Uczenie maszynowe przydaje się… przy produkcji maseczek ochronnych

Maseczki ffp2

Maseczki ffp2, źródło: Pixabay

Wzrost zapotrzebowania na maseczki w ostatnich latach wymagał dużych nakładów energii. Dlatego naukowcy postanowili wykorzystać uczenie maszynowe, by produkować materiały w bardziej zrównoważony sposób.

Produkcja włókniny do maseczek – jak tak naprawdę wygląda?

Pandemia COVID-19 znacząco przyczyniła się do masowej produkcji maseczek, szczególnie wielowarstwowych o kategorii FFP2. To z kolei zwiększyło zapotrzebowanie na materiały filtracyjne, których produkcja wymaga sporych nakładów energii.

Główną technologią do tworzenia włóknin na maseczki jest wykorzystanie techniki pneumotermicznej (z ang. rozdmuchiwanie stopu). Technika ta umożliwia wytwarzanie materiałów zbudowanych z mikro- i nanowłókien. Polega na roztopieniu polimeru, a następnie wprowadzenia go pod ciśnieniem przez dysze do komory, w której znajduje się gaz rozpędzony do dużej prędkości. To wszystko powoduje rozdmuchanie polimeru i splątanie jego włókien, a następnie wytworzenie włókniny. Powstałe włókna stosowane są w maseczkach, pieluchach, filtrach do kawy czy kotłów. Technika pneumotermiczna jest łatwa i skuteczna, jednak wymaga bardzo dużych nakładów energii.

Obecnie, dzięki tej technice co roku produkowane jest 300 tysięcy ton włókniny polipropylenowej, co pochłania 245 GWh energii rocznie.

Ależ paskudny fotoszop ;P (fot. GDGT)

Jak zredukować zużycie energii w produkcji włókniny PP?

Dzięki współpracy amerykańskich zespołów naukowców możliwe było wykonanie obliczeń, które mogłyby ułatwić zredukowanie energii, zużywanej w procesie produkcji włókniny na maseczki. Za cel naukowcy postawili sobie uzyskanie 20% redukcji, jednak w taki sposób, aby jakość produkcji nie uległa pogorszeniu. Wszystkie obliczenia były możliwe dzięki zastosowaniu superkomputera Argonne, który umożliwił połączenie techniki uczenia maszynowego (Machine Learning) oraz dynamiki płynów.

Badacze postanowili stworzyć symulacje, które zobrazują cały proces produkcyjny, a to z kolei pozwoli na odpowiedni dobór zmian w procesie produkcyjnym włókniny. Dzięki uzyskanemu modelowi uczenia maszynowego możliwe będzie odnalezienie właściwych i możliwych do wprowadzenia zmian, które mogłyby zredukować zużycie energii. To pozwoli na oszczędność materiałów i zniwelowanie kosztu produkcji kolejnych dysz, które niekoniecznie byłyby skuteczne.

„Symulacja wspomagana uczeniem maszynowym to najlepszy sposób na tanie uzyskanie odpowiedniej kombinacji parametrów, takich jak temperatura, skład materiału i ciśnienie, aby stworzyć te materiały o wysokiej jakości przy mniejszej energii.”

Beniamin Blaiszik, naukowiec z Argonne, autor badania

Skoro ma to pomóc w zmniejszeniu ilości zużywanej energii, to każde starania są warte rozważenia.

Exit mobile version