L'apprentissage automatique permet de prédire les propriétés mécaniques des polymères
Un algorithme d'apprentissage automatique peut utiliser les données de diffraction des rayons X des polymères pour prédire le comportement de nouveaux matériaux.
Les polymères tels que le polypropylène sont des matériaux fondamentaux dans le monde moderne, que l'on retrouve dans tous les domaines, des ordinateurs aux voitures. En raison de leur omniprésence, il est essentiel que les spécialistes des matériaux sachent exactement comment chaque polymère nouvellement développé se comportera dans différentes conditions de préparation. Grâce à une nouvelle étude, publiée dans Science and Technology of Advanced Materials, les scientifiques peuvent désormais utiliser l'apprentissage automatique pour déterminer ce qu'il faut attendre d'un nouveau polymère.
Pour prédire les propriétés mécaniques des nouveaux polymères, telles que leur résistance à la traction ou leur flexibilité, il faut généralement les soumettre à des tests physiques destructifs et coûteux. Cependant, une équipe de chercheurs japonais, dirigée par les docteurs Ryo Tamura, Kenji Nagata et Takashi Nakanishi de l'Institut national des sciences des matériaux de Tsukuba, a montré que l'apprentissage automatique pouvait prédire les propriétés matérielles des polymères. Ils ont développé la méthode sur un groupe de polymères appelés homo-polypropylènes, en utilisant les diagrammes de diffraction des rayons X des polymères dans différentes conditions de préparation pour fournir des informations détaillées sur leur structure et leurs caractéristiques complexes.
"L'apprentissage automatique peut être appliqué aux données des matériaux existants pour prédire les propriétés des matériaux inconnus", expliquent les Drs Tamura, Nagata et Nakanishi. "Toutefois, pour obtenir des prédictions précises, il est essentiel d'utiliser des descripteurs qui représentent correctement les caractéristiques de ces matériaux."
Les polymères cristallins thermoplastiques, tels que le polypropylène, ont une structure particulièrement complexe qui est encore modifiée au cours du processus de moulage pour obtenir la forme du produit final. Il était donc important pour l'équipe de saisir correctement les détails de la structure des polymères par diffraction des rayons X et de s'assurer que l'algorithme d'apprentissage automatique puisse identifier les descripteurs les plus importants dans ces données.
La nouvelle méthode a permis de saisir avec précision les changements structurels du polypropylène, un plastique couramment utilisé, au cours du processus de moulage pour obtenir le produit final.
À cette fin, ils ont analysé deux ensembles de données à l'aide d'un outil appelé déconvolution spectrale bayésienne, qui permet d'extraire des schémas à partir de données complexes. Le premier ensemble de données était constitué de données de diffraction des rayons X provenant de 15 types d'homo-polypropylènes soumis à une gamme de températures, et le second était constitué de données provenant de quatre types d'homo-polypropylènes ayant subi un moulage par injection. Les propriétés mécaniques analysées comprenaient la rigidité, l'élasticité, la température à laquelle le matériau commence à se déformer et le degré d'étirement avant rupture.
L'équipe a constaté que l'analyse d'apprentissage automatique reliait avec précision les caractéristiques des images de diffraction des rayons X aux propriétés matérielles spécifiques des polymères. Certaines propriétés mécaniques étaient plus faciles à prédire à partir des données de diffraction des rayons X, tandis que d'autres, comme le point de rupture de l'étirement, étaient plus difficiles à prévoir.
"Nous pensons que notre étude, qui décrit la procédure utilisée pour fournir un modèle de prédiction d'apprentissage automatique très précis en utilisant uniquement les résultats de diffraction des rayons X des matériaux polymères, offrira une alternative non destructive aux méthodes conventionnelles d'essai des polymères", affirment les chercheurs du NIMS.
L'équipe a également suggéré que son approche de déconvolution spectrale bayésienne pourrait être appliquée à d'autres données, telles que la spectroscopie photoélectronique à rayons X, et utilisée pour comprendre les propriétés d'autres matériaux, tant inorganiques qu'organiques.
"Cela pourrait devenir un cas d'essai pour les futures approches de la conception et de la science des polymères basées sur les données", déclare l'équipe du NIMS.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Ryo Tamura, Kenji Nagata, Keitaro Sodeyama, Kensaku Nakamura, Toshiki Tokuhira, Satoshi Shibata, Kazuki Hammura, Hiroki Sugisawa, Masaya Kawamura, Teruki Tsurimoto, Masanobu Naito, Masahiko Demura, Takashi Nakanishi; "Machine learning prediction of the mechanical properties of injection-molded polypropylene through X-ray diffraction analysis"; Science and Technology of Advanced Materials, 2024-8-5
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
