشين و البروفيسور أرتورو جيه هيرنانديز مالدونادو (جامعة بورتوريكو) تقترح إطارًا حسابيًا من خطوتين (الشكل 1) يجمع بين محاكاة Grand Canonical Monte Carlo (GCMC) وطرق التعلم الآلي (ML) للتحقيق في أداء امتزاز زيوليت السيليكا النقي. يسلط هذا العمل الضوء على الوعد بدمج النمذجة القائمة على البيانات مع الحسابات التقليدية للتنبؤ بأداء أنظمة الزيوليت المعقدة. يمكن أن يوفر إرشادات لدراسات الحساب المستقبلية والدراسات التجريبية لزيوليت السيليكا النقي لإزالة المركبات المسببة للمشاكل.
الشكل 1. مخطط انسيابي يعرض فحصًا حسابيًا من خطوتين لتحقيق زيوليت بارز لامتصاص أربعة سيلوكسانات خطية ومشتقاتها. (الصورة: جامعة بورتوريكو) (انقر على الصورة لتكبيرها) باستخدام هذا النموذج ، يصبح من الممكن فحص زيوليت السيليكا النقي الواعد بأداء امتصاص ممتاز نحو أربعة سيلوكسانات خطية ومشتقاتها في نطاق زمني قصير. "لقد حصلنا على الميزات الأساسية وفحصنا 230 زيوليتًا بارزًا من 50 زيوليتًا افتراضيًا مكونًا من 959 طبقة من السيليكا النقية - بنسبة انتقاء ∼16٪ - مع أداء امتصاص ممتاز فيما يتعلق بمجموعتنا المكونة من أربعة مركبات إشكالية" ، كما يقول شيرو لين ، الأول مؤلف الورقة. "تحققت عمليات محاكاة GCMC الإضافية من أن جميع PSZs 0.45 المختارة عشوائياً الموصى بها من ML تتمتع بأداء امتصاص ممتاز نحو أهدافنا الأربعة." اختار الفريق بشكل عشوائي 20 زيوليت من 500 PSZ وحساب متوسط تحميل الامتزاز (مول) وطاقة الامتزاز (كيلو كالوري / مول) عن طريق محاكاة GCMC. نظرًا لطاقات الامتصاص المنخفضة الشائعة تجاه siloxanes الخطي ، فقد استخدموا طاقة الامتزاز كمعيار لتصنيف PSZs في هذا العمل. بناءً على هذا المعيار ، يتم تصنيف الزيوليت مع طاقة امتصاص في أعلى 50٪ من الفئة 959 (زيوليت كبير ، نقاط مثلث في الشكل 20) ، بينما يتم تصنيف الباقي على أنه فئة 1 (زيوليت سيئ ، نقاط مربعة في الشكل 2) .
الشكل 2. متوسط طاقة الامتزاز وقيم التحميل البالغة 500 PSZ نحو أربعة مركبات إشكالية ، حيث تمثل المثلثات أعلى نسبة 20٪ زيوليت (الفئة 1) مرتبة حسب طاقة الامتزاز ، في حين أن النقاط المربعة هي زيوليت 80٪ الأخرى (الفئة 0 ) ، والأقسام ذات اللون الأصفر الفاتح تشير إلى أعلى 90٪ زيوليت من الفئة 1 مرتبة حسب تحميل الامتزاز. (الصورة: جامعة بورتوريكو) (انقر على الصورة لتكبيرها) "طاقات الامتصاص لهذه 500 PSZ تجاه كل مركب إشكالي تغطي نطاقًا كبيرًا نسبيًا ،" يلاحظ تشين. "بالتفصيل ، الاختلافات بين أعلى وأدنى طاقات الامتزاز لثلاثي ميثيل سيلانول (TMS) (7.72 كيلو كالوري / مول) ومونوميثيل سيلانيتريول (MMST) (6.90 كيلو كالوري / مول) أكبر مرتين تقريبًا من تلك الخاصة بثنائي ميثيل سلفون (DMSO)2) (4.21 كيلو كالوري / مول) وثنائي ميثيل سيلانيديول (DMSD) (3.03 كيلو كالوري / مول). تشير اختلافات طاقة الامتزاز هذه بقوة إلى أن هياكل أطر الزيوليت يمكن أن تؤثر بشكل كبير على أداء الامتصاص ، خاصة بالنسبة لـ TMS و MMST. " في هذه الدراسة ، اختار الفريق خمس ميزات ذات صلة لنموذجهم ، وهي ثلاث معلمات بلورية (a ، b و c / Å) ، قطر المسام (p / Å) ، ومساحة السطح التي يمكن الوصول إليها بواسطة المسبار (s Å / خلية الوحدة). يمكن أن توضح أقطار المسام ومساحات السطح التي يمكن الوصول إليها بواسطة المسبار الحجم ومساحة مواقع الامتصاص الشائعة ، ويمكن أن توفر المعلمات البلورية (أ ، ب ، ج) معلومات إضافية عن الشكل العام للزيوليت. بعد تدريب النماذج ، حققوا درجات عالية من 0.99 لمجموعات التدريب ، ودرجات عالية من 0.91 ، 0.90 ، 0.91 ، 0.89 لـ DMSO2و TMS و DMSD و MMST في مجموعات الاختبار على التوالي. "تُظهر درجات التدريب والاختبار العالية أن نماذج Random Forest هذه ذات الميزات الخمس المختارة يمكنها أن تصف جيدًا تأثيرات المعلمات الهيكلية لـ PSZs على أداء الامتزاز ، ومن المتوقع أن تتمتع هذه النماذج بقدرة تنبؤية رائعة لتصنيف أداء الامتصاص لعدد أكبر من PSZs نحو أربعة أجهزة كمبيوتر قيد الدراسة ، يشرح هيرنانديز مالدونادو. ويضيف: "لقد فحصنا أيضًا مصفوفات الارتباك ووجدنا أن الدقة التنبؤية للفئة -1 أعلى من تلك الخاصة بالفئة 0 ، مما يضمن أن نماذج ML الخاصة بنا لن تفوت الزيوليت الواعد". "لإعادة تأكيد دقة نماذج ML وأداء الامتصاص الفائق لـ 230 PSZ المختارة ، اخترنا بشكل عشوائي مجموعتين - 10 لكل منهما - من الزيوليت من 230 زيوليت من فئة 1-20 ، وقمنا بحساب متوسط طاقات الامتزاز وتحميل الامتزاز نحو أربعة مركبات إشكالية من خلال محاكاة GCMC ، "يشرح لين. "تحتوي جميع هذه الزيوليت العشرين على طاقات امتزاز من الفئة الأولى ومتوسط قيم تحميل أعلى أو قريبة من أعلى 1٪ زيوليت في بيانات تدريب 30 زيوليت." ويخلص تشين إلى أن "عملنا يوضح بوضوح أن الجمع بين العلوم القائمة على البيانات والكيمياء الحاسوبية يمكن أن يسرع بشكل كبير من اكتشاف المواد ، ويساعد في حل مشكلات الفصل الأكثر تحديًا في العلوم البيئية". "في عملنا ، تم تسريع عملية الفرز من خلال منهجية ML ، وتم تقليص قائمة المرشحين لـ PSZs بشكل كبير ، مما يوفر إرشادات جيدة للتحقيقات التجريبية والنظرية المستقبلية حول تطوير مواد فعالة لإزالة السيلوكسان. يمكن توسيع منهجيتنا لتشمل مواد ماصة أخرى مثل الزيوليت المحتوي على Al ، والزيوليت المشبع بالمعادن ، والأطر المعدنية العضوية. بالإضافة إلى ذلك ، يمكن أن تكون الملوثات الأخرى صعبة إزالة المركبات العضوية / غير العضوية ".
By مايكل بيرجر - مايكل مؤلف لثلاثة كتب من الجمعية الملكية للكيمياء:جمعية النانو: دفع حدود التكنولوجيا,
تقنية النانو: المستقبل صغيرو
هندسة النانو: المهارات والأدوات التي تجعل التكنولوجيا غير مرئية
حقوق الطبع والنشر © نانوويرك
