ENGINEERINGNET.BE - Deze projecten maken gebruik van high-throughput experimenten, waarbij meerdere experimenten tegelijk uitgevoerd worden, om veel data te verzamelen.
Deze data wordt via AI geanalyseerd om patronen te herkennen. Uit de patronen kunnen eigenschappen van nieuwe chemicaliën voorspeld worden, zoals smaak, geur of oplosbaarheid.
- High-throughput measurements and deep learning of polymer properties
Met behulp van high-throughput experimenten en gebruik makend van robots voor het hanteren van vloeistoffen en vaste stoffen, wordt de oplosbaarheid van 1000 polymeren in ruim 25 verschillende oplosmiddelen bepaald en de viscositeit van polymeeroplossingen bij veel verschillende concentraties gemeten. Deze dataset wordt gebruikt om een deep learning-model te trainen om de eigenschappen van polymeren in oplossing te voorspellen. De dataset voor polymeereigenschappen en het deep learning-model zullen de innovatie in de formuleringswetenschap versnellen.
Partners: TNO, VLCI.
- High-throughput analyses voor versneld ontwerp van complexe formuleringen van oppervlakte-actieve stoffen
Interacties tussen oppervlakte-actieve stoffen zijn moeilijk te voorspellen en daarom is het moeilijk om nieuwe formuleringen op een gerichte manier te ontwerpen. Dit project implementeert methoden om belangrijke formuleringseigenschappen, zoals oppervlaktespanning, oplosbaarheid en schuimvorming, met hoge snelheid te analyseren. Doel: een dataset waaruit de relatie tussen samenstelling van het mengsel van oppervlakte-actieve stoffen en de formuleringseigenschappen is te leren. Deze dataset en dit model kunnen zo het ontwerp van nieuwe formuleringen versnellen.
Partner: Croda International
- Geautomatiseerde navigatie van bio-gebaseerde bouwsteen-implementatie in complexe verfformuleringen
Een grote uitdaging bij de formulering van complexe verfoplossingen is het gebruik van bio-gebaseerde polymeerbindmiddelen in plaats van olie-gebaseerde ingrediënten. Het formuleren van een nieuwe verbinding in dispersies of emulsies met rheologische eigenschappen van verf vereist het navigeren door zeer multidimensionale parameterruimtes van polymeerstructuren, additieven, concentraties en bereidingsprotocollen.
Gebruikmakende van polyhydroxyalkanoaten als een platform van bio-gebaseerde verf bindmiddelen worden high-throughput-methodologieën en machine learning-strategieën ontwikkeld. Dit kan de overgang naar duurzamere verf versnellen, en helpen bij het voorstellen van geschikte moleculaire structuren als nieuwe bio-gebaseerde verfingrediënten.
Partners: Koninklijke van Wijhe Verf, WYDO NBD.
Deze onderzoeken ontvangen een subsidie van onder meer de Nederlandse Organisatie voor Wetenschappelijk Onderzoek en het Nederlandse Nationaal Groeifonds-project Big Chemistry.
