Das Auflösen von Polymeren mit organischen Lösungsmitteln ist der wesentliche Prozess in der Forschung und Entwicklung von Polymermaterialien, einschließlich Polymersynthese, Veredelung, Lackierung und Beschichtung. Das Recycling von Kunststoffabfällen ist heute mehr denn je ein besonders wichtiger Teil der Reduzierung des Kohlenstoffs, der durch die Materialentwicklungsprozesse entsteht.
Polymere beziehen sich in diesem Fall auf Kunststoffe und kunststoffähnliche Materialien, die bestimmte Lösungsmittel benötigen, um sich effektiv aufzulösen und somit recycelbar zu werden, obwohl es nicht so einfach ist, wie es klingt. Mithilfe der Datenbank der Mitsubishi Chemical Group (MCG) für quantenchemische Berechnungen entwickelten Wissenschaftler ein neuartiges maschinelles Lernsystem zur Bestimmung der Mischbarkeit eines beliebigen Polymers mit seinen Lösungsmittelkandidaten, die als χ (Chi)-Parameter bezeichnet werden.
Dieses System hat es Wissenschaftlern ermöglicht, die Einschränkungen zu überwinden, die sich aus einer begrenzten Menge experimenteller Daten zur Polymer-Lösungsmittel-Mischbarkeit ergeben, indem umfangreiche Daten aus Computerexperimenten mithilfe von Hochdurchsatz-Quantenchemieberechnungen integriert wurden.
Die Forscher veröffentlichten ihre Arbeit in der Zeitschrift Makromoleküle.
Durch die integrale Verarbeitung der beiden unterschiedlichen Datensätze aus quantenchemischen Berechnungen und realen Experimenten in einem methodischen Rahmen namens Multitask-Lernen ist es den Forschern gelungen, ein Modell zu erstellen, das die Mischbarkeit jedes Polymer-Lösungsmittel-Mischsystems mit extrem hoher Genauigkeit vorhersagen kann.
Mithilfe dieses Modells können Lösungsmittelmoleküle ausgewählt und neu gestaltet werden, die Kunststoffabfällen, die aus einer Mischung verschiedener Kunststoffarten bestehen, zugesetzt werden, um gezielt nur bestimmte Materialien abzutrennen. Derart konzipierte Lösungsmittel werden auch als „Mischvermittler“ zur Herstellung leistungsstarker Polymermischungen verwendet.
„Insbesondere in den letzten Jahren sind die Erwartungen an technologische Innovationen für das Recycling von Kunststoffabfällen rasant gestiegen, da wir uns auf die Verwirklichung einer dekarbonisierten Gesellschaft zubewegen. Die Entwicklung von Mischvermittlern für verschiedene Arten von Polymeren wird für die Verbesserung der Recyclingraten von Kunststoffabfällen von entscheidender Bedeutung sein“, sagte er Ryo Yoshida, Autor und Forscher der Studie.
Das von den Forschern entwickelte Vorhersagemodell kann die χ-Parameter etwa 40-mal schneller berechnen als herkömmliche quantenchemische Berechnungen. Mit diesem Modell kann das Screening von Millionen von Größenordnungen möglicher Lösungsmittelmoleküle mit ultrahoher Geschwindigkeit durchgeführt werden.
Bisher hat sich das Modell als genau erwiesen, wenn es darum geht, herauszufinden, was erforderlich ist, um das Polymer und das Lösungsmittel zu einer homogenen Mischung zu machen, die für das ordnungsgemäße Recycling geeignet ist, wodurch ein Großteil des Rätselratens und der Versuche und Irrtümer bei der Herstellung einer mischbaren Substanz entfällt geeignet für die entsprechende Recyclingmethode.
Aber bei jeder neuen und aufkommenden Technologie gibt es immer etwas zu tun, um den Prozess zu rationalisieren und die Probleme zu beseitigen, bevor sie wirklich für den großtechnischen Einsatz bereit ist.
„Um maschinelle Lerntechniken weiter zu verbessern und zu erweitern und offene Innovation und offene Wissenschaft im Bereich der Materialinformatik zu fördern, haben wir einen Teil des entwickelten Quellcodes und der Daten der Öffentlichkeit zugänglich gemacht“, sagte Yoshida.
Einige Einschränkungen bestehen darin, dass das Modell nicht in der Lage ist, die Abhängigkeit der Mischbarkeit eines Polymers von seinem Molekulargewicht oder anderen Zusammensetzungsmerkmalen zu bestimmen. Die Veröffentlichung der Daten und einiger Teile des Quellcodes für die Öffentlichkeit kann jedoch den für das Modell verfügbaren Datensatz erweitern. So kann es diese Informationen aufnehmen und mehr erfahren, um die tatsächliche Mischbarkeit eines Polymers besser darstellen zu können. Open Innovation und Crowd-Sourcing-Daten können äußerst nützlich sein, wenn es darum geht, in relativ kurzer Zeit viele Daten zu erhalten.
Die Fähigkeit, die Mischbarkeit von Polymeren vorherzusagen und zu verstehen, könnte sich als bedeutende Innovation in der Zukunftstechnologie erweisen, wenn es um die Materialentwicklung und die anhaltende Notwendigkeit geht, Kunststoffabfälle intelligent zu recyceln, während sich unsere Gesellschaft von Materialien auf Kunststoffbasis abwendet.
Mehr Informationen:
Yuta Aoki et al., Multitasking Machine Learning zur Vorhersage der Polymer-Lösungsmittel-Mischbarkeit mithilfe von Flory-Huggins-Wechselwirkungsparametern, Makromoleküle (2023). DOI: 10.1021/acs.macromol.2c02600
Bereitgestellt von der Forschungsorganisation für Information und Systeme