Mikroinkapslad CO ₂ sorbenter (MECS) - små, återanvändbara kapslar fulla av en natriumkarbonatlösning som kan absorbera koldioxid från luften - är en lovande teknik för att fånga kol från atmosfären. För att skapa de kaviarliknande föremålen, forskare kör tre vätskor genom en serie mikrofluidiska komponenter för att skapa droppar som förvandlas till kapslar när de utsätts för ultraviolett ljus nedströms. Dock, vätskeegenskaper och flödeshastigheter kan förändras under experiment. Dessa förändringar kan leda till kapslar som är defekta, felaktig storlek eller på annat sätt oanvändbar, vilket resulterar i igensättning av enheten, förorenade prover och bortkastad tid.

Hittills, denna process för att skapa mikrokapslar har krävt konstant övervakning, en vardaglig uppgift för operatörer. Men Lawrence Livermore National Laboratory (LLNL) forskare har upptäckt att de kan använda maskininlärning för att automatisera mikroinkapslingskvalitetskontroll i realtid, utforma en algoritm för att bestämma "bra" kapslar från "dåliga" och utveckla en ventilbaserad mekanism som kan sortera dem utan mänskligt ingripande. Forskningen publicerades den 15 april i tidskriften Lab on a Chip .

LLNL-forskare sa att den bildbaserade algoritmen för maskininlärning kan upptäcka problemkapslar och utlösa ett svar upp till 40 gånger per sekund, eliminera den monotona uppgiften att övervaka tillverkning av mikrokapslar, spara på bortkastat material. Vidare, dessa funktioner bör översättas till andra applikationer för mikrokapslar bortom kolavskiljning, som medicin, kosmetika eller livsmedelstillsatser.

"När du tillverkar kapslar för kolavskiljning, [operatörer] måste barnvakta processen medan de hanterar andra uppgifter för ett experiment. Om något stör processen medan de inte övervakar det, det är tid och produkt förlorad, "sa LLNL -ingenjören och projektchefens utredare Brian Giera." Problemet var uppenbart eftersom alla klagar över att de måste göra övervakningsdelen, så vi ville bara hjälpa till att ta människan ur slingan. "

För ett väletablerat experiment, dessa olyckor händer sällan, så lågt som mindre än 1 procent av tiden. Men när de inträffar, de kan vara skadliga, till och med leda till en katastrofal störning av experimentet. Operatörer kan förutsäga förändringar i vätskeegenskaper, men det finns också slumpmässiga faktorer som kan påverka ett experiment, såsom orenhet i vätskorna eller fångade små luftbubblor. Hur som helst, det kräver alltid konstant övervakning av processen för att säkerställa omedelbart mänskligt ingripande när dessa "dåliga" scenarier inträffar.

Rent generellt, mikroinkapslingsanordningar placeras under ett mikroskop och kan avbildas digitalt, Giera sa, så forskare hade tillgång till bilder av processen av hög kvalitet. Giera siktade genom 70, 000 bilder, att märka var och en i fyra kategorier:droppar som var tydliga och väldefinierade; de som kan täppa till och skada enheten; defekta kapslar; och kapslar som kan spricka eller gå sönder. Tidningens medförfattare, LLNL -forskare Albert Chu, förstärkte datamängden genom att ändra varje bild enligt typiskt sett experimentella variationer, t.ex. justera fokus, bildens rotation och ljusstyrka, för att utöka datauppsättningen till 6 miljoner bilder.

Forskare utbildade sedan maskininlärningsalgoritmen i den utökade datamängden, vilket resulterar i en mycket exakt och robust förutsägbar modell, och LLNL-forskare och medledande författare Du Nguyen skapade en anpassad eftermonterad sorteringsanordning med ventiler som vänds av och på för att omdirigera flödet, och kunde kasta de "dåliga" mikrokapslarna med mer än 95 procents noggrannhet. Nguyen sa att kombinera algoritmen med en sorteringsenhet blev lite svårare att göra än vid första anblicken.

"Det fanns en hel del extra portioner vi inte tänkte på, "Nguyen sa." Efter att dropparna bildats, det tar tid (cirka 30 sekunder) för dem att komma till själva ventilen, och när ventilerna fungerar förändras det tryck som uppstår, för. Algoritmen detekterar vad som bildas men det finns ytterligare delar i kontrollaspekten också. Vi var tvungna att arbeta tillsammans för att implementera algoritmen till en realistisk kontrollinställning. "

Nguyen sa att enheten kan eftermonteras på befintliga mikroinkapslingsinställningar och vidareutvecklas för att minska den tid det tar för kapseln att resa till ventilen och kompensera för tryckförändringar som orsakas av ventilerna för ännu bättre kontroll. Nguyen sade förutom att han applicerade på parallelliserade mikrofluidik, där det kan tillåta forskare att analysera flera kanaler samtidigt, det kan hjälpa forskare att utforska ett nytt materialutrymme för kapslarna.

"En del av det vi gjorde innan var att hitta rätt material och sätt att sätta upp det så att vi inte behöver ständigt övervaka det, "Nguyen sa." Vår avsikt med maskininlärning är att nu kanske vi kan använda olika material som inte nödvändigtvis är lika stabila och använda algoritmen för att reda ut det för oss. "

Även om arbetet representerar en "framgångsrik första demonstration" av att tillämpa en maskininlärningsmetod för mikroinkapsling, Giera sa, forskare skulle vilja göra tekniken mer användarvänlig, kanske lägga till ett grafiskt användargränssnitt. Som det ser ut nu, systemet kan skicka textmeddelanden som kan varna operatören om ett problem med tillverkningsprocessen som måste åtgärdas. Så småningom, de vill också experimentera med mer optimerade ventiler som skulle resultera i snabbare växlingstider. Deras ultimata vision är att utveckla ett fristående kontrollsystem för maskininlärning som rättar till processen utan behov av mänskligt ingripande.

Giera sa att med hjälp av en maskininlärningsalgoritm för att göra realtidsövervakning och sortering av mikrokapslar kan det hjälpa ingenjörer att övervinna en stor vägspärr för att skala upp mikrofluidiska system-hantera oförutsägbara abnormiteter i vätskeflöde som uppstår på grund av träskor, partiklar och bubblor och justera flödeshastigheter förutsägbart baserat på en förändring i vätskeegenskaper.

"Vi tänker med mikrofluidiska droppbaserade fall, särskilt med den mycket parallella versionen av detta, maskininlärning kommer att vara centralt för detta, "Giera sa." Det är jobbigt att få dessa forskningsbaserade mikrofluidiska system att köra i en produktionsskala som Lab kräver. Vi känner att möjligheten är mogen för övervakning, och kontrolldelarna av övervakning och svar skulle vara den svåra delen, det skulle vara applikationsspecifikt. "