Biopolymeren ontwikkelen met machine learning

Het wordt een belangrijke vraag voor de komende jaren: zullen we de huidige kunststoffen gebruiken, die afkomstig zijn van fossiele bronnen, of kunnen we de vruchten plukken van de materialen die uit biomassa kunnen worden verkregen?

Duurzame materialen ontsluiten

Uiteraard is er geen wondermiddel. Voor sommige toepassingen zijn de huidige kunststoffen het meest geschikt, en voor duurzame bronnen zoals biomassa of CO2 moeten er efficiënte methoden worden ontwikkeld. Voor andere toepassingen presteren nieuwe kunststoffen beter dan de huidige kunststoffen en moeten we de technologie opschalen en beter beschikbaar maken op de markt.

Maar hoe vind je deze beter presterende kunststoffen (d.w.z. kunststoffen met/zonder additieven)? Er zijn zoveel opties, terwijl het huidige materialenportfolio in de afgelopen 100 jaar is ontwikkeld, meestal op basis van empirisch onderzoek naar structuren, eigenschappen, toepassingen en processen. Er is geen tijd voor een soortgelijke tijdrovende weg voor CO2- of biogebaseerde polymeren: 2050 is slechts 1 investeringscyclus van ons verwijderd.

Onze oplossing: datawetenschap ontmoet materiaalwetenschap

Dit is waar datawetenschap en materiaalwetenschap bij elkaar komen. Met ongekende rekenkracht zijn de afgelopen tien jaar nieuwe algoritmen voor machine learning ontwikkeld voor verschillende domeinen. Ook voor materiaalkunde. Machine learning heeft een groot potentieel voor het voorspellen van eigenschappen van nieuwe polymeren en voor het ontwerpen van nieuwe polymeren met de gewenste eigenschappen.

Datagestuurde materiaalinnovatie: belofte & uitdagingen

De belofte van machine learning is om materiaalontwerpprocessen te versnellen, waardoor zowel tijd als geld wordt bespaard. Met machine learning is het mogelijk om het ontwerpproces in te richten op functionaliteit, duurzaamheid én wat er met materialen gebeurt aan het einde van de levensduur (bijv. recyclebaarheid of biologische afbraak), en dat allemaal tegelijkertijd.

Om het potentieel te ontsluiten en de belofte waar te maken, moeten er verschillende uitdagingen tegelijkertijd worden aangepakt:

• Data wetenschap vereist grote hoeveelheden data om nauwkeurige modellen te maken, terwijl data over polymeren en hun eigenschappen schaars en gefragmenteerd zijn.
• Nauwkeurige modellen vereisen machine learning-algoritmen die polymeren adequaat weergeven. Terwijl de huidige algoritmen gebruikmaken van versimpelde voorstellingen van polymeren (zogenaamde vingerafdrukken), waarin essentiële polymeereigenschappen, de rol van additieven en de invloed van de verwerkingsgeschiedenis ontbreken.
• Nieuwe materialen moeten veilig en duurzaam ontworpen zijn, met de juiste opties voor het einde van de levensduur, terwijl de huidige machine learning-modellen alleen ontwerpen op basis van functionaliteit.

PolySCOUT-programma: ontwikkelen van biopolymeren

In 2022 startte TNO het programma polySCOUT, voor het ontwikkelen van duurzame polymeren met behulp van machine learning.

De visie: polySCOUT heeft als doel de capaciteit van datagestuurde materiaalinnovaties toegankelijk te maken. Door kennis uit verschillende vakgebieden te bundelen, wil het programma een revolutie teweegbrengen in de manier waarop we nieuwe (polymeer)materialen ontwerpen en maken.

De aanpak: onderzoeksgroepen van TNO bundelen hun expertise op het gebied van data en materiaalkunde om voorspellende modellen te maken. Deze samenwerking is bedoeld om uiteenlopende uitdagingen in verschillende onderzoeksdomeinen aan te pakken (zie afbeelding hieronder).

De tastbare resultaten: polySCOUT stopt niet bij theoretische verbeteringen. Al tijdens de uitvoering van het programma levert het tastbare resultaten, verbeterde modellen en nieuwe materialen op, en maakt het samenwerking met externe partners mogelijk. De experimenteel gevalideerde modellen maken de weg vrij voor het ontwerpen van materialen die inspelen op de behoeften vanuit de industrie.

Voorbeeld van samenwerking

Een mooi voorbeeld van zo’n samenwerking is het JTF-project BIOTTEK, waarin Senbis een biologisch afbreekbare polyester wil ontwikkelen als textielvezel. Dit nieuwe product zou ervoor kunnen zorgen dat er een belangrijke bron van microplastics in zeeën en oceanen (deels) wordt weggenomen. Bij het project ontwikkelt TNO de machine learning-algoritmen en -modellen verder om Senbis en RUG/NHL-Stenden te helpen bij hun polymeerontwikkeling.

We nodigen de industrie uit om mee te helpen aan de ontwikkeling en validatie van ons model voor de toepassingsgebieden waarin zij geïnteresseerd zijn. Op deze manier krijgt u start punten voor nieuwe polymeren die aan uw behoeften voldoen.