6 ژوئن 2024-تکنولوژی پوشیدنی-© shutterstock/metamorworks
مهندسان دانشگاه مریلند (UMD) مدلی را توسعه داده‌اند که یادگیری ماشین و روباتیک مشارکتی را برای غلبه بر چالش‌ها در طراحی مواد مورد استفاده در فناوری پوشیدنی ترکیب می‌کند.روش تسریع شده برای ایجاد مواد ایروژل مورد استفاده در فناوری پوشیدنی می تواند فرآیندهای طراحی مواد جدید را خودکار کند.
علیرغم ماهیت ساده آنها، خط مونتاژ آئروژل پیچیده است. محققان برای کشف فضای طراحی وسیع و طراحی مواد بر آزمایش‌های زمان‌بر و رویکردهای مبتنی بر تجربه تکیه می‌کنند.
برای غلبه بر این چالش‌ها، تیم تحقیقاتی رباتیک، الگوریتم‌های یادگیری ماشین و تخصص علم مواد را ترکیب کرد تا طراحی سریع آئروژل‌هایی با خواص مکانیکی و الکتریکی قابل برنامه‌ریزی را ممکن کند.مدل پیش‌بینی آنها برای تولید محصولات پایدار با نرخ دقت 95 درصد ساخته شده است.
پو ین چن، سرپرست این مطالعه، توضیح داد: «مهندسین علوم مواد اغلب برای اتخاذ طراحی یادگیری ماشینی به دلیل کمبود داده‌های تجربی با کیفیت بالا تلاش می‌کنند.گردش کار ما، که ترکیبی از رباتیک و یادگیری ماشینی است، نه تنها کیفیت داده ها و نرخ جمع آوری داده ها را افزایش می دهد، بلکه به محققان در هدایت فضای طراحی پیچیده فناوری پوشیدنی کمک می کند.
آئروژل‌های قوی و انعطاف‌پذیر این تیم با استفاده از نانوصفحات تیتانیوم رسانا و همچنین اجزای طبیعی مانند سلولز (یک ترکیب آلی موجود در سلول‌های گیاهی) و ژلاتین (پروتئین مشتق شده از کلاژن که در بافت‌ها و استخوان‌های حیوانی یافت می‌شود) ساخته شدند.
این تیم گفت که ابزار آنها می‌تواند برای برآورده کردن برنامه‌های کاربردی دیگر در طراحی آئروژل مانند فناوری‌های سبز مورد استفاده در پاکسازی نشت نفت، ذخیره انرژی پایدار، و محصولات انرژی حرارتی مانند پنجره‌های عایق گسترش یابد.
Eleonora Tubaldi، یکی از همکاران این مطالعه، گفت: «ترکیب این رویکردها ما را در مرز طراحی مواد با ویژگی‌های پیچیده مناسب قرار می‌دهد.
ما پیش‌بینی می‌کنیم که از این پلتفرم جدید تولید scaleup برای طراحی آئروژل‌هایی با خواص مکانیکی، حرارتی و الکتریکی منحصر به فرد برای محیط‌های کاری سخت استفاده کنیم.
