Un modèle d'apprentissage automatique permet de passer de plusieurs mois à quelques millisecondes pour évaluer les catalyseurs de la technologie de décarbonisation.
Les scientifiques créent un modèle de calcul pour identifier les catalyseurs à faible coût qui convertissent la biomasse en carburants et en produits chimiques utiles avec une faible empreinte carbone.
La prochaine fois que vous passerez devant des fermes, des prairies ou des étangs sur une route de campagne, regardez autour de vous. Ils constituent une riche source de biomasse. Cela comprend le maïs, le soja, la canne à sucre, le panic raide, les algues et d'autres matières végétales. Ces matières riches en carbone peuvent être converties en carburants liquides et en produits chimiques, avec de nombreuses applications possibles. Il y a suffisamment de biomasse aux États-Unis, par exemple, pour produire du kérosène renouvelable pour tous les voyages en avion.
Des mois aux millisecondes : La lenteur devient rapide (image symbolique)
Computer-generated image
Le nouveau modèle d'apprentissage automatique accélère considérablement l'évaluation des propriétés des catalyseurs à base de carbure de molybdène pour la conversion de la biomasse en produits utiles (trajectoire supérieure) par rapport aux méthodes actuelles de simulation informatique (trajectoire inférieure).
Image by Argonne National Laboratory
L'une des principales pierres d'achoppement à l'heure actuelle est le manque de catalyseurs efficaces et peu coûteux nécessaires pour transformer la biomasse en biocarburant ou en d'autres produits utiles. Des chercheurs de l'Argonne National Laboratory du ministère américain de l'énergie (DOE) ont mis au point un modèle basé sur l'intelligence artificielle pour accélérer le processus d'élaboration d'un catalyseur peu coûteux à base de carbure de molybdène.
"La biomasse est une matière organique, ce qui signifie qu'elle est pleine de carbone", explique Rajeev Assary, chef de groupe à la division des sciences des matériaux (MSD) d'Argonne. "L'objectif ultime est de transformer à moindre coût ce carbone en produits utiles pour la société, dans ce cas, du biocarburant et des produits chimiques tels que le plastique biodégradable. Ces produits permettent d'éviter le recours aux combustibles fossiles."
À l'heure actuelle, les scientifiques peuvent produire un produit similaire au pétrole, appelé huile de pyrolyse, en traitant la biomasse brute à haute température. Mais le produit obtenu a une très forte teneur en oxygène. Cet oxygène est indésirable et est donc éliminé par une réaction rendue possible par l'utilisation d'un catalyseur à base de carbure de molybdène. Mais un problème majeur est que la surface de ce catalyseur absorbe des atomes d'oxygène, qui s'accumulent à la surface et dégradent les performances du catalyseur.
Une solution proposée consiste à ajouter au carbure de molybdène une petite quantité d'un nouvel élément, tel que le nickel ou le zinc. Cet élément dopant affaiblit la liaison des atomes d'oxygène à la surface du catalyseur, empêchant ainsi l'empoisonnement du catalyseur.
"Le problème est de trouver la bonne combinaison de dopant et de structure de surface", a déclaré Hieu Doan, un scientifique adjoint du MSD. "Le carbure de molybdène a une structure très compliquée. Nous avons donc fait appel à la superinformatique combinée au calcul théorique pour simuler le comportement non seulement des atomes de surface se liant à l'oxygène, mais aussi des atomes situés à proximité."
À l'aide de simulations effectuées sur le superordinateur Theta d'Argonne, l'équipe a créé une base de données de 20 000 structures pour les énergies de liaison de l'oxygène au carbure de molybdène dopé. Leurs simulations ont pris en compte plusieurs dizaines d'éléments dopants et plus d'une centaine de positions possibles pour chaque dopant sur la surface du catalyseur. Theta fait partie de l'Argonne Leadership Computing Facility, une installation d'utilisateurs du DOE Office of Science.
Ils ont ensuite utilisé cette base de données pour former un modèle d'apprentissage profond. L'apprentissage profond est une forme d'apprentissage automatique dans laquelle l'ordinateur apprend à résoudre des problèmes en analysant d'abord un grand échantillon de données. "Au lieu d'être limités à l'évaluation de quelques milliers de structures de catalyseurs pendant des mois avec les méthodes de calcul conventionnelles, avec notre modèle d'apprentissage profond, nous pouvons maintenant effectuer des calculs précis et peu coûteux pour des dizaines de milliers de structures en quelques millisecondes", a déclaré Doan. "C'est le dépistage des matériaux sous stéroïdes".
L'équipe a envoyé les résultats de ses simulations à l'échelle atomique et de son modèle d'apprentissage profond au consortium Chemical Catalysis for Bioenergy. Ils vont mener des expériences pour évaluer un petit ensemble de catalyseurs candidats.
"Dans un avenir proche, nous espérons pouvoir traiter plus d'un million de structures et différents atomes de liaison, comme l'hydrogène", a noté Assary. "Nous voulons également appliquer cette même approche computationnelle aux catalyseurs pour d'autres technologies de décarbonisation, comme la conversion de l'eau en hydrogène carburant propre."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
