Polimery takie jak na przykład polipropylen są we współczesnym świecie kluczowymi materiałami, szeroko stosowanymi w bardzo wielu dziedzinach. Biorąc pod uwagę ich szerokie zastosowanie, istotne jest dla naukowców zajmujących się materiałami dokładne zrozumienie, w jaki sposób nowo opracowane polimery będą zachowywać się w różnych warunkach przetwarzania. Ostatnie badania opublikowane w „Science and Technology of Advanced Materials” przedstawiają przełomową metodę, która może zrewolucjonizować sposób przewidywania zachowania nowych materiałów.
Tradycyjnie przewidywanie właściwości mechanicznych nowych polimerów, takich jak wytrzymałość na rozciąganie lub sprężystość, wymaga kosztownych i niszczących testów fizycznych. Zespół naukowców z Japonii, kierowany przez dr Ryo Tamurę, dr Kenji Nagatę i dr Takashi Nakanishi z National Institute for Materials Science w Tsukubie, opracował jednak metodę, która wykorzystuje sztuczną inteligencję do prognozowania właściwości materiału na podstawie danych z dyfrakcji rentgenowskiej. Podejście to stanowi nieniszczącą alternatywę dla konwencjonalnych metod testowania.
Naukowcy skupili się na grupie polimerów określanej jako homo-polipropyleny. Analizując wzory dyfrakcji rentgenowskiej tych polimerów w różnych warunkach otrzymywania, byli w stanie uzyskać szczegółowe informacje na temat ich złożonych struktur. Zastosowany algorytm uczenia maszynowego został zaprojektowany w celu identyfikacji kluczowych wskaźników opisowych z tych danych, które są niezbędne do dokładnego przewidywania.
Aby tego dokonać, zespół przeanalizował dwa zestawy danych przy użyciu techniki zwanej spektralną dekonwolucją Bayesa. Narzędzie to jest skuteczne w wyodrębnianiu wzorców ze złożonych danych. Pierwszy zestaw danych obejmował dane dyfrakcji rentgenowskiej z 15 rodzajów homo-polipropylenów poddanych działaniu różnych temperatur. Drugi zestaw danych obejmował dane z czterech rodzajów homo-polipropylenów poddanych formowaniu wtryskowemu. Badane właściwości mechaniczne obejmowały sztywność, sprężystość, temperaturę, w której materiał zaczyna się odkształcać oraz punkt rozciągania materiału przed zerwaniem.
Analiza komputerowa z powodzeniem skorelowała cechy obrazów dyfrakcji rentgenowskiej z określonymi właściwościami materiału. Podczas gdy niektóre właściwości mechaniczne były łatwiejsze do przewidzenia, takie jak sztywność i sprężystość, inne, takie jak punkt zerwania przy rozciąganiu, stanowiły większe wyzwanie.
„Wierzymy, że nasze badanie, które opisuje procedurę stosowaną do zapewnienia bardzo dokładnego modelu przewidywania opartego na uczeniu maszynowym, wykorzystującego do tego celu wyniki dyfrakcji rentgenowskiej materiałów polimerowych, będzie stanowić nieniszczącą alternatywę dla konwencjonalnych metod testowania polimerów” – twierdzi dr Ryo Tamura,
Naukowcy uważają, że ich badanie, które szczegółowo opisuje procedurę tworzenia bardzo dokładnego modelu przewidywania uczenia maszynowego przy użyciu tylko wyników dyfrakcji rentgenowskiej, stanowi znaczący postęp w testowaniu polimerów. Sugerują oni również, że ich metoda dekonwolucji widmowej Bayesa może być stosowana do innych rodzajów danych, takich jak rentgenowska spektroskopia fotoelektronów, potencjalnie zapewniając wgląd w szeroką gamę materiałów, zarówno nieorganicznych, jak i organicznych.
Metoda ta może stanowić wzorzec dla przyszłych metod opartych na danych w projektowaniu polimerów i materiałoznawstwie, oferując bardziej wydajny i mniej destrukcyjny sposób przewidywania właściwości materiałów.
