هوش مصنوعی پلیمر‌های چندبار مصرف تولید میکند!

به گزارش مجله خبری نگار/برنا،گروهی از پژوهشگران دانشگاه واشینگتن در سنت‌لوئیس میسوری پروژه‌ای چندساله را برای توسعه نوع جدیدی از پلاستیک آغاز کرده‌اند که قابلیت استفاده در طیف گسترده‌ای از کاربرد‌ها را دارد و پس از مصرف می‌توان همه آن را به یک ماده پایه واحد بازگرداند و مجددا استفاده کرد. این گزارش توسط دانشکده مهندسی مک‌کلوی دانشگاه واشینگتن منتشر شده است.

به گزارش yahoo news، هم‌اکنون کمتر از یک‌سوم مواد دورریختنی در ایالات متحده بازیافت می‌شوند. بخشی از این مشکل ناشی از کمبود آموزش و تلاش افراد است‌اما بخش قابل توجهی از چالش‌ها به بازگردانی پلاستیک‌ها مربوط می‌شود. پلاستیک‌ها اگرچه به‌صورت یک دسته‌بندی واحد دیده می‌شوند، در واقع از فرمول‌های شیمیایی متنوع و افزودنی‌ها و رنگ‌های متفاوت تشکیل شده‌اند. این تفاوت‌ها موجب می‌شود که بازیافت انواع پلاستیک به‌صورت یکجا امکان‌پذیر نباشد؛ زیرا ترکیب انواع مختلف پلاستیک نه‌تنها کیفیت محصول نهایی را کاهش می‌دهد، بلکه نیازمند فرآیند‌های بازیافت متفاوت است و حتی وجود یک قطعه نامناسب می‌تواند کل دسته بازیافت را خراب کند.

چارچوب جدیدی که این پروژه دنبال می‌کند، بر پایه تولید پلاستیک‌هایی است که از یک منبع مشترک استخراج شده و از طریق یک فرآیند واحد بدون نیاز به تفکیک پیچیده، به همان منبع بازگردانده می‌شوند. این رویکرد می‌تواند هزینه‌های صنایع و مصرف‌کنندگان را به میزان چشمگیری کاهش دهد، میزان ضایعات را کم کند از رهاسازی حجم عظیمی از زباله جلوگیری کند و آلودگی ناشی از تولید پلاستیک جدید را کاهش دهد.

کریستوفر کوپر، استادیار مهندسی انرژی، محیط‌زیست و شیمی دانشگاه واشینگتن؛ بروکس ایبل، استادیار شیمی دانشگاه کالیفرنیا برکلی و دبرا آودوس و سارا اورسکی از موسسه ملی استاندارد و فناوری، بودجه‌ای نزدیک به ۱.۴ میلیون دلار از بنیاد ملی علوم دریافت کرده‌اند تا با استفاده از هوش مصنوعی انواع پلیمر‌های پایدار پلاستیکی طراحی کنند که به‌راحتی به مونومر بازگردانده شوند.

کوپر در این‌باره توضیح داد: این پروژه راهبرد‌های سنتزی جدیدی برای کنترل عملکرد انتهای زنجیره و شاخه‌های جانبی، نوع و فراوانی شاخه‌ها و همچنین ادغام پیوند‌های پویا در پلیمر‌های تولیدشده از طریق پلیمریزاسیون حلقه‌ای کاتیونی ایجاد خواهد کرد.

وی افزود: هم‌زمان یک هوش مصنوعی مبتنی بر فیزیک به‌طور مداوم از طریق یادگیری فعال بهبود می‌یابد و برای طراحی معکوس پلیمر‌های جدید [با ساختار متنوع و قابل تجزیه]به‌کار گرفته خواهد شد. این پلیمر‌های ADD به‌گونه‌ای طراحی می‌شوند که خواص هدفمند مشخصی را در محدوده تحمل تعیین‌شده ارائه دهند و با معیار‌های صنعتی اعتبارسنجی شوند.