Rice University-forskare använder maskininlärningstekniker för att effektivisera processen att syntetisera grafen från avfall genom flash-joule-uppvärmning.

Processen som upptäcktes för två år sedan av kemisten James Tours Rice-lab har expanderat bortom att göra grafen från olika kolkällor till att utvinna andra material som metaller från stadsavfall, med löfte om mer miljövänlig återvinning.

Tekniken är densamma för alla ovanstående:sprängning av en stöt av hög energi genom källmaterialet för att eliminera allt utom den önskade produkten. Men detaljerna för att blinka varje råmaterial är olika.

Forskarna beskriver i Advanced Materials hur maskininlärningsmodeller som anpassar sig till variabler och visar dem hur man optimerar procedurer hjälper dem att gå framåt.

"Machine-learning algoritmer kommer att vara avgörande för att göra flashprocessen snabb och skalbar utan att negativt påverka grafenproduktens egenskaper," sa Tour.

"Under de kommande åren kan flashparametrarna variera beroende på råvaran, oavsett om det är petroleumbaserat, kol, plast, hushållsavfall eller något annat", sa han. "Beroende på vilken typ av grafen vi vill ha - små flingor, stora flingor, hög turbostratisk, renhetsnivå - kan maskinen själv urskilja vilka parametrar som ska ändras."

Eftersom blinkande gör grafen på hundratals millisekunder, är det svårt att reta ut detaljerna i den kemiska processen. Så Tour and company tog en ledtråd från materialvetare som har arbetat med maskininlärning i sin vardagliga upptäcktsprocess.

"Det visade sig att maskininlärning och flash Joule-uppvärmning hade riktigt bra synergieffekter", säger Rice doktorand och huvudförfattare Jacob Beckham. "Flash Joule-uppvärmning är en riktigt kraftfull teknik, men det är svårt att kontrollera vissa av de inblandade variablerna, som hastigheten på strömurladdningen under en reaktion. Och det är där maskininlärning verkligen kan lysa. Det är ett utmärkt verktyg för att hitta samband mellan flera variabler , även när det är omöjligt att göra en fullständig sökning av parameterutrymmet.

"Denna synergi gjorde det möjligt att syntetisera grafen från skrotmaterial helt baserat på modellernas förståelse av Joule-uppvärmningsprocessen", sa han. "Allt vi behövde göra var att utföra reaktionen - som så småningom kan automatiseras."

Labbet använde sin anpassade optimeringsmodell för att förbättra grafenkristallisationen från fyra utgångsmaterial - kolsvart, plastpyrolysaska, pyrolyserade gummidäck och koks - över 173 försök, med Raman-spektroskopi för att karakterisera utgångsmaterialen och grafenprodukterna.

Forskarna matade sedan mer än 20 000 spektroskopiresultat till modellen och bad den att förutsäga vilka utgångsmaterial som skulle ge det bästa utbytet av grafen. Modellen tog även hänsyn till effekterna av laddningstäthet, provmassa och materialtyp i sina beräkningar. + Utforska vidare

Flash grafen rockar strategi för plastavfall