El aprendizaje automático puede predecir las propiedades mecánicas de los polímeros
Un algoritmo de aprendizaje automático puede utilizar datos de difracción de rayos X de polímeros para predecir el comportamiento de nuevos materiales.
Los polímeros como el polipropileno son materiales fundamentales en el mundo moderno, y se encuentran en todo, desde ordenadores hasta coches. Debido a su ubicuidad, es vital que los científicos de materiales sepan exactamente cómo se comportará cada nuevo polímero desarrollado en diferentes condiciones de preparación. Gracias a un nuevo estudio, publicado en Science and Technology of Advanced Materials, los científicos pueden ahora utilizar el aprendizaje automático para determinar qué esperar de un nuevo polímero.
Predecir las propiedades mecánicas de los nuevos polímeros, como su resistencia a la tracción o su flexibilidad, suele implicar someterlos a pruebas físicas destructivas y costosas. Sin embargo, un equipo de investigadores de Japón, dirigido por los doctores Ryo Tamura, Kenji Nagata y Takashi Nakanishi, del Instituto Nacional de Ciencia de Materiales de Tsukuba, demostró que el aprendizaje automático puede predecir las propiedades materiales de los polímeros. Desarrollaron el método en un grupo de polímeros llamados homo-polipropilenos, utilizando patrones de difracción de rayos X de los polímeros en diferentes condiciones de preparación para proporcionar información detallada sobre su compleja estructura y características.
"El aprendizaje automático puede aplicarse a datos de materiales existentes para predecir las propiedades de materiales desconocidos", explican los doctores Tamura, Nagata y Nakanishi. "Sin embargo, para lograr predicciones precisas, es esencial utilizar descriptores que representen correctamente las características de estos materiales".
Los polímeros termoplásticos cristalinos, como el polipropileno, tienen una estructura especialmente compleja que se altera aún más durante el proceso de moldeado para darles la forma del producto final. Por lo tanto, para el equipo era importante captar adecuadamente los detalles de la estructura de los polímeros mediante difracción de rayos X y asegurarse de que el algoritmo de aprendizaje automático pudiera identificar los descriptores más importantes en esos datos.
El nuevo método captó con precisión los cambios estructurales del polipropileno, un plástico de uso común, durante el proceso de moldeado para darle forma de producto final.
Para ello, analizaron dos conjuntos de datos utilizando una herramienta llamada deconvolución espectral bayesiana, que puede extraer patrones de datos complejos. El primero eran datos de difracción de rayos X de 15 tipos de homo-polipropilenos sometidos a diversas temperaturas, y el segundo eran datos de cuatro tipos de homo-polipropilenos sometidos a moldeo por inyección. Las propiedades mecánicas analizadas incluían la rigidez, la elasticidad, la temperatura a la que el material empieza a deformarse y cuánto se estiraría antes de romperse.
El equipo descubrió que el análisis de aprendizaje automático relacionaba con precisión las características de las imágenes de difracción de rayos X con propiedades materiales específicas de los polímeros. Algunas de las propiedades mecánicas eran más fáciles de predecir a partir de los datos de difracción de rayos X, mientras que otras, como el punto de rotura por estiramiento, eran más difíciles.
"Creemos que nuestro estudio, que describe el procedimiento utilizado para proporcionar un modelo de predicción de aprendizaje automático de alta precisión utilizando únicamente los resultados de difracción de rayos X de materiales poliméricos, ofrecerá una alternativa no destructiva a los métodos convencionales de ensayo de polímeros", afirman los investigadores del NIMS.
El equipo también sugirió que su enfoque bayesiano de deconvolución espectral podría aplicarse a otros datos, como la espectroscopia de fotoelectrones de rayos X, y utilizarse para comprender las propiedades de otros materiales, tanto inorgánicos como orgánicos.
. "Podría convertirse en un caso de prueba para futuros enfoques basados en datos para el diseño y la ciencia de polímeros", afirma el equipo del NIMS.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Ryo Tamura, Kenji Nagata, Keitaro Sodeyama, Kensaku Nakamura, Toshiki Tokuhira, Satoshi Shibata, Kazuki Hammura, Hiroki Sugisawa, Masaya Kawamura, Teruki Tsurimoto, Masanobu Naito, Masahiko Demura, Takashi Nakanishi; "Machine learning prediction of the mechanical properties of injection-molded polypropylene through X-ray diffraction analysis"; Science and Technology of Advanced Materials, 2024-8-5
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
