Die Vorhersage der mechanischen Eigenschaften neuer Polymere nach ihrer Verarbeitung zu einem Produkt kann schwierig sein und erfordert normalerweise zerstörerische physikalische Tests. Forscher am National Institute for Materials Science (NIMS) in Tsukuba, Japan, haben eine Technik entwickelt, die maschinelles Lernen und Röntgenbeugung nutzt und eine nicht zerstörerische Alternative zu herkömmlichen Polymerprüfmethoden darstellt. Die Studie wurde in Science and Technology of Advanced Materials veröffentlicht.
Das Forschungsteam unter der Leitung von Dr. Ryo Tamura, Dr. Kenji Nagata und Dr. Takashi Nakanishi entwickelte die Methode an Homo-Polymer-Polypropylengruppen und verwendete Röntgenbeugungsmuster der Polymere unter verschiedenen Herstellungsbedingungen, um detaillierte Informationen über ihre komplexe Struktur und Merkmale zu liefern.
Maschinelles Lernen kann auf Daten aus vorhandenen Materialien angewendet werden, um die Eigenschaften unbekannter Materialien vorherzusagen. Es ist jedoch wichtig, repräsentative Deskriptoren zu verwenden, die die Merkmale dieser Materialien korrekt darstellen. Thermoplastische kristalline Polymere wie Polypropylen haben eine besonders komplexe Struktur, die während des Spritzgussverfahrens weiter verändert wird. Daher war es wichtig für die Forscher, die Details der Polymerstruktur über Röntgenbeugung angemessen zu erfassen und sicherzustellen, dass der Machine-Learning-Algorithmus die wichtigsten Deskriptoren in diesen Daten identifizieren kann.
Zu diesem Zweck analysierten sie zwei Datensätze mit einem Tool namens Bayesian-Spektralzerlegung, das Muster aus komplexen Daten extrahieren kann. Der erste Datensatz bestand aus Röntgenbeugungsdaten von 15 Arten von Homo-Polypropylenen, die verschiedenen Temperaturen ausgesetzt waren; der zweite Datensatz enthielt Daten von vier Typen von Homo-Polymer-Polypropylen, die einem Spritzgussverfahren unterzogen wurden. Die analysierten mechanischen Eigenschaften umfassten Steifigkeit, Elastizität, Wärme-Verformungstemperatur und Zugfestigkeit.
Das Forscherteam stellte fest, dass die maschinelle Lernanalyse Merkmale in den Röntgenbeugungsbildern genau mit spezifischen Materialeigenschaften der Polymere verknüpfen konnte. Einige der mechanischen Eigenschaften waren leichter aus den Röntgenbeugungsdaten vorherzusagen, während andere Eigenschaften wie die Zugfestigkeit – der Punkt, an dem ein Material bricht, wenn es gestreckt oder gezogen wird – gemäß der Pressemitteilung des NIMS schwieriger waren.
Die Forscher schlugen auch vor, dass ihr Bayesian-Spektralzerlegungsansatz auf andere Daten wie Röntgenphotoelektronenspektroskopie angewendet und verwendet werden könnte, um die Eigenschaften anderer Materialien, sowohl anorganischer als auch organischer Natur, zu verstehen. “Es könnte zu einem Prüffall für zukünftige datengetriebene Ansätze für die Polymerentwicklung und -wissenschaft werden”, sagten sie.