Oplåsning af membranbaseret He/H₂-separation med AI

Teknologiske fremskridt og dataudbredelse har betragtet kunstig intelligens (AI)-drevet innovation som en vækstmulighed for udvikling af banebrydende materialer til specielle applikationer, især inden for gasseparation. En af hovedudfordringerne forbundet med denne proces er de ekstremt tætte kinetiske diametre af de to gasmolekyler, hvilket resulterer i lav membranselektivitet.

I en undersøgelse offentliggjort i Green Chemical Engineering , kom en gruppe forskere fra Kina med en ny tilgang til at udforske materialer med forbedret heliumekstraktionseffektivitet – ved hjælp af kunstig intelligens.

Forskerne undersøgte især forhold mellem struktur og ydeevne, belyste separationsmekanismer og identificerede afgørende faktorer, der påvirker separationsydelsen til at designe metal-organiske rammer (MOF)-baserede membraner. Den porebegrænsende diameter (PLD) og hulrumsfraktionen (φ) blev afsløret som de vigtigste fysiske egenskaber til bestemmelse af henholdsvis membranselektiviteten og He-permeabiliteten.

"Traditionel materialeudvikling står over for begrænsninger, men kunstig intelligens revolutionerer feltet," siger Zhengqing Zhang, ledende efterforsker af undersøgelsen "Vores tilgang afslører ikke kun skjulte mekanismer, men afslører også ny indsigt."

Holdet håber, at deres resultater vil tilskynde videnskabsmænd til at fortsætte med at undersøge skæringspunktet mellem kunstig intelligens og materialevidenskab og åbne døre til hidtil usete teknologiske fremskridt.

Flere oplysninger: Shitong Zhang et al., Maskinlæring støttet undersøgelse af struktur-ydelseskorrelationen af ​​MOF for membranbaseret He/H₂ separation, Grøn Chemical Engineering (2024). DOI:10.1016/j.gce.2024.01.005

Leveret af KeAi Communications Co.