28 ژانویه 2025 -توسط دانشگاه علم و صنعت ملک عبدالله-محققان KAUST ابزار یادگیری ماشینی را با استفاده از نزدیک به 10000 اندازه گیری نانوفیلتراسیون برای پیش بینی کارآمدترین و مقرون به صرفه ترین فناوری جداسازی برای مخلوط های شیمیایی توسعه دادند. اعتبار: 2025 KAUST
جداسازی و خالص‌سازی مخلوط‌های نزدیک مرتبط از مولکول‌ها می‌تواند یکی از پر انرژی‌ترین فرآیندها در صنایع شیمیایی باشد و به ردپای کربن قابل توجه آن در سطح جهانی کمک می‌کند. در بسیاری از موارد، پروتکل‌های جداسازی صنعتی سنتی را می‌توان با استفاده از جدیدترین غشاهای نانوفیلتراسیون با انرژی کارآمد جایگزین کرد – اما آزمایش بهترین فناوری جداسازی برای هر مورد استفاده صنعتی کند و پرهزینه است.
یک ابزار محاسباتی که می‌تواند این کار را با مقایسه فن‌آوری‌های جداسازی برای یک مخلوط شیمیایی معین کاهش دهد و کارآمدترین و ارزان‌ترین فناوری را برای این کار پیش‌بینی کند، توسط محققان KAUST ایجاد شده است. این کار در مجله Nature Energy منتشر شده است.
Gyorgy Szekely، سرپرست این تحقیق می‌گوید: «ما قادریم جداسازی میلیون‌ها مولکول مرتبط در صنایع مانند داروسازی، آفت‌کش‌ها و رنگدانه‌ها را پیش‌بینی کنیم.
غشاهای نانوفیلتراسیون تجاری می توانند با فیلتر کردن انتخابی محصول مورد نظر، هزینه انرژی جداسازی شیمیایی را در مقایسه با روش های سنتی مبتنی بر حرارت مانند تبخیر و تقطیر کاهش دهند. با این حال، نانوفیلتراسیون در همه موارد کار نمی کند.
Szekely می‌گوید: «پیش‌بینی عملکرد جداسازی غشاها برای مخلوط‌های شیمیایی مختلف یک چالش بسیار دشوار است.
Szekely و تیمش برای توسعه ابزار انتخاب فناوری جداسازی شیمیایی کلی خود، مجموعه ای از نزدیک به 10000 اندازه گیری نانوفیلتراسیون را از متون علمی با تمرکز بر غشاهای تجاری در دسترس گردآوری کردند.
محققان از یادگیری ماشینی برای تجزیه و تحلیل داده ها استفاده کردند و یک مدل هوش مصنوعی تولید کردند که قادر به پیش بینی عملکرد نانوفیلتراسیون برای مخلوط های شیمیایی آزمایش نشده است. این اطلاعات با مدل‌های مکانیکی ترکیب شد تا انرژی و هزینه مورد نیاز یک جداسازی شیمیایی را در صورت انجام نانوفیلتراسیون، تبخیر یا استخراج تخمین بزند.
Gergo Ignacz، یکی از اعضای تیم Szekely می‌گوید: «رویکرد جدید مدل‌سازی ترکیبی ما را قادر می‌سازد میلیون‌ها گزینه جداسازی بالقوه را ارزیابی کنیم، تا مناسب‌ترین و کم مصرف‌ترین فناوری را برای هر کار جداسازی شیمیایی مشخص کنیم». این به صنعت اجازه می دهد تا تصمیمات آگاهانه تری اتخاذ کند که به طور قابل توجهی هزینه های عملیاتی، مصرف انرژی و انتشار کربن را کاهش می دهد.
Szekely می‌گوید، قدرت پیش‌بینی مدل ترکیبی با استفاده از سه مطالعه موردی مرتبط صنعتی تأیید شد. ما تطابق بسیار خوبی بین مقادیری که مدل ما پیش‌بینی کرده بود و مقادیر اندازه‌گیری شده برای این فرآیندها یافتیم.
محققان نشان دادند که با انتخاب کارآمدترین فناوری برای این کار، انتشار دی اکسید کربن حاصل از تصفیه های دارویی را می توان تا 90 درصد کاهش داد. آنها برآورد کردند که به طور کلی مصرف انرژی و انتشار دی اکسید کربن جداسازی های صنعتی را می توان با استفاده از این روش به طور متوسط 40 درصد کاهش داد.
Ignacz می گوید، یکی از یافته های شگفت انگیز تفاوت فاحش بین بهترین روش و دو روش دیگر برای هر جداسازی معین بود. در بیشتر موارد، نانوفیلتراسیون، تبخیر یا استخراج به‌عنوان یک برنده آشکار ظاهر می‌شوند، با یک روش به طور قابل‌توجهی بهتر از روش‌های دیگر بر اساس معیارهای اقتصادی و انرژی، و حد وسط کمی باقی می‌ماند.»
Szekely می‌گوید: اگرچه ثابت شد که قدرت پیش‌بینی این مدل بالاست، اما هنوز جا برای بهبود و اعتبار بیشتر وجود دارد..
