اختصاصی بسپار/ پژوهشگران ژاپنی از یادگیری ماشین (ML) برای بهینه سازی تولید پلیمرها استفاده می‌کنند

گروه ترچمه و تولید محتوا در بسپار/ایران پلیمر تیمی از پژوهشگران موسسه‌ی علم و فناوری نارا در ژاپن از یادگیری ماشینی (ml) برای مدل‌سازی ریاضی فرایند بسپارش و کاهش نیاز به آزمایش‌های وقت‌گیر و پرهزینه استفاده کرده‌اند و نتایج آن را به چاپ رسانده‌اند.

تولید داده‌های تجربی
پژوهشگران فرایند بسپارشی را طراحی کردند که به سرعت و کارامدی داده‌های تجربی را برای استفاده در مدل ریاضی تولید می‌کرد.
مولکول هدف یک هم‌بسپار استایرن- متیل متاکریلات بود که با مخلوط کردن تکپارهای استایرن و متیل متاکریلات که هر دو قبلا در یک حلال همراه با یک ماده آغازگر حل شده بودند، ساخته شد. با داشتن داده‌های تجربی کافی و البته دقیق (با روش‌هایی که در آن امکان اختلاط بهتر، گرمایش کارامدتر و کنترل دقیق‌تر زمان گرمایش و سرعت جریان را فراهم می‌کند و آن را برای استفاده با یادگیری ماشین ایده‌آل می‌کند) می‌توان به خوبی از مدل ریاضی برای پیش‌بینی استفاده کرد.

این مدل‌سازی اثر پنج متغیر کلیدی را در فرایند بسپارش ارزیابی کرد – غلظت آغازگر، نسبت حلال به تکپار، نسبت استایرن، دمای واکنش و زمان صرف شده در حمام آب؛ و هدف این بود که محصول نهایی با حداکثر 50 درصد استایرن به دست آید.

فرایند یادگیری ماشین
هنگامی که داده‌های تجربی کافی در دسترس بود، فرایند یادگیری ماشین تنها پنج چرخه‌ی محاسبه نیاز داشت تا به نسبت ایده‌آل استایرن به متیل متاکریلات برسد. نتایج نشان داد که موضوع با اهمیت دمای کمتر و زمان طولانی‌تر در حمام آب و هم‌چنین کاهش غلظت نسبی تکپار در حلال بود و اینکه غلظت حلال به اندازه‌ی نسبت تکپارهایی که وارد می‌شوند، مهم است.