ИИ научился предсказывать поведение биопластика при нагреве
Хрупкий и капризный в производстве биопластик PHB может стать надёжнее. Исследователи научили нейросети предсказывать, как состав материала меняет его температуру плавления и кристаллизации.
Биопластики на основе PHB и PHBV производят путём ферментации бактерий, а не из нефти. Однако их сложно превращать в готовые изделия. Материал хрупкий и начинает разрушаться почти сразу после плавления.
У производителей остаётся очень узкое окно температур, чтобы безопасно придать пластику форму при литье или экструзии. Любое изменение состава, добавление пластификатора или наполнителя, смещает эти границы, превращая разработку в дорогой процесс проб и ошибок.
Команда из Афинского сельскохозяйственного университета (AUA) разработала модели машинного обучения, которые предсказывают три ключевых параметра: температуру стеклования (переход из твёрдого состояния в гибкое), температуру плавления и температуру кристаллизации. Для обучения ИИ собрали базу из 572 точек данных, взятых из 109 научных исследований и внутренних экспериментов. Модели научились учитывать состав, молекулярный вес и наличие добавок.
Точность предсказаний оказалась высокой: модель объясняет около 82% изменений температуры плавления, 77%, температуры стеклования и 76%, температуры кристаллизации. Результаты подтвердили физическую логику: чем больше в составе строительных блоков гидроксивалерата, тем ниже температуры плавления и кристаллизации. Напротив, высокий молекулярный вес повышает эти пороги из-за запутанности длинных цепей.
Разработчики сделали набор данных и программный код открытыми, чтобы другие исследователи могли использовать их для создания новых рецептур. Это значит, что производители смогут точнее подбирать состав биопластика под конкретные производственные задачи, не тратя ресурсы на бесконечные тесты в лаборатории.
Текст подготовила языковая модель по материалам источников.


