减少污染和温室气体排放，数据科学家在行动！

本文主要是介绍减少污染和温室气体排放，数据科学家在行动！，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

全文共1842字，预计学习时长5分钟

图源：unsplash

聚合物膜的应用十分广泛，如水过滤和气汽分离等。为了实现所需功能，设计聚合物膜比人们预期更耗时。哥伦比亚大学工程学院、德国马克斯普朗克学会和南卡罗来纳大学的研究人员将数据科学应用于此项任务以简化工作。

更具体地说，他们将大数据和机器学习相结合，战略性地将聚合物膜设计为气体过滤器。人们常常利用塑料薄膜来分离简单情况下的混合物，如二氧化碳和甲烷。科学家还建议制造能将二氧化碳与其他气体分离的薄膜，这样便于碳捕获和天然气净化等任务。

问题在于制作薄膜的备选材料有成千上万种塑料。由于每种材料的化学成分各不相同，测试和制造一种特定材料是非常耗时耗钱的工作，研究人员仅仅研究了约1000种可能的气体分离膜。

通过机器学习最大限度提高成功率

科学家们得出结论，有效选择用于气体过滤的最佳聚合物的方法，能够让人们更有可能快速找到更低成本的解决方案。他们制作了一种机器学习算法，将目前测试的此类聚合物的化学结构与其传输特性联系起来。研究人员希望利用数据科学来预测气体分离膜的最佳材料，而不是传统的那些既耗时又耗钱的方法。

气体的传输特性为：

· 粘度：测量其内部摩擦力，或使固体在其中移动所需力的大小。

· 热传导：与引起温度变化的内能传递有关。

· 扩散：原子和分子从高浓度状态向低浓度状态移动的行为。

图源：unsplash

运用数据科学

建立算法之后，科学家们用其来评估之前确定的11000多个聚合物，最终得到了大约100种聚合物选项，尚未对气体传输能力进行测试。

然后，研究人员制备这些筛选后的聚合物，并将其制成薄膜。该算法表明，尽管缺乏试验，但这些材料的性能将超过目前用于分离二氧化碳和甲烷的薄膜。实际测试表明，聚合物分离气体的能力与算法预测结果相近。

在研究团队创建了算法来评估特定膜的可能性能之后，他们将研究重点转移到在制造气体分离膜时，确定最佳化学结构。当科学家们确定这些膜的最适当用途来帮助解决环境或其他问题时，这些想法能够促进研究进展。

值得一试

图源：unsplash

南卡罗来纳大学的化学教授布莱恩·贝尼塞维茨也参与了该项目，在概述新过程的优点时，他说道：“新过程不再需要进行猜测和以往试错这样无效的工作，人们也不需要制作成百上千种不同的材料并进行测试，现在可以让机器学习缩小搜索范围。”

贝尼塞维茨还解释道，当开发人员试图平衡渗透性和选择性时，膜设计会更具挑战性。相关分子非常微小，如果有一种气体通过薄膜，那么该膜可能就无法有效地过滤另一种气体。

研究团队的另一位成员将这种机器学习方法与Netflix的“猜你喜欢”进行了比较。Netflix算法会对人们之前观看的内容进行评估，然后给可用的标题分配百分比分数，告诉观众电影的匹配度。而在此项研究中，机器学习检测了对气体分离有效的聚合物的特性，从而在使用新聚合物时更有可能获得良好结果。

挖掘数据以改进设计

哥伦比亚大学的化学工程教授萨纳特·K·库马尔也参与了这一项目，他认为大数据的新应用可以带来更好的聚合物设计。届时，研究人员可能会觉得更有动力去研究他们以前从未考虑过的材料，从而获得更出色的结果。

库马尔认为：“这项工作为材料设计提供了一种新的途径。不必再测试某个特定应用的所有材料，而是寻找最能满足需求的部分材料。把最好的材料组合起来，就有机会设计出更好的材料。”

参与这项工作的人员表示，这一过程在商业上是可行的。通过该过程发现的能将二氧化碳和甲烷分离的膜材料近期应用于天然气行业。二氧化碳会导致管道腐蚀，因此需要有效彻底地清除二氧化碳。

图源：unsplash

另一种可能性是利用薄膜将温室气体从煤中分离出来，这样有利于减少环境中温室气体的排放。

这种方法还尚未获得广泛应用，却让我们看到了一种新的可能，这种可能性就已足够鼓舞人心。

推荐阅读专题

留言点赞发个朋友圈

我们一起分享AI学习与发展的干货

编译组：刘露敏、赵嘉懿