Predicción de parámetros estructurales para membranas de Polisulfona, mediante modelos de Diseño de Experimentos y Aprendizaje de Máquina.

Abstract

"Actualmente enfrentamos una crisis del agua muy grave, que nos obliga a buscar múltiples soluciones a dicho problema. Una de ellas es filtrar el agua para reutilizarla, y para ello se han usado membranas con distintos tipos de características estructurales. Además, para poder mejorar el funcionamiento de estas membranas, es necesario poder conocer bien las relaciones entre las características morfológicas y las condiciones de fabricación de las mismas con su desempeño. Sin embargo, aún no hay mucha claridad o facilidad para conocer y utilizar estas relaciones, de manera que se pueda optimizar el desempeño de las membranas. En el presente trabajo doctoral, primero se realizó la búsqueda de las condiciones de fabricación que tuvieran más relevancia en el control o modificación de los parámetros estructurales de membranas, las cuales fueron elaboradas con Polisulfona en una mezcla de solventes de n-metil-2-pirrolidona (NMP)/Cloroformo mediante el método de separación de fases inducida por vapor de no-solvente (VIPS), que en este caso fue agua. Paralelamente, se estudió la influencia del cloroformo como co-solvente inmiscible con el no-solvente, donde se determinó que su presencia, hasta un nivel donde no sea el componente mayoritario de la solución, induce un cambio drástico en la forma de los poros de las membranas, llevándolos de tener forma de dedos a tener estructuras combinadas con poros en forma de esponjas. Posteriormente, se llevó a cabo la búsqueda de un modelo fácil de interpretar, con la capacidad de predecir características morfológicas de una membrana tales como espesor, porosidad y tamaño de poro. Esto a partir de las diferentes condiciones de fabricación del método de inversión de fases: porcentaje de polisulfona en la solución, porcentaje de cloroformo en la solución, humedad relativa del agua en el ambiente y espesor inicial depositado. Se encontró que al usar un modelo de Machine Learning: Bosque Aleatorio, creado con el lenguaje de programación Python, se tuvo un mejor desempeño al relacionar las variables morfológicas con los factores de fabricación, en comparación con los modelos de regresión creados en MINITAB. Adicionalmente se encontró que convertir los resultados del Bosque Aleatorio en un modelo de Árbol de Decisión, lo vuelve mucho más fácil de interpretar, pues se puede observar con facilidad el intervalo de valores de los factores de fabricación necesarios para obtener una respuesta deseada de los parámetros estructurales."

"Currently, we are facing a very serious water crisis, which leads us to seek multiple solutions to this problem. One of them is to be able to filter the water in order to reuse it. And for this, membranes with different types of morphologies have been used. In addition, for the improvement of the membranes’ performance, it is necessary to be able to know well the relationships between performance, morphological characteristics and manufacturing conditions. However, there is still not much clarity or ease to know and use these relationships, so it is difficult to optimize the performance of the membranes. In the present doctoral research, first of all, a search was made for the manufacturing conditions that were most relevant in the control or modification of the morphology of membranes, which were made with Polysulfone in a solvent mixture of NMP/Chloroform using the vapor induced phase separation method (VIPS), which in this case the non-solvent was water. At the same time, the influence of chloroform as a co-solvent immiscible with the non-solvent was studied, and it was determined that its presence, up to a level where it is not the main component of the solution, induces a dramatic change in the morphology of the pores of the membranes, leading them from having finger-like shapes to having structures combined with sponge-like pores. Subsequently, a search was carried out for an easy-to-interpret model, with the ability to predict morphological characteristics of a membrane such as thickness, porosity and pore size. This, based on the different manufacturing conditions of the phase inversion method: percentage of polysulfone in the solution, percentage of chloroform in the solution, relative humidity of the water in the environment and thickness of the solution initially casted. It was found that, when using a Machine Learning model: Random Forest, created with the Python programming language, there was a better performance to relate the morphological variables with the manufacturing factors, compared to the regression models created in MINITAB. Additionally, it was found that converting the results of the Random Forest into a Decision Tree model, makes the model much easier to interpret, since the range of values of the manufacturing factors necessary to obtain a desired morphology response can be easily observed."