وضعیت ورود
درحال حاضر شما وارد سایت نشده اید.
آمار بازدیدکنندگان
  • کاربران حاضر: 1
  • بازدید امروز: 2,370
  • بازدید ماه: 73,103
  • بازدید سال: 882,195
  • کل بازدیدکنند‌گان: 242,657
قیمت روز

زیست‌پزشکی

بهبود کارایی جذب دی‌اکسید کربن توسط فناوری جدید غشای پلیمری

محققین فناوری غشایی جدیدی را ایجاد کرده‌اند که امکان حذف مؤثرتر دی‌اکسید کربن (CO2) از گازهای مخلوط نظیر انتشار گاز از نیروگاه‌ها را فراهم می‌کند. Rich Spontak، نویسنده همکار مقاله می‌گوید: برای نشان دادن توانایی غشای جدیدمان، مخلوط گازهای CO2 و نیتروژن را بررسی کردیم؛ زیرا مخلوط این دو گاز خصوصاً در زمینه کاهش انتشار گازهای گل‌خانه‌ای از نیروگاه‌ها مرتبط است. همچنین نشان دادیم که می‌توانیم گزینش‌پذیری غشاها را جهت حذف CO2 به شدت بهبود بخشیم. در حالی که نفوذپذیری CO2 را نسبتاً بالا حفظ کنیم. Spontak استاد برجسته مهندسی شیمی و زیست‌مولکولی و استاد علوم و مهندسی مواد در دانشگاه کارولینای شمالی می‌گوید: ما همچنین مخلوط CO2 و متان را که برای صنعت گاز طبیعی مهم است، بررسی کردیم. علاوه بر این، غشاهای فیلترکننده CO2 را می‌توان در هر شرایطی که نیاز به حذف CO2 از گازهای مخلوط شده باشد استفاده کرد، چه کاربردهای زیست‌پزشکی و یا پاک‌سازی (جذب) CO2 از هوا در یک زیردریایی. غشاها یک فناوری جذاب برای حذف CO2 از گازهای مخلوط هستند؛ زیرا فضای زیادی را اشغال نمی‌کنند. می‌توانند در اندازه‌های مختلف ساخته شوند و به آسانی قابل تعویض هستند. فناوری دیگری که اغلب برای حذف CO2 استفاده می‌شود جذب شیمیایی است که شامل حباب‌زایی (Bubbling) مخلوط‌های گازی از طریق ستون حاوی آمین مایع است که CO2 را از گاز حذف می‌کند. با این حال فناوری‌های جذب دارای ردپای قابل توجه بزرگ‌تری هستند و آمین‌های مایع معمولاً سمی و خورنده هستند. این فیلترهای غشایی با اجازه دادن به CO2 سریع‌تر از سایر اجزای مخلوط عبور کرده و کار می‌کنند. در نتیجه گازی که از طرف دیگر غشا خارج می‌شود نسبت به گاز ورودی به غشا دارای CO2 بیش‌تری است. با گرفتن گازی که از غشا خارج می‌شود CO2 بیش‌تری نسبت به سایر گازهای تشکیل‌دهنده جذب می‌کنید. یک چالش دیرین برای چنین غشاهایی مبادله بین نفوذپذیری و گزینش‌پذیری بوده است. هرچه نفوذپذیری بیش‌تر باشد می‌توانید گاز را با سرعت بیش‌تر از غشا عبور دهید. اما وقتی نفوذپذیری بالا می‌رود گزینش‌پذیری کاهش می‌یابد به این معنی که نیتروژن و سایر اجزا به سرعت از غشا عبور می‌کنند و نسبت CO2 به سایر گازهای مخلوط را کاهش می‌دهد. به عبارت دیگر زمانی که گزینش‌پذیری کاهش می‌یابد، CO2 نسبتاً کم‌تری را جذب می‌کنید. تیم تحقیقاتی از ایالات متحده و نروژ این مشکل را با رشد زنجیره‌های پلیمری فعال شیمیایی دارای گروه‌های آب‌دوست و دی‌اکسید کربن دوست بر روی سطح غشاهای موجود برطرف کردند. این کار گزینش‌پذیری را افزایش می‌دهد. Marius Sandru نویسنده مقاله و پژوهش‌گر ارشد صنعت SINTEF در سازمان تحقیقات مستقل نروژ می‌گوید: به طور خلاصه با تغییر کمی در نفوذپذیری نشان دادیم که می‌توانیم گزینش‌پذیری را تا حدود ۱۵۰ برابر افزایش دهیم. بنابراین ما CO2 بیش‌تر نسبت به انواع دیگر در مخلوط‌های گازی جذب می‌کنیم. یکی دیگر از چالش‌های پیش رو فیلتر‌های غشایی CO2، هزینه است. فناوری‌های غشای قبلی هرچه مؤثرتر بودند، گران‌تر بودند. Spontak می‌گوید: از آنجایی که ما می‌خواستیم فناوری ایجاد کنیم که از نظر تجاری قابل دوام باشد، فناوری ما با غشاهایی شروع شد که در حال حاضر در حال استفاده گسترده هستند. ما سپس سطح این غشاها را مهندسی کردیم تا گزینش‌پذیری را بهبود بخشیم. در حالی که این امر هزینه را افزایش می‌دهد ما فکر می‌کنیم که غشاهای اصلاح شده همچنان مقرون به صرفه خواهند بود. Sandru  بیان کرد: قدم‌های بعدی ما این است که مشاهده کنیم تکنیک‌هایی که در اینجا توسعه دادیم تا چه حد می‌تواند برای سایر پلیمرها به کار رود، تا نتایجی قابل مقایسه یا حتی برتر برای ارتقای فرآیند ساخت نانو داشته باشیم. صادقانه بگویم اگرچه نتایج در اینجا چیزی کم از هیجان‌انگیز نبوده است ما هنوز برای بهینه‌سازی این فرآیند تلاشی نکرده‌ایم. مقاله ما نتایج مفهومی را اثبات می‌کند. محققان همچنین علاقه‌مند به بررسی کاربردهای دیگر هستند؛ از جمله این که آیا فناوری جدید غشایی می‌تواند در دستگاه‌های ونتیلاتور زیست‌پزشکی یا دستگاه‌های فیلتراسیون در بخش آبزی پروی استفاده شود. محققین می‌گویند که آماده همکاری با شرکای صنعتی برای بررسی هر یک از این سؤالات یا فرصت‌ها برای کمک به کاهش تغییرات آب و هوایی جهانی و بهبود عمل‌کرد دستگاه هستند.

منبع:

https://www.climatechange.ie

 

An integrated materials approach to ultrapermeable

 

همراهان عزیز می‌توانند جهت برقرای ارتباطات دوسویه، انتقال سوالات، نظرات و پیشنهادات سازنده خود از طریق پست الکترونیک زیر ما را یاری فرمایند.

info@fara-ps.com

ابزار جدید برای پیش‌بینی خواص پلیمر!

یک تیم بین‌رشته‌ای از محققان، ابزار مدل‌سازی ریاضی قدرتمندی را طراحی کرده اند که به محققان اجازه می‌دهد تا خصوصیات شبکه‌های پلیمری را حتی قبل از این که آن‌ها ایجاد شوند، پیش‌بینی کنند.

شبکه‌های پلیمری از زنجیره‌های بلندی از مولکول‌ها مانند رشته‌ای از مروارید یا اسپاگتی تشکیل شده اند. این مدل جدید ارتباطات بین رشته‌های اسپاگتی مانند را پیش بینی می‌کند.

در این مطالعه که در Nature Materials منتشر شد، محققان دانشگاه Ghent (UGent)، QUT و دانشگاه Stanford، این روش را برای پیش‌بینی خواص پلیمر ایجاد کردند.

پروفسور Dagmar R. D’hooge، از UGent، بلژیک، گفت که شبکه‌های پلیمری کاربردهای زیادی از جمله لاستیک‌ها، پوشش‌ها، چسب‌ها و لوازم‌های آرایشی داشتند.

پروفسور D’hooge گفت: “برای اولین بار، این یک ابزار پیش‌بینی برای خواص مواد مربوط به شبکه‌ها است – از کوچک‌ترین بلوک سازنده مولکول تا این که چه مقدار مواد سخت است، مقاوم در برابر ضربه است یا فقط یک حباب نرم است.”

دکتر De Keer، از UGent، گفت ابزاری که در این تحقیق قبلاً مشخص شد، کمکی به طراحی پلیمرهای ابرمولکولی جدید در حوزه‌هایی مانند دارورسانی، انتقال ژن و کاربردهای زیست‌پزشکی بود.

همراه با پروفسور Dagmar R. D’hooge و دکتر De Keer، محققان UGent که به این مطالعه مشغول شدند، پروفسور Paul Van Steenberge، پروفسور Marie-Françoise Reyniers، پروفسور Lode Daelemans و پروفسور Karen De Clerck به شمار می‌ایند.

پروفسور Barner-Kowollik Christopher ، از مرکز علوم مواد QUT، گفت محققان مذکور این مدل را با استفاده از ریاضیات پیشرفته و شبیه‌سازی‌های مولکولی طراحی کرده‌اند در حالی که محققان مدل‌سازی محاسباتی، شیمی مصنوعی و علم مواد را گرد هم می‌آورند.

پروفسور Barner-Kowollik گفت: “پیش‌رفت‌های اخیر شیمی شامل خواص غیر متعارفی مانند خود ترمیمی، رسانایی و واکنش به محرک در شبکه‌های پلیمری است در حالی که به آن‌ها پتانسیل زیادی در کاربردهای پیشرفته مانند بازیافت، تحویل دارو، داربست‌های مهندسی بافت، ذخیره‌سازی گاز، کاتالیزور و مواد الکترونیکی می‌دهد.”

شناسایی شبکه‌های پلیمری کار بزرگی است – واقعاً دشوار است.

در اینجا ما با ادغام تخصص از مدل‌سازی نظری به شیمیدان‌های تجربی که نمونه‌هایی را ارائه می‌دهند که می‌توان با آن مدل را آزمایش کرد، یک گام واقعی به جلو برمی‌داریم.»

پروفسور Barner-Kowollik گفت رویای نهایی برای شیمیدانان تجربی داشتن یک برنامه کامپیوتری است که ناشناخته ها را از آزمایش ها خارج کند.

او می‌گوید: «تصور کنید اگر می‌توانید ابررایانه‌ای داشته باشید که حتی قبل از موفقیت در آزمایشگاه، بتواند بگوید نتیجه محتمل چه خواهد بود».

“این گامی در جهت آن است.”

همراه با پروفسور Barner-Kowollik، محققانی که در این مطالعه شرکت داشتند شامل دکتر Hendrick فریش و دانیل کودورا از QUT هستند.

پروفسور Reinhold Dauskardt  در دانشگاه استنفورد گفت که از این کار “فوق العاده هیجان زده” است.

“این نشان‌دهنده یک هنرنمایی از شیمی مواد پایه‌ای است و نشان می‌دهد که چه چیزی می‌توان از یک تیم بین‌المللی با پیشینه‌های مختلف به دست آورد.”

پروفسور Dauskardt  گفت: این کار “نشان می دهد که چگونه بناکننده‌های مولکولی را می‌توان هم از لحاظ زمانی و مکانی برای ایجاد ساختارهای دقیق مواد از جمله نقص‌ها و روابط ساختار-خاصیت در نتیجه” مونتاژ کرد.

پروفسور Reinhold Dauskardt گفت: «این ترکیب از هر دو سینتیک و مونتاژ فضایی مولکولی تا به حال به دست نیامده بود.”

 

لینک خبر:

https://phys.org/news/2021-09-tool-polymer-properties.html

Computational prediction of the molecular

 

 

همراهان عزیز می‌توانند جهت برقرای ارتباطات دوسویه، انتقال سوالات، نظرات و پیشنهادات سازنده خود از طریق پست الکترونیک زیر ما را یاری فرمایند.

info@fara-ps.com