Makine öğrenimiyle enerji verimliliğinde yeni polimer membranlar

Enerji verimliliği, günümüzün en kritik konularından biri olarak öne çıkıyor. Bu alandaki yenilikler, yalnızca çevresel sürdürülebilirliği sağlamakla kalmayıp, endüstriyel süreçlerin daha verimli hale gelmesine de olanak tanıyor. Notre Dame Üniversitesi’nde yapılan bir araştırma, bu doğrultuda makine öğrenimi (ML) kullanılarak geliştirilen yeni polimer membranların enerji verimliliğinde çığır açıcı iyileştirmeler sağladığını ortaya koyuyor.¹

ML, belirli bir görevi, performans metriği ve deneyim türünü kullanarak bir sistemin performansını iyileştiren yapay zeka dallarından biridir. ML’nin en önemli avantajı, büyük ve yüksek boyutlu verileri işleme kapasitesidir, bu da onu karmaşık ve veri yoğun alanlarda vazgeçilmez kılar. Bu özellik, özellikle geniş veri setlerinin analiz edilmesi ve yeni materyallerin keşfi için ML’yi güçlü bir araç haline getiriyor.²

Notre Dame Üniversitesi’ndeki araştırma ekibi, graf tabanlı makine öğrenimi yöntemleriyle, gazları önceki membranlara kıyasla 6,7 kat daha etkili ayırabilen polimerler keşfetti. Bu buluş, özellikle gaz ayırma süreçlerinde enerji tasarrufunu önemli ölçüde artırma potansiyeline sahip olduğu anlamına geliyor.¹

ML, polimer kimyasını gaz geçirgenliği ile ilişkilendirerek yeni malzemelerin keşfi için güçlü bir araç olarak öne çıkıyor. Geçmişte sadece elektronik uygulamalarda kullanılan bazı polimerler, şimdi enerji verimliliği sağlayan membranlar olarak değerlendiriliyor. Bu buluş, hem enerji tasarrufu sağlamak hem de sürdürülebilirlik hedeflerine ulaşmak açısından büyük bir adım olarak görülüyor.³

ML’nin başarısı, geniş ve çeşitli veri setlerinin kullanılmasına dayanıyor. Araştırmacılar, 500 ila 1.000 polimer verisi ile çalışarak daha güvenilir modeller geliştirmiş ve gaz geçirgenliği üzerine yaklaşık 11.000 polimer üzerinde tahminlerde bulunmuşlardır. Bu sayede, daha önce deneysel olarak test edilmemiş polimerler arasından da enerji verimliliği yüksek malzemeler tespit edilmiştir. ML yöntemleri, %90’a varan doğruluk oranlarıyla polimerlerin gaz geçirgenliği tahminlerinde bulunabiliyor, bu da yeni membran tasarımları için önemli bir avantaj sağlıyor.⁴

Xu ve arkadaşları da ML modeli ile birden fazla gaz çiftini ayırmada teorik üst sınırları aynı anda aşan performanslara sahip polimerlerin tasarımına rehberlik etme yeteneğini gösterdiler. İki polimerden P130093 olağanüstü gaz ayırma performansı ve özellikle ultra yüksek O₂/N₂ seçiciliği göstermiştir.⁵

Şekil 1. PoLyInfo kimliği: P432352 ve P130093 adlı polimerlerin O₂/N₂ geçirgenlik ve seçicilik tahmin sonuç dağılımları.

Sonuç olarak, makine öğreniminin enerji verimliliğini artırma potansiyeli, endüstriyel uygulamalardan çevresel sürdürülebilirliğe kadar geniş bir yelpazede etkili olabilecek yenilikçi çözümler sunuyor. Yeni polimer membranlar, enerji tüketimini azaltmak ve verimliliği artırmak açısından kritik bir rol oynayabilir, bu da sürdürülebilir bir gelecek için önemli bir adım anlamına geliyor.

Kaynaklar

1. https://phys.org/news/2024-08-machine-hidden-gem-materials-free.html
2. Yin, H., Xu, M., Luo, Z., Bi, X., Li, J., Zhang, S., & Wang, X. (2024). Machine learning for membrane design and discovery. Green Energy & Environment, 9(1), 54-70.
3. Yang, J., Tao, L., He, J., McCutcheon, J. R., & Li, Y. (2022). Machine learning enables interpretable discovery of innovative polymers for gas separation membranes. Science Advances, 8(29), eabn9545.
4. Barnett, J. W., Bilchak, C. R., Wang, Y., Benicewicz, B. C., Murdock, L. A., Bereau, T., & Kumar, S. K. (2020). Designing exceptional gas-separation polymer membranes using machine learning. Science advances, 6(20), eaaz4301.
5. Xu, J., Suleiman, A., Liu, G., Perez, M., Zhang, R., Jiang, M., … & Luo, T. (2024). Superior Polymeric Gas Separation Membrane Designed by Explainable Graph Machine Learning. arXiv preprint arXiv:2404.10903.