Tesis Doctorales de la Universidad de Alcalá |
MACHINE LEARNING ALGORITHMS FOR PREDICTION OF PROPERTIES OF MULTIFUNCTIONAL POLYMER COMPOSITES | Autor/a | Champa Bujaico, Elizabeth | Departamento | Geología, Geografía y Medio Ambiente | Director/a | Díez Pascual, Ana María | Codirector/a | García Díaz, María del Pilar | Fecha de defensa | 22-11-2024 | Calificación | Sobresaliente | Programa | Ciencias (RD 99/2011) | Mención internacional | No | Resumen | Los polímeros son macromoléculas formadas por largas cadenas de moléculas más
pequeñas llamadas monómeros que se utilizan ampliamente en diversas aplicaciones
debido a sus excelentes propiedades físicas y químicas. Sin embargo, la mejora continua
de estas propiedades se ha convertido en un área de investigación activa. Los materiales
compuestos de polímeros son el resultado de la mezcla entre dos materiales con el objetivo
de obtener un producto con propiedades mejoradas. En particular, los nanocompuestos
formados por polímeros mezclados con nanomateriales, con dimensiones del orden de los
nanómetros, son una estrategia muy interesante para conseguir mejores propiedades debido
a efectos sinérgicos.
En esta tesis, se han analizado las propiedades físicas y químicas de diferentes
sistemas binarios y ternarios polímero/nanomaterial. En particular, se han investigado
nanocompuestos poliméricos basados en una matriz tipo biopoliéster como son los
polihidroxialcanoatos o el poli(butilensuccinato-co-adipato).
Estos polímeros son biocompatibles y biodegradables, y por tanto de gran interés
como sustitutos de los plásticos convencionales derivados del petróleo que son tóxicos y
dañinos para el medio ambiente. Se utilizan ampliamente en la industria alimentaria para
el envasado, así como en la industria médica para fabricar dispositivos y herramientas.
A pesar de las buenas propiedades de estos biopolímeros, comparables a las de
plásticos convencionales como el polipropileno, estas no satisfacen las necesidades para
determinadas aplicaciones, especialmente en términos de resistencia mecánica y estabilidad
térmica. Con el objetivo de mejorar dichas propiedades, se han reforzados con diferentes
nanomateriales, tanto orgánicos como los nanotubos de carbono (CNTs), derivados del
grafeno como el óxido de grafeno (GO) o la nanocelulosa semicristalina (CNC) como
inorgánicos como las nanoarcillas (sepiolita SEP y montmorillonita MMT) o láminas de
disulfuro de wolframio (WS2). Los nanocompuestos se han preparado mediante simple
mezclado en disolución seguido por deposición en molde y secado a vacío, y a continuacion
se han caracterizado mediante diversas técnicas analíticas: su morfología se ha estudiado
mediante técnicas de microscopia electrónica, su estructura mediante difracción de rayos
X, los grupos funcionales en su superficie mediante espectroscopia IR con transformada de
Fourier, las propiedades térmicas mediante análisis termogravimetrico y calorimetría
diferencial de barrido, y las mecánicas mediante ensayos de tensión-deformación y ensayo
de impacto Charpy. Se ha evaluado el efecto de la concentración de los diferentes
nanomateriales en las propiedades mecánicas y térmicas de la matriz. En particular, se ha
encontrado que la incorporación de dos o más nanorefuerzos mejora extraordinariamente
la rigidez de la matriz debido a efectos sinérgicos. También se han encontrado algunas
mejoras en la estabilidad térmica, atribuidas a las fuertes interacciones entre la matriz y los
nanorefuerzos, generalmente mediante puentes de hidrogeno. Por tanto, los resultados
confirman que la combinación de diferentes nanorefuerzos con diferente dimensionalidad
y diferente naturaleza es una estrategia efectiva para mejorar las propiedades de
bionanocompuestos poliméricos.
Por otra parte, se han utilizado diferentes algoritmos de aprendizaje automático o
Machine Learning (ML) que para optimizar y predecir las propiedades mecánicas de los
sistemas desarrollados. En particular, se han aplicado técnicas de aprendizaje supervisado
como son redes neuronales artificiales (ANN), redes neuronales recurrentes (RNN), árboles
de decisión (DT), bosque aleatorio (RF), regresión polinómica (PR), máquina de soporte
de vectores (SVM), máquina de soporte de vectores para regresión (SVR), potenciación del
gradiente (GB) y K vecinos más cercanos (K-NN). Como indicadores estadísticos para
comparar los valores teóricos predichos por los algoritmos con los experimentales se
utilizaron el coeficiente de correlación (R2), el error absoluto medio (MAE) y el error
cuadrático medio (MSE). Los resultados demuestran que, con un entrenamiento adecuado
a partir de suficiente cantidad de datos, los algoritmos ML aprenden patrones de
comportamiento que permite predecir con muy alta precisión y acierto la rigidez, resistencia
a la tensión, elongación a rotura y resistencia al impacto de los nanocompuestos preparados.
No obstante, no existe un algoritmo universal, sino que dependiendo del tipo de
nanocompuesto se obtienen resultados más exactos con diferentes algoritmos. Los
resultados son relevantes en el ámbito de la ciencia de materiales, dado que los
nanocompuestos preparados podrían utilizarse en una multitud de aplicaciones, como la
fabricación de piezas de automóviles y aviones, componentes electrónicos, dispositivos
médicos, materiales de construcción, etc. Además, el diseño y predicción de propiedades
de sistemas multicomponente polímero/nanomaterial mediante algoritmos de ML permite
reducir tiempo y costes, y podría acelerar el proceso de desarrollo de materiales avanzados,
lo que resultaría en la producción de materiales con propiedades superiores a los polímeros
reforzados con un solo tipo de nanopartícula, y además, más eficientes y sostenibles en el
futuro. |
|