机器学习微调闪光石墨烯
莱斯大学的科学家们正在使用机器学习技术简化通过闪光焦耳加热从废物中合成石墨烯的过程。
莱斯大学的科学家们正在使用机器学习简化合成过程的技术石墨烯从废物到闪光焦耳加热．
这个过程是由莱斯实验室的化学家在两年前发现的詹姆斯旅行该公司已经从各种碳源中提取石墨烯，扩展到从城市垃圾中提取金属等其他材料，并承诺实现更环保的回收利用。上述所有的方法都是一样的:用高能量冲击源物质，消除所有物质，只留下想要的产物。但是每一种给料闪光的细节是不同的。
研究人员在《先进材料》中描述了机器学习模型如何适应变量，并向它们展示如何优化程序，从而帮助它们向前推进。
图尔说:“机器学习算法将是使闪存过程快速和可扩展的关键，而不会对石墨烯产品的性能产生负面影响。”
他说:“在未来几年，闪光参数可能会随着原料的不同而变化，无论是石油、煤炭、塑料、家庭垃圾还是其他任何东西。”“根据我们想要的石墨烯类型——小片、大片、高涡轮层、纯度水平——机器可以自己判断需要改变哪些参数。”
由于闪光在几百毫秒内就能制造出石墨烯，因此很难梳理出化学过程的细节。因此，图尔和他的公司从材料科学家那里得到了线索，这些科学家将机器学习应用到他们的日常发现过程中。
机器学习正在微调莱斯大学的闪光焦耳加热方法，从各种碳源(包括废料)制备石墨烯。由莱斯大学的雅各布·贝克汉姆提供
“事实证明，机器学习和闪光焦耳加热真的有很好的协同作用，”莱斯大学研究生、主要作者雅各布·贝克汉姆说。“闪光焦耳加热是一种非常强大的技术，但很难控制其中的一些变量，比如反应过程中的电流放电速率。这就是机器学习真正能发挥作用的地方。它是寻找多个变量之间关系的一个很好的工具，即使在不可能对参数空间进行完整搜索的情况下也是如此。
“这种协同作用使得完全基于模型对焦耳加热过程的理解，从废料中合成石墨烯成为可能，”他说。“我们所要做的就是进行反应，最终可以实现自动化。”
该实验室使用自定义优化模型，从四种原料——炭黑、塑料——中改善石墨烯结晶热解煤灰，热解橡胶轮胎和焦炭-超过173次试验，使用拉曼光谱来表征起始材料和石墨烯产品。
一道闪光表明图尔实验室从废物中制造出了石墨烯。由莱斯大学的杰夫·菲特洛提供
研究人员向模型输入了2万多个光谱结果，并要求它预测哪种起始材料能提供最好的石墨烯产量。该模型在计算中还考虑了电荷密度、样品质量和材料类型的影响。
-由Chris Vavra编辑，网页内容经理，控制工程， CFE媒体与技术，cvavra@cfemedia.com．
您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。
