Machine Learning Supervised Synthesis of 3D-Printed Carbon Materials
Projetos
Visão geral
Filiação
Ver Todos
Visão geral
resumo
Os materiais de carbono (MC) têm tido destaque crescente devido à sua versatilidade em aplicações como remediação ambiental, armazenamento de energia, aplicações biomédicas e sensorização. Entre estes, os carvões ativados (CA) são amplamente estudados devido à sua facilidade de preparação e propriedades texturais favoráveis, que podem ser melhoradas através de ativação física ou química. Apesar dos avanços significativos na síntese e aplicações de CA, ainda existem desafios na conceção de arquiteturas 3D sofisticadas com propriedades ajustadas para funções específicas. A fabricação aditiva, em particular a impressão 3D por estereolitografia (SLA), surgiu como uma abordagem promissora para controlar com precisão a estrutura do material e otimizar o seu desempenho. No entanto, persistem limitações críticas, tais como a necessidade de formulações de resinas que resistam à carbonização sem perda estrutural e a compreensão limitada de como a composição da resina influencia as características finais do material.
O desenvolvimento de resinas sustentáveis e de base biológica ainda é pouco explorado, mas baseia-se, em grande parte, em métodos de tentativa e erro, o que torna o processo demorado e ineficaz na obtenção de propriedades específicas dos materiais. Dado que as propriedades texturais—como área superficial específica, volume total de poros e distribuição do tamanho dos poros—têm um impacto significativo no desempenho de CA, é necessária uma abordagem mais sistemática. As ferramentas de tecnologias de informação e comunicação (TIC), particularmente Machine Learning (ML), podem permitir uma abordagem baseada em dados para a formulação de resinas, possibilitando um design mais eficiente dos materiais. A ML já demonstrou um grande potencial em ciência dos materiais ao prever propriedades, otimizar processos de síntese e acelerar a descoberta de novos materiais.
Este projeto visa desenvolver e validar um modelo de ML capaz de prever as características das resinas necessárias para obter propriedades texturais específicas em CA. A investigação será estruturada em quatro tarefas principais: (i) compilar uma base de dados abrangente sobre materiais de carbono impressos em 3D e CA derivados de diferentes precursores, incluindo as condições de síntese e as propriedades finais do material; (ii) identificar correlações entre as resinas e os precursores convencionais de CA, estruturando os conjuntos de dados e realizando a pré-processamento de dados para garantir a sua coerência e fiabilidade; (iii) treinar e otimizar modelos de ML para estabelecer relações preditivas entre a composição do precursor, os parâmetros de ativação e as propriedades finais do material, utilizando técnicas como Random Forest, Gradient Boosting e Redes Neuronais; e (iv) validar experimentalmente as previsões do modelo de ML através da síntese e caracterização de materiais de carbono selecionados impressos em 3D.
O sucesso do projeto assenta numa equipa de investigação multidisciplinar com experiência em síntese de materiais de carbono, técnicas avançadas de caracterização e aplicações de ML. O Investigador Principal (PI), Prof. Helder Gomes, incorpora no projeto uma vasta experiência no desenvolvimento de materiais de carbono, processos de tratamento de águas residuais e aplicações catalíticas. A Prof. Ana Pereira, especialista em ML e modelação computacional, liderará os aspetos relacionados com ciência de dados, garantindo a robustez dos modelos preditivos. Outros membros da equipa contribuirão com conhecimentos em implementação de modelos de ML, digitalização e robótica inteligente, bem como na síntese e caracterização de materiais de carbono impressos em 3D. Além disso, colaboradores externos fornecerão contributos fundamentais para a formulação sustentável de resinas e técnicas avançadas de caracterização de materiais.
Este projeto representa uma aplicação inovadora da ML na síntese de materiais de carbono impressos em 3D, uma área sem estudos publicados até à data. A integração da ML nesta área permitirá acelerar significativamente o desenvolvimento de materiais, reduzir os custos experimentais e melhorar a eficiência na obtenção de propriedades ajustadas às aplicações pretendidas e disponibilizar à comunidade base de dados validadas para futuras aplicações. Para além do impacto científico, o projeto terá uma relevância social e económica substancial, promovendo o desenvolvimento mais rápido de materiais para aplicações ambientais, biomédicas e energéticas. Além disso, proporcionará formação a investigadores na interseção entre ML e ciência dos materiais, dotando-os de competências interdisciplinares valiosas. A execução bem-sucedida deste projeto abrirá caminho para futuras aplicações da ML em química e engenharia de materiais, promovendo abordagens inovadoras e baseadas em dados para o design sustentável de materiais.
