Polymeren beter recyclebaar maken met machine learning

Slechts 9% van alle polymeren wordt gerecycled. Dat moet snel verbeteren, zegt Sid Kumar, universitair hoofddocent bij de TU Delft. Met machine learning zoekt en ontwerpt hij polymeren die makkelijker te recyclen zijn, om zo een stap te zetten richting een duurzamere toekomst. Er zijn al praktische toepassingen ontwikkeld in de vorm van recyclebare printplaten.

De meeste polymeren zijn lastig te recyclen door hun chemische structuur. Maar wat als je die structuur kunt aanpassen, zodat ze nog steeds sterk en stevig zijn, maar tegelijkertijd beter recyclebaar? Het probleem, legt Kumar uit, is dat er oneindig veel mogelijkheden zijn.

“Polymeren zijn grote moleculen die bestaan uit herhaalde eenheden, en die kunnen uit tientallen tot honderden atomen bestaan. Hoe ze precies gerangschikt zijn, bepaalt de eigenschappen van het polymeer. Maar zelfs met een kleine eenheid van 20 atomen krijg je al 1018 mogelijke combinaties,” zegt hij. Het testen van elke optie zou meerdere mensenlevens duren, en zelfs computersimulaties kunnen niet efficiënt alle mogelijkheden doorzoeken.

AI

Hier komt artificial intelligence (AI) om de hoek kijken. Kumar en zijn team gebruiken machine learning om uit die eindeloze mogelijkheden polymeren te vinden die de gewenste eigenschappen hebben. “AI helpt ons de speld in de hooiberg te vinden,” zegt hij.

Ze hebben een geavanceerd algoritme ontwikkeld dat met verrassend weinig gegevens aan de slag kan om nieuwe polymeren te ontdekken. Bovendien hebben ze ervoor gezorgd dat het algoritme begrijpelijk is, zodat wetenschappers beter kunnen samenwerken met de AI en begrijpen hoe die tot een resultaat komt.

Zelfherstellende polymeren

Het team heeft hun algoritme getest op vitrimeren, een nieuwe soort polymeren dat zichzelf kan herstellen. Vitrimeren zijn duurzame en recyclebare polymeren en bieden een veelbelovende oplossing voor plastic afval. Deze polymeren kunnen zichzelf herstellen wanneer ze worden verhit, dankzij hun unieke moleculaire bindingen.

Er zijn alleen nog niet veel commercieel beschikbare vitrimeren door het tekort aan geschikte moleculaire bouwstenen, wat hun zelfherstellende eigenschappen en bredere toepassingen in de weg zit. Het team van Kumar wil ervoor zorgen dat vitrimeren bruikbaarder worden en stelde een makkelijk haalbare doeltemperatuur voor zelfherstel vast en gebruikte hun algoritme om veelbelovende moleculaire kandidaten te vinden. Wat normaal gesproken jaren kan duren – of onmogelijk zou zijn gebleven – werd nu binnen enkele dagen bereikt.

Deze studie, uitgevoerd in samenwerking met onderzoekers van de University of Washington en Microsoft, kent al praktische toepassingen. Zij hebben deze vitrimeren verwerkt in recyclebare printplaten, een innovatie die belangrijk kan zijn voor de hightech industrie. De verwachting is dat recyclebare polymeren, door plastic producten langer mee te laten gaan en reparaties makkelijker te maken, de jaarlijkse productie van 430 miljoen ton plastic flink kunnen verminderen en economische verliezen door het vervangen van beschadigde onderdelen kunnen beperken.

Duurzaam gebruik van plastics en metalen

De aanpak met machine learning past Kumar niet alleen toe op polymeren, maar is ook uitermate geschikt voor metalen. “De eigenschappen van metalen hangen heel erg af van hoe ze worden bewerkt, zoals hoe ze verhit, afgekoeld of vervormd worden,” vertelt Kumar. “Met machine learning kunnen we die processen optimaliseren, zodat metalen duurzamer worden en beter te recyclen zijn.” Het betrekken van mensen blijft daarbij een kernprincipe. “Fabrieken hebben praktische oplossingen nodig die begrijpelijk zijn voor operators,” zegt Kumar. “AI mag daarom geen black box zijn—het moet menselijke besluitvorming ondersteunen. En ik denk dat het op die manier een enorm potentieel heeft om de circulariteit van materialen te verbeteren.”