Description du projet
Vers une conception plus efficace des membranes polymères
Financé par le programme Actions Marie Skłodowska-Curie, le projet ML-MULTIMEM a pour ambition d’intégrer des algorithmes d’IA dans des méthodologies de simulation moléculaire multi-échelles destinées aux polymères, afin de faire progresser l’innovation en ce qui concerne les membranes à base de polymères, en vue de réduire les émissions de gaz à effet de serre. Une stratégie de simulation hiérarchique sera développée pour modéliser efficacement les propriétés des matériaux à différentes échelles: atomique, mésoscopique et macroscopique. L’approche de modélisation assistée par l’apprentissage automatique sera employée pour extraire systématiquement des représentations et des champs de force précis à gros grains pour les systèmes polymères, étendant ainsi l’applicabilité et la généralisation de ces nouvelles techniques de simulation moléculaire à toute une série de systèmes chimiques complexes importants pour plusieurs applications critiques. Les simulations moléculaires seront également couplées à des modèles continus pour développer un cadre général de prédiction multicomposant.
Objectif
The goal of this project is to build a systematic modelling framework for advanced polymer materials, that are widely employed in numerous membrane separation applications, especially as gas separation media for carbon capture. Polymers are very challenging to simulate, due to the wide range of timescales that are present in these systems and require elaborate system-specific multiscale strategies. A hierarchical simulation strategy will be developed, encompassing atomistic, mesoscopic and continuum scales, integrating machine learning techniques. The artificial intelligence aided multi-scale approach proposed constitutes a generalized methodology for the efficient computational study of polymers. The synergy of unsupervised machine learning (ML) clustering techniques and neural networks (NN), will enable the extraction of accurate coarse-grained (CG) representations and force fields of the polymer systems, bringing this complex problem within computational reach. Optimized ML models will be integrated into Molecular Dynamics and innovative Monte Carlo simulations at the CG level, with the latter enabling the equilibration up to high molecular weight of polymers of complex chemical constitution, and the prediction of their micro- and macroscopic behaviour. Molecular simulation results will be integrated into macroscopic equation-of-state-based models, resulting in a bottom-up determination of the relevant process parameters for membrane separations (permeability and selectivity) in a wide range of conditions, for pure gases and gas mixtures. Systematic hierarchical modelling provides unique property prediction means, simultaneously shedding light on the mechanisms that are responsible for the materials end-use performance. This is a stepping stone towards the rational design of advanced processes from the molecular level all the way up to industrial applications, which in the present case involve novel separation technologies with great environmental impact.
Champ scientifique
Mots‑clés
Programme(s)
Régime de financement
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinateur
15341 Agia Paraskevi
Grèce