AI screent ruim 100.000 membranen voor CO2-afvang in seconden

Onderzoekers van de Koç University in Istanbul hebben een AI-systeem ontwikkeld dat in enkele seconden voorspelt hoe goed een combinatie van materialen CO2 uit een gasmengsel kan filteren. Het model doorzocht meer dan 100.000 mogelijke membranen en wijst onderzoekers naar de meest kansrijke kandidaten, voordat er ook maar iets in een laboratorium wordt gemaakt.

Het probleem met membranen

Fabrieken en energiecentrales stoten CO2 uit die het klimaat opwarmt. Eén manier om dat gas af te vangen is met een membraan: een dun vlies dat de ene gasmolecuul wel doorlaat en de andere niet. Membranen kosten minder energie dan andere afvangmethoden, maar het juiste materiaal vinden is lastig. Membranen van kunststof (polymeren) zijn goedkoop en makkelijk te maken, maar kampen met een hardnekkig compromis: materialen die gas snel doorlaten, scheiden de gassen slecht van elkaar, en andersom.

Een oplossing is het mengen van polymeren met poreuze materialen genaamd metaal-organische raamwerken (MOF's). Dat zijn kristallijne structuren, opgebouwd uit metaalionen en organische verbindingsstukken, met piepkleine poriën die precies op maat te maken zijn. Daardoor kunnen ze specifieke gasmoleculen selectief doorlaten. Het probleem: er zijn al meer dan 150.000 verschillende MOF's bekend, wat miljoenen mogelijke combinaties met bestaande polymeren oplevert. Die combinaties stuk voor stuk in het lab testen zou jaren duren.

100.000 combinaties in kaart

Masterstudent Feride Neva Yüngül en hoogleraar Seda Keskin combineerden 8.683 MOF's met twaalf veelgebruikte polymeren, goed voor 104.196 unieke membraancombinaties. Met moleculaire simulaties berekenden ze eerst hoe CO2, methaan, stikstof en waterstof zich gedragen in elke MOF. Die uitkomsten gebruikten ze vervolgens om een machine-learning-model te trainen dat de eigenschappen van nog niet bestaande combinaties kan voorspellen.

Het meest nauwkeurige model werkt in twee stappen: eerst wordt de gasdoorlaatbaarheid van de MOF geschat, daarna wordt die informatie gecombineerd met de eigenschappen van het polymeer om de prestaties van het uiteindelijke membraan te voorspellen. Dat leverde betrouwbaardere uitkomsten op dan complexere modellen, en kostte bovendien minder rekenkracht.

Van aardgas tot waterstof

Het team testte de aanpak voor drie praktijktoepassingen: het zuiveren van aardgas door CO2 van methaan te scheiden, het afvangen van CO2 uit rookgassen van energiecentrales, en het zuiveren van waterstof door het te scheiden van CO2. Bij veel voorspelde membranen bleken de prestaties beter dan wat gangbare polymeermembranen kunnen. Vooral bij waterstofzuivering vonden de onderzoekers combinaties die zowel sneller gas doorlaten als beter scheiden — precies het compromis dat normaal onvermijdelijk lijkt. De grootte van de poriën in de MOF bleek daarbij een sleutelfactor: grotere poriën versnellen het gastransport, maar kunnen de scheiding juist verslechteren.

Het maken en testen van één membraan in het lab kost al snel maanden. Het nieuwe model doet een voorspelling in seconden, met een foutmarge van ongeveer 10 tot 15 procent. De onderzoekers benadrukken dat hun model experimenten niet vervangt, maar wel helpt om sneller de meest kansrijke kandidaten te selecteren voordat kostbaar laboratoriumwerk begint. Doordat de modellen en data openbaar zijn gemaakt, kunnen ook onderzoeksgroepen zonder zware rekencapaciteit duizenden materialen doorrekenen — een aanpak die de ontwikkeling van efficiëntere membranen voor CO2-afvang, aardgaszuivering en waterstofproductie kan versnellen.