Self-driven rheology for automated materials discovery
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2025-01-19
Department
Major/Subject
Teknillinen fysiikka
Mcode
SCI3028
Degree programme
Teknistieteellinen kandidaattiohjelma
Language
en
Pages
34
Series
Abstract
Self-driving AI-assisted laboratories have discovered new sustainable materials with a low carbon footprint to replace fossil-based materials in a fraction of the time required by traditional research. Additionally, processes such as rheology can be utilized as an alternative to traditional mechanical testing, allowing for more efficient predictions of material behavior during research. In this study, we present for the first time how an AI-assisted self-driving laboratory can be applied to rheological measurements. Automation reduces the amount of manual labor required from researchers in sample preparation, feeding, and equipment cleaning. Moreover, AI algorithms enable the use of previous measurements and even prior research to autonomously select the next measurement point with even greater efficiency than a human. This significantly reduces the time researchers need to spend doing repetitive and manual tasks, allowing them to focus on more important and demanding work. In this study, automation setup is built around a rheometer, enabling it to autonomously select, mix, and dispense samples into the rheometer, as well as perform the necessary cleaning procedures. After simple initialization, the system can theoretically process over 80 samples over 21 hours independently without human intervention. To test the system, two rheologically well-known substances, glycerol and carboxymethyl cellulose, were used. The study evaluates the effects of various system modifications on the accuracy of viscosity measurements and investigates whether the Bayesian optimization algorithm functions as an effective decision-maker for automatically finding a viscosity maximum mixing ratio of two samples. The system achieved viscosity measurement accuracy very close to that of manual measurements, particularly with carboxymethyl cellulose. Additionally, the viscosity profiles of the substances were clearly visible and consistent across different stages. Bayesian optimization independently identified great measuring points for efficient discovery of carboxymethyl cellulose and glycerol mixture viscosity curve, as validated by manual measurements. This result simultaneously demonstrated the system's capability for autonomous operation in multi-sample measurement scenarios.Itseohjautuvat tekoälyavusteiset laboratoriot ovat löytäneet uusia kestäviä materiaaleja, pienellä hiilijalanjäljellä fossiilipohjaisten materiaalien tilalle, murto-osassa perinteisen tutkimuksen ajasta. Lisäksi prosesseja kuten reologiaa voidaan hyödyntää vaihtoehtona manuaaliselle mekaaniselle testaukselle, jolloin materiaalien käyttäytymistä voidaan ennustaa tehokkaammin tutkimusvaiheessa. Tässä työssä esittelemme ensimmäistä kertaa, kuinka tekoälyavusteista itseohjautuvaa laitteistoa voidaan hyödyntää reologisissa mittauksissa. Automaatiolla voidaan vähentää tutkijoiden käsin tehtävän työn määrää näytteiden valmistelussa ja syöttämisessä, sekä laitteiston puhdistamisessa. Lisäksi tekoälyalgoritmin avulla aikaisempia mittauksia ja jopa aijempaa tutkimustietoa voidaan hyödyntää lennosta seuraavan mittapisteen itsenäisessä valitsemisessa jopa ihmistä paremmalla tehokkuudella. Tämä kaikki vapauttaa huomattavasti tutkijoiden aikaa manuaalisesta ja itseään toistavasta työstä muihin tärkeämpiin ja vaativampiin tehtäviin. Tässä työssä reometrin ympärille rakennetaan automatisointilaitteisto, joka pystyy itsestään valitsemaan, sekoittamaan ja annostelemaan näytteet reometriin, ja lisäksi suorittaa tarvittavat puhdistustoimenpiteet. Lyhyen alustamisen jälkeen laitteisto pystyy teoreettisesti ajamaan yli 80 näytettä 21 tunnin aikana ilman ihmisen osallistumista. Laitteiston testaamiseen käytetään kahta reologisesti hyvin tunnettua viskoosista ainetta, glyserolia ja karboksimetyyliselluloosaa. Työssä arvioitiin laitteiston eri muokkausten vaikutusta viskositeetin mittaustarkkuuteen, sekä tutkitaan, toimiiko Bayesilainen optimointialgoritmi sopivana päätöksentekijänä kahden näytteen viskositeetin maksimoivan sekoitussuhteen löytämisen automatisoinnissa. Tarkkuudessa laitteisto pääsi hyvin lähelle käsin mitattuja viskositeettiarvoja etenkin karboksimetyyliselluloosan kohdalla. Myös aineiden viskositeettiprofiilit olivat selkeästi näkyvissä jokaisessa mittauksessa. Lisäksi Bayesilainen optimointi löysi itsenäisesti erinomaiset mittapisteet tehokkaaseen karboksimetyyliselluloosan ja glyserolin viskositeettikäyrän tutkimiseen, joka täsmäsi käsin tehtyihin mittauksiin. Tämä mittaus todisti samalla laitteiston kyvyn itsenäiseen toimintaan useamman mittauksen tapauksessa.Description
Supervisor
Alava, MikkoThesis advisor
Koivisto, JuhaKeywords
self-driving laboratory, automation, machine learning, rheology, material science