Materialwissenschaftler in Japan haben maschinelles Lernen angepasst, um die mechanischen Eigenschaften neuer Polymere vorherzusagen. Die Ärzte Ryo Tamura, Kenji Nagata und Takashi Nakanishi, die am National Institute for Materials Science in Tsukuba tätig sind, haben ihre Methode an Homopolypropylen-Polymeren entwickelt, indem sie Röntgenbeugungsmuster unter verschiedenen Bedingungen anwendeten, um detaillierte Informationen bereitzustellen. Diese Methode, die im Journal “Science and Technology of Advanced Materials” beschrieben ist, bietet eine potenzielle Alternative zur standardmäßigen Praxis des manuellen Testens von Polymerfestigkeit und -flexibilität, die sowohl kostspielig als auch zerstörerisch ist.
“Maschinelles Lernen kann auf Daten bestehender Materialien angewendet werden, um die Eigenschaften unbekannter Materialien vorherzusagen. Um genaue Vorhersagen zu treffen, ist es jedoch notwendig, Deskriptoren zu verwenden, die die Merkmale dieser Materialien korrekt darstellen”, erklären die Forscher. Thermoplastische kristalline Polymere wie Polypropylen haben eine besonders komplexe Struktur, die während des Formgebungsprozesses des Endprodukts weiter verändert wird. Daher war es für das Team wichtig, die Details der Polymerstruktur mit Hilfe von Röntgenbeugung adequat einzufangen und sicherzustellen, dass der maschinelle Lernalgorithmus die wichtigsten Deskriptoren in diesen Daten identifizieren konnte.
Das Trio analysierte zwei Datensätze mithilfe von Bayesscher Spektralzerlegung, um Muster aus komplexen Daten zu extrahieren: Röntgenbeugungsdaten von 15 Arten von Homo-Polypropylenen, die einer Reihe von Temperaturen ausgesetzt wurden, sowie Daten von vier Arten von Homo-Polypropylenen, die eine Spritzgussbehandlung durchlaufen haben. Untersuchte Eigenschaften umfassten Steifigkeit, Elastizität, die Temperatur, bei der das Material zu verformen beginnt, und Flexibilität.
Das Team fand heraus, dass die maschinelle Lernanalyse die Merkmale der Röntgenbeugungsbilder genau mit spezifischen Materialmerkmalen der Polymere verknüpfte. Einige mechanische Eigenschaften waren einfacher aus den Röntgenbeugungsdaten vorherzusagen, während andere, wie der Dehnungspunkt, herausfordernder waren. Die Forscher glauben, dass ihre Studie, die das Verfahren beschreibt, um ein hochgenaues Vorhersagemodell auf Basis von Röntgenbeugungsergebnissen von Polymermaterialien zu erstellen, eine nicht-destruktive Alternative zu herkömmlichen Polymerprüfmethoden bieten wird.
Das Team schlug außerdem vor, dass ihr Ansatz auch auf andere Daten wie Röntgen-Photoelektronenspektroskopie angewendet werden könnte, um die Eigenschaften anderer Materialien, sowohl anorganischer als auch organischer, zu verstehen.