23 mei 2023 (Nanowerk-schijnwerper) Zachte materialen zoals polymeren, rubbers en hydrogelen een belangrijke rol spelen in uw dagelijks leven. Van de banden van je auto tot het elastiek in je favoriete loungekleding, van geavanceerde flexibele elektronica tot draagbare technologie zoals elektronische tatoeages - deze veelzijdige materialen zijn overal. Om deze materialen echter effectief te gebruiken in zo'n breed scala aan toepassingen, moeten hun mechanische eigenschappen precies op maat worden gemaakt. Draagbare sensoren zoals elektronische huid en tatoeages moeten bijvoorbeeld net zacht genoeg zijn - in wetenschappelijke termen hebben ze een relatief lage Young's modulus nodig - om te passen bij de natuurlijke spanning van onze huid. Ze hebben ook matige rekbaarheid nodig om met ons lichaam mee te bewegen zonder ongemak te veroorzaken. Bij gebruik in zachte robotica hebben deze materialen een reeks eigenschappen nodig voor biocompatibiliteit of om biologische ontwerpen na te bootsen. Bovendien moeten de materialen bij gebruik in kunsthuiden robuust, duurzaam en taai zijn. De truc om deze unieke eigenschappen te bereiken, ligt in het zorgvuldig manipuleren van aspecten zoals de polymeerketens, monomeersamenstelling en intermoleculaire waterstofbinding. Het op maat maken van deze materialen is echter geen triviale zaak. Het vereist een diep begrip van materiaalchemie en meerdere experimentele proeven. Dit proces kan een grote hindernis zijn voor eindgebruikers die materialen nodig hebben met specifieke mechanische eigenschappen voor hun toepassingen. Daarom is een nieuwe benadering van dit ontwerpproces cruciaal.
Ontwerpsysteem voor zacht materiaal en demonstratie van het ontwerpproces. a) Ontwerpproces van zacht materiaal met behulp van het ontwerpsysteem. Het systeem neemt de gewenste mechanische eigenschappen als invoer en retourneert experimentele omstandigheden in de vorm van (X1, X2 en X3). b) Voorbeelden van een elastomeer met een hoge Young-modulus (b-1) en een elastomeer met een hoge rek bij breuk (dwz hoge rekbaarheid) (b-2). (Overgenomen met toestemming van Wiley-VCH Verlag)
Vijf monsters werden voorbereid voor experimentele verificatie. De gewenste mechanische eigenschappen, aangeduid als “Voorspeld” in grafieken, en de gemeten mechanische eigenschappen worden gepresenteerd: Young'smodulus c), rek bij breuk d), maximale sterkte e) en taaiheid f). Foutbalken van "gemeten" gegevenspunten geven 1-standaarddeviatie aan berekend op basis van 3 gemeten gegevens. (Overgenomen met toestemming van Wiley-VCH Verlag) Het mooie van deze methode is dat het 'reverse design' kan doen. U voert de gewenste mechanische eigenschappen in en het model spuugt het synthetische recept uit om die eigenschappen te bereiken. De onderzoekers testten dit door elastomeermonsters te maken met behulp van deze recepten en ontdekten dat de resulterende mechanische eigenschappen nauw overeenkwamen met de invoereigenschappen. De onderzoekers concluderen dat deze datagestuurde benadering van het ontwerp van zachte materialen, gebruikmakend van machine learning, de mechanische eigenschappen van deze materialen nauwkeurig kan voorspellen en aanpassen met een verrassend kleine dataset. Door zich te concentreren op macroscopische structurele informatie die wordt gecontroleerd door synthetische recepten, kan deze benadering zachte materialen opleveren met eigenschappen die dicht bij de gewenste liggen. Het succes van dit onderzoek zou verdere discussie tussen materiaalonderzoek en materiaalonderzoek kunnen stimuleren kunstmatige intelligentie onderzoeksgemeenschappen. Het zou ook de ontwikkeling kunnen stimuleren van nieuwe algoritmen die specifiek zijn ontworpen voor kleine datasets, een veelvoorkomende uitdaging in het veld. Door datagestuurde benaderingen en machine learning te gebruiken, kunnen we verschillende zachte materiaalsystemen en ontwerpprocessen efficiënter verkennen, waardoor we een stap dichter bij laboratoriumautomatisering komen.
By
Michael
Berger
Ontwerpsysteem voor zacht materiaal en demonstratie van het ontwerpproces. a) Ontwerpproces van zacht materiaal met behulp van het ontwerpsysteem. Het systeem neemt de gewenste mechanische eigenschappen als invoer en retourneert experimentele omstandigheden in de vorm van (X1, X2 en X3). b) Voorbeelden van een elastomeer met een hoge Young-modulus (b-1) en een elastomeer met een hoge rek bij breuk (dwz hoge rekbaarheid) (b-2). (Overgenomen met toestemming van Wiley-VCH Verlag)
De opkomst van machinaal leren in materiaalontwerp
Dit is waar de kracht van machine learning en materiaalinformatica om de hoek komt kijken. Deze vorderingen hebben het materiaalontdekkingsproces aanzienlijk versneld. Machine learning-algoritmen kunnen subtiele patronen in datasets oppikken die alleen met menselijke intuïtie moeilijk te identificeren zouden zijn. Dit vermogen maakt het omgekeerde ontwerp van materialen mogelijk. Dat betekent een set gewenste materiaaleigenschappen gebruiken om de experimentele parameters te bepalen, wat het ontwerpproces aanzienlijk versnelt. Het gebruik van machine learning-modellen in experimentele studies brengt echter zijn uitdagingen met zich mee. Het verzamelen van de enorme hoeveelheden hoogwaardige experimentele gegevens die nodig zijn voor modeltraining kan tijdrovend en arbeidsintensief zijn. Gelukkig zijn er innovatieve strategieën ontstaan om met minder inspanning hoogwaardige gegevens te verzamelen, zoals het gebruik van gearchiveerde laboratoriumnotitieboekjes of het toepassen van experimentele ontwerptechnieken zoals het ontwerp van experiment (DoE).Een gegevensgestuurde benadering van zacht materiaalontwerp
Een opwindende ontwikkeling in het veld is de toepassing van een datagestuurde benadering om de mechanische eigenschappen van een zacht materiaal op maat te maken. In een recent onderzoek in Geavanceerde functionele materialen("Datagestuurde benadering voor het afstemmen van mechanische eigenschappen van een zacht materiaal"), demonstreerden onderzoekers van Stanford University deze aanpak met behulp van polyurethaan (PU) elastomeer, een veelvoorkomend type zacht materiaal. Het team paste de mechanische eigenschappen van het PU-elastomeer aan door de mengverhouding van de componenten te wijzigen. Ze verzamelden gegevens over de mechanische eigenschappen van het materiaal, zoals Young's modulus, rek bij breuk, maximale sterkte en taaiheid. Met behulp van deze gegevens trainden ze machine learning-modellen om deze eigenschappen te voorspellen op basis van de mengverhoudingen.
Vijf monsters werden voorbereid voor experimentele verificatie. De gewenste mechanische eigenschappen, aangeduid als “Voorspeld” in grafieken, en de gemeten mechanische eigenschappen worden gepresenteerd: Young'smodulus c), rek bij breuk d), maximale sterkte e) en taaiheid f). Foutbalken van "gemeten" gegevenspunten geven 1-standaarddeviatie aan berekend op basis van 3 gemeten gegevens. (Overgenomen met toestemming van Wiley-VCH Verlag) Het mooie van deze methode is dat het 'reverse design' kan doen. U voert de gewenste mechanische eigenschappen in en het model spuugt het synthetische recept uit om die eigenschappen te bereiken. De onderzoekers testten dit door elastomeermonsters te maken met behulp van deze recepten en ontdekten dat de resulterende mechanische eigenschappen nauw overeenkwamen met de invoereigenschappen. De onderzoekers concluderen dat deze datagestuurde benadering van het ontwerp van zachte materialen, gebruikmakend van machine learning, de mechanische eigenschappen van deze materialen nauwkeurig kan voorspellen en aanpassen met een verrassend kleine dataset. Door zich te concentreren op macroscopische structurele informatie die wordt gecontroleerd door synthetische recepten, kan deze benadering zachte materialen opleveren met eigenschappen die dicht bij de gewenste liggen. Het succes van dit onderzoek zou verdere discussie tussen materiaalonderzoek en materiaalonderzoek kunnen stimuleren kunstmatige intelligentie onderzoeksgemeenschappen. Het zou ook de ontwikkeling kunnen stimuleren van nieuwe algoritmen die specifiek zijn ontworpen voor kleine datasets, een veelvoorkomende uitdaging in het veld. Door datagestuurde benaderingen en machine learning te gebruiken, kunnen we verschillende zachte materiaalsystemen en ontwerpprocessen efficiënter verkennen, waardoor we een stap dichter bij laboratoriumautomatisering komen.
By
Michael
Berger
– Michael is auteur van drie boeken van de Royal Society of Chemistry:
Nano-Society: de grenzen van technologie verleggen,
Nanotechnologie: de toekomst is klein en
Nanoengineering: de vaardigheden en tools die technologie onzichtbaar maken
Copyright ©
Nanowerk LLC
Word een Spotlight-gastauteur! Sluit je aan bij onze grote en groeiende groep gastbijdragers. Heb je net een wetenschappelijk artikel gepubliceerd of heb je andere opwindende ontwikkelingen om te delen met de nanotechnologie-gemeenschap? Hier leest u hoe u op nanowerk.com publiceert.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
- De toekomst slaan met Adryenn Ashley. Toegang hier.
- Koop en verkoop aandelen in PRE-IPO-bedrijven met PREIPO®. Toegang hier.
- Bron: https://www.nanowerk.com/spotlight/spotid=63045.php
