Accelererad design och utveckling av porösa material med statistik och maskininlärning

Forskningsprojekt, 2025 – 2027

För flera stora svenska industrigrenar, tex hygienprodukter, livsmedel, trä, papper och läkemedel är det centralt att hitta porösa material med optimal masstransport, dvs förmågan att transportera vätska eller substans genom diffusion eller flöde.

Masstransport avgörs till stor del av materialets struktur (geometri).Exempel på material är polymerbaserade ytskikt på läkemedel, fiber- och skumbaserade hygien- och sårvårdsprodukter, ytskikt på papper och förpackningsmaterial och material för kemisk separation. Att förstå masstransport och struktur och hur de hänger ihop är viktigt för att utveckla nya material. Ökad förståelse för det ger också insikt i hur man kan öka utnyttjandet av biologiskt nedbrytbara råvaror och bidra till en hållbar produktion.Det kanske viktigaste steget de senaste åren är att materialutveckling har flyttat in i datorn. Det minskar miljöpåverkan och accelererar utvecklingen: riktiga experiment är dyra, tidskrävande och svårkontrollerbara. Modeller kan göras exakta och tusentals simuleringar kan göras för kostnaden av ett enda riktigt experiment.Från att ha dominerats av traditionella beräkningar har statistik, maskininlärning och artificiell intelligens kommit att spela större roll på grund av de enorma datamängderna. Detta är kärnan till projektet, där vi ska kombinera simuleringar, statistik och maskininlärning för att optimera materialstrukturer. För det första ska vi utveckla materialmodeller. För det andra ska vi utveckla metoder för att prediktera egenskaper från mikrostrukturer. För det tredje ska vi utveckla metoder för att generera kandidatmaterial genom att lära en särskild typ av neurala nätverk att skapa slumpmässiga strukturer. För det fjärde ska vi identifiera optimala materialstrukturer.Projektet kommer ge verktyg inom modellering i korsningen mellan materialvetenskap, matematik, statistik och maskininlärning.