Kunstig intelligens kaster lys over membranydelsen

Membranseparationer har længe været anerkendt som energieffektive processer med et hurtigt voksende marked. I særdeleshed, organisk opløsningsmiddel nanofiltrering (OSN) teknologi har vist et stort potentiale, når det anvendes på forskellige industrier, såsom petrokemikalier, lægemidler og naturprodukter. Energien, der forbruges af disse industrier, tegner sig for 10 til 15 procent af verdens samlede energiforbrug.

Alligevel, vanskeligheder med at forudsige adskillelsesydelsen af ​​OSN -membraner har forhindret problemfri overgang fra laboratorieopdagelse til implementering i industrien. Forudsigelse af membraners ydeevne er en udfordrende opgave på grund af opløsningsmiddels komplekse karakter, opløste og membraninteraktioner. "På trods af ekspansiv litteratur og rapporter om membranapplikationer, der forblev ingen omfattende database til at guide samfundet, "siger projektlederen Gyorgy Szekely fra Advanced Membranes &Porous Materials Center, King Abdullah University of Science and Technology (KAUST).

Forskere på KAUST samarbejdede med forskere ved Incheon National University, Sydkorea, at udvikle en kunstig intelligens (AI) baseret forudsigelsesmetode, der hurtigt vil spore den industrielle implementering af membraner i organiske medier. De udførte datamining for at give det største datasæt, omfattende mere end 38, 000 datapunkter i feltet. I stedet for at nærme sig problemet med forudsigelse fra et grundlæggende matematisk perspektiv, de er brudt væk fra konventioner ved at udnytte AI. Mens en erfaren membranforsker kan fortolke komplekse membrandata i tre dimensioner (i bedste fald fire dimensioner), AI kan analysere flerdimensionale data og udtrække skjulte tendenser og korrelationer meget effektivt.

"For at belyse de vigtigste parametre for membranydelse (f.eks. selektivitet og permeabilitet), vi udførte en grundig hovedkomponentanalyse med 18 dimensioner, "siger den første forfatter til undersøgelsen Jiahui Hu." Vi anvendte maskinlæringsalgoritmer (kunstige neurale netværk, understøtter vektormaskiner, og tilfældige skovmodeller), der forudsagde separationsydelse med en hidtil uset nøjagtighed på 98% for permeance og 91% for selektivitet. "

I øvrigt, forskningsresultaterne baner vejen mod bedre membrandesign og -udvikling. Den udviklede metode til forudsigelse af præstationer gør det muligt at udvikle energieffektive separationer i silico. "Ultimativt, vi er et skridt tættere på den nødvendige transformation fra vådlaboratoriet til det kabelforbundne laboratorium, "siger Szekely." Den hurtige identifikation af den rigtige membran til en given adskillelsesudfordring vil gøre det muligt at maksimere profitmargenerne ved at minimere besværlige eksperimentelle screeninger i laboratoriet. "