2020年4月15日
塑料的合成前体,如聚合物,包括专门的催化剂。然而,传统的寻找和筛选batch-based方法正确的对于一个给定的结果升的溶剂消耗,产生大量的化学废物,是一个昂贵、费时的过程涉及多个试验。
瑞恩•哈特曼纽约大学化学和生物分子工程学教授Tandon工程学院,和他的实验室开发了一种实验室“智能微系统”采用机器学习,建模化学反应显示了消除这种昂贵的过程,承诺减少环境危害。
在他们的研究中,“自动微流控实验与机器学习相结合的高效聚合设计,”发表在自然机器智能,合作者,包括博士生本杰明Rizkin,采用专门设计的,快速原型微反应器与自动化和原位红外测温术研究放热(放热)聚合反应,是出了名的难以控制在有限的实验动力学数据是可用的。搭配高效的微流控技术与机器学习算法来获得高保真数据集的基于最小迭代,他们能够减少两个数量级的化学废物和催化发现从几周时间。
哈特曼说,设计所需的微流控设置团队首先估计聚合反应的热力学,在这种情况下涉及的茂金属催化剂,广泛应用于工业规模的聚乙烯聚合和其他热塑性聚合物。
我们首先开发了一个数量级估计热量和质量传输。这些量的知识使我们能够设计一个微流控设备,屏幕催化剂的活性和能提供可伸缩的模仿工业化进程所需的内在动力学机制。”
瑞恩•哈特曼纽约大学化学和生物分子工程学教授经脉工程学院
哈特曼说,这样一个台式系统可以打开门其他一系列的实验数据。“这可能提供上下文分析感兴趣的其他属性,如如何流混合,分散,传热、传质、聚合物特性和反应动力学的影响,”他解释道。
使用一类zirconocene-based聚合物催化剂,研究小组配对微流体,证明在其他放热反应的研究,与自动泵和红外热成像来检测基于温升的变化反应释放在他们生成热(化合物)导致高效、高速实验绘制催化剂的反应空间。因为这个过程是在一个小型反应堆进行的,他们能够引入催化剂溶解在液体,消除极端条件下诱导催化的必要性。
“事实是,大多数塑料用茂金属催化剂绑定到二氧化硅粒子,创建一个异构聚合单体丙烯和乙烯的衬底,”哈特曼说。yabo214“最近的进步同质的溶解茂金属催化剂允许温和的反应条件。”
哈特曼的小组先前表明,人工神经网络(ANN)可以用作一个工具建模和理解聚合途径。在这项新的研究应用人工神经网络建模zirconocene-catalyzed放热聚合。使用MATLAB和虚拟仪器系统来控制反应,接口与外部设备,并产生先进的计算算法,研究人员生成一系列的人工神经网络模型和基于实验结果优化催化。
“化学公司通常使用100毫升10-liter反应堆筛选成百上千的催化剂,反过来可以放大生产塑料。这里我们使用不到一毫升,缩减了足迹的实验室实验你减少所需的设施,所以整个内存使用量会减少。我们的工作提供了一个有用的工具用于科学和technoeconomic分析复杂的催化聚合反应,”哈特曼说。
哈特曼和他的实验室发现开门的新类型的研究,主要涉及自动化的概念,或“机器人”化学、增加吞吐量,数据保真度和高度放热聚合反应的安全处理。
他解释说,原则上,方法可能导致更有效的设计和环保塑料,因为筛选催化剂和聚合物更快允许更快的调整过程的能力更加环保的聚合物。
本研究是基于工作得到美国国家科学基金会的支持。亚博老虎机网登录
来源:https://engineering.nyu.edu/