Schermi AI per rendere ecologici i carburanti
Un approccio di progettazione di miscele inverse basato sull’apprendimento automatico può insegnare ai computer a creare miscele da un insieme di proprietà target. Sviluppato da KAUST, questo potrebbe aiutare a trovare carburanti per trasporti ad alte prestazioni che bruciano in modo efficiente rilasciando poca anidride carbonica (CO 2 ) nell’atmosfera.
Le emissioni di gas serra contribuiscono in modo determinante all’aumento delle temperature globali. Gran parte delle emissioni di CO 2 proviene dalla combustione di combustibili a base di idrocarburi, come la benzina, che alimentano la maggior parte dei motori automobilistici. Una soluzione promettente a questi problemi ambientali è progettare carburanti per trasporti che offrano una maggiore efficienza e minori emissioni di carbonio.
Esistono diversi metodi sviluppati per lo screening del carburante, ma di solito sono convalidati solo su miscele più piccole o richiedono un pretrattamento aggiuntivo, il che rende queste configurazioni inadatte per la progettazione di combustibili inversi. “Il principale collo di bottiglia è lo screening di miscele complesse contenenti centinaia di componenti per prevedere gli effetti sinergici e antagonisti delle specie sulle proprietà delle miscele risultanti”, afferma il primo autore Nursulu Kuzhagaliyeva, Ph.D. studente nel gruppo di ricerca di Mani Sarathy.
Kuzhagaliyeva, Sarathy e colleghi hanno costruito un modello di deep learning, comprendente più reti più piccole dedicate a compiti specifici, per esaminare i combustibili in modo efficiente. “Questo problema si adattava bene al deep learning che consente di acquisire interazioni non lineari tra le specie”, afferma Kuzhagaliyeva. Nell’approccio di progettazione inversa, i ricercatori hanno prima definito le proprietà relative alla combustione, come la qualità di accensione del carburante e la propensione alla fuliggine, quindi hanno determinato i potenziali combustibili in base a queste proprietà.
I dati sperimentali pubblicamente disponibili sono scarsi. Pertanto, i ricercatori hanno costruito un ampio database utilizzando misurazioni sperimentali dalla letteratura per addestrare il modello. Il database consisteva in diversi tipi di composti puri, miscele di carburanti sostitutive e miscele complesse, come la benzina.
Non esisteva un modello adattabile alla progettazione del carburante inverso, quindi i ricercatori hanno dovuto incorporare rappresentazioni vettoriali nel modello, afferma Kuzhagaliyeva. Ispirandosi alle tecniche di elaborazione del testo che mettono in relazione parole e frasi utilizzando vettori nascosti, hanno introdotto un operatore di miscelazione che collega direttamente rappresentazioni nascoste di composti puri e miscele attraverso combinazioni lineari. Hanno anche aggiunto algoritmi di ricerca per rilevare le miscele di carburante che corrispondono alle proprietà predefinite all’interno di uno spazio chimico.
Il modello ha previsto accuratamente la qualità dell’accensione del carburante e la propensione alla fuliggine di varie molecole e miscele. Ha anche identificato diverse miscele di carburante che soddisfano i criteri predefiniti.
Il team sta ora migliorando l’accuratezza del modello estendendo il database delle proprietà ad altri criteri, come volatilità, viscosità e formazione di sostanze inquinanti. Lo strumento è in fase di avanzamento per formulare combustibili elettronici a benzina e carburanti sintetici per l’aviazione. “Stiamo anche sviluppando una piattaforma basata su cloud per consentire ad altri di utilizzare lo strumento”, afferma Kuzhagaliyeva.
