Forskere på Niels Bohr Institutet er lykkedes med at fremstille materiale til at binde ammoniakforurening

Lektor ved Niels Bohr Institutet, Heloisa Bordallo forklarer: ”Hvis vi gerne vil anvende den nyudviklede polymer til at kunne løse det store problem samfundet har med ammoniak-forurening, er det afgørende at kunne forklare hvordan ammoniakken fanges i polymerens porøse netværk. Det betyder, at vi var nødt til at finde en teknik, som tillader os at se præcis hvordan interaktionen mellem polymeren og ammoniak faktisk finder sted. Hvis vi kan besvare dette spørgsmål, vil det sætte os i stand til at forstå hvordan dette eller andre polymerer kan være effektive indenfor mange områder, inklusive nanomedicin og beskyttende overfladebehandlinger. Hvis det ovenikøbet kan opskaleres – hvilket ikke er en enkel proces – kunne resultatet få betydelig positiv indvirkning på arbejdsmiljøet for mange mennesker på hele kloden”.

Polymeren viste allerede ved begyndelsen overraskende gode egenskaber

Lektor Jiwoong Lee ved Kemisk Institut, København Universitet og Rodrigo Lima, tidligere postdoc ved Niels Bohr Instituttet, syntetiserede to gram af polymeren, hvilket ikke lyder af meget, men det er faktisk en stor portion, idet kemikere normalt kun arbejder med få milligram. Efter dette første trin benyttede holdet flere forskellige teknikker til at karakterisere materialet. Lektor Jiwoong Lee forklarer: ”Syntetiseringsprocessen involverer ofte, at man ”vasker” materialet med opløsningsmidler, og det var en fin overraskelse at se, at den porøse polymer faktisk optog en del af opløsningsmidlerne. Dette var en indikation af materialets evne til måske at opfange andre forureningsemner, som fx ammoniak”.

Forskerne foretog eksperimenter ved ISIS Neutron and Muon Source, som er en del af STFC Rutherford Appleton Laboratory i Storbritannien, hvor væskebindingens dynamik blev undersøgt, ved at anvende neutron spredningsdata ved lavt tryk til at få ammoniakken ind i polymeren. Neutronspredning er en teknik, som både kan beskrive hvor atomerne er placeret i materialet og hvordan de bevæger sig inde i det. Bagefter satte Rodrigo Lima et eksperiment op i laboratoriet for termisk analyse på Niels Bohr Institutet og demonstrerede, at ammoniakken ikke blot var opfanget af, men bundet til det porøse materiale. ”Dette var virkelig en overraskelse! Polymeren binder ammoniakken meget stærkt”, siger han.

Karakteriseringen af den amorfe polymer viste sig at være en opgave i sig selv

”For at blive i stand til at forklare den tilsyneladende stærke forbindelse mellem polymeren og ammoniak var vi nødt til at kende polymerens struktur. Men idet denne polymer er amorf, er det vanskeligt at karakterisere dens struktur helt. På en måde kan man sige, at vi havde sat kryds i feltet ved indfangning af ammoniak, men vi var stadig nødt til at finde ud af præcis hvordan det sker – og til dét havde vi behov for et bedre overblik over strukturen, hvilket var umuligt at opnå. Det var noget af et dilemma, at vi havde succes i én del af projektet, og så ikke var i stand til at forklare hvorfor”, forklarer Heloisa Bordallo.

Forskerne lavede forskellige kombinationer af polymerens ”byggeklodser” og blev i stand til at beregne et spektrum, ved hjælp af en computer-modelleringsteknik ved navn DFT, ud fra den kombination, der kom tættest på de målinger, de lavede fra den virkelige prøve af polymeren. Dette gjorde dem til sidst i stand til også at ”sætte kryds i boxen” ud for fortolkningen af hvordan polymeren binder andre stoffer.

”Der er mange anvendelsesmuligheder for en polymer, der binder ammoniak”, forklarer Jiwoong Lee. ”Den kan anvendes i laboratorier, som overflade på sikkerhedsmasker til personlig sikkerhed, idet ammoniak er giftigt og meget ætsende. Den kunne anvendes i filtre, som reducerer spredningen af ammoniak fra skorstensrøgen fra mange typer industri. Hvis vi tænker lidt længere frem er det muligt, at polymer-teknikken også kan anvendes overfor andre forurenende stoffer”.

Machine learning og kunstig intelligens

Heloisa bordallo ønsker at anvende machine learning på amorfe systemer. I dette eksperiment lavede hun og hendes kolleger eksperimentet ”i hånden” så at sige, men det er måske en bedre løsning at lave denne proces ved hjælp af machine learning og kunstig intelligens. Hvis man anvender ”dyb lærings” (deep learning) algoritmer, kan det hjælpe med at klassificere amorfe materialer og karakterisere deres strukturelle egenskaber. ”Ved at anvende machine learning med teoretiske beregninger, bliver vi i stand til at analysere vores neutronsprednings data på en meget mere elegant måde”, siger hun.

Link til den videnskabelige artikel: https://pubs.acs.org/doi/full/10.1021/acsami.0c18855#