Machine learning voorspelt eigenschappen nanoporeuze materialen

De Universiteit Gent en de Universiteit van Cambridge ontwikkelden een computeralgoritme op basis van machine learning dat de mechanische eigenschappen van deze materialen voorspelt.

Trefwoorden: #3D, #adsorptie, #algoritme, #Colorado School of Mines, #eigenschappen, #interactief, #machine learning, #metaal-organische roosters, #MOFs, #moleculen, #nano, #poeder, #UGent, #Universiteit van Cambridge, #website

Lees verder

research

( Foto: © Prof. David Fairen-Jimenez - Universiteit van Cambridge )

ENGINEERINGNET.BE - Metaal-organische roosters, ofwel metal-organic frameworks (MOF's) bestaan uit een combinatie van bouwblokken. Door bouwblokken met gewenste eigenschappen te selecteren en samen te voegen tot een periodiek 3D-materiaal, ontwikkelen onderzoekers al veel soorten MOFs.

MOFs halen onder meer water uit woestijnlucht, slaan gevaarlijke gassen op of maken auto’s op basis van waterstof mogelijk. Maar deze veelbelovende materialen zijn vaak fragiel.

Dit is een gevolg van hun sterk poreuze structuur en immense interne oppervlakte: een MOF ter grootte van een suikerklontje bezit eenzelfde interne oppervlakte als zes voetbalvelden.

Dit maakt hen heel efficiënt voor de adsorptie en opslag van molecules, maar zorgt er ook voor dat ze heel gemakkelijk in elkaar klappen onder druk.

Omdat de gebruikelijke productieprocessen MOFs in poedervorm opleveren, is een extra stap nodig om deze poeders samen te drukken tot grotere en bruikbare materialen. Vanwege hun porositeit klappen veel MOFs in elkaar tijdens dit proces, waarbij tijd en geld verloren gaan.

Onderzoekers aan de Universiteit van Cambridge, de Universiteit Gent en de Colorado School of Mines ontwikkelden daarom een algoritme op basis van machine learning.

Hiervoor rekenden de onderzoekers eerst 3.385 MOFs door met moleculaire simulaties, waarna ze met een vrij toegankelijk algoritme, op basis van machine learning, de mechanische eigenschappen van zowel bestaande als nog te produceren MOFs voorspellen.

Het resultaat is een interactieve map van de structurele en mechanische eigenschappen van MOFs, zodat onderzoekers in het vervolg alleen nog MOFs met de nodige mechanische stabiliteit produceren.

Ook lanceerden de onderzoekers een interactieve website waarop wetenschappers hun eigen MOFs ontwerpen en meteen kunnen voorspellen of ze voldoende stabiel zijn. Deze toepassing helpt om de afstand tussen experimentatoren en computationele onderzoekers werkzaam in dit vakgebied te overbruggen.