محققان برای بررسی عیوب احتمالی روی نانوالیاف در خط تولید، نرمافزاری مجهز به یادگیری ماشینی طراحی کردند که میتواند به کنترل کیفی محصولات خط تولید کمک کند. از آنجایی که این فناوری خودکار است، زمان و انرژی کمتری نیاز داشته و دیگر به استفاده از کاربر برای بررسی تصاویر میکروسکوپهای الکترونی یا روبشی متکی نیست.
نانوالیاف بهدلیل کوچک بودن دارای ویژگیهای مکانیکی، الکتریکی و فیزیکی منحصر به فردی است، که این ویژگیها موجب گسترش دامنه استفاده آنها در حوزههایی نظیر کنترل کیفیت آب، انرژی پاک و مهندسی زیست پزشکی شده است.
بهتازگی دانشمندانی در ایتالیا و بریتانیا فرایندی خودکار را برای ارزیابی کیفیت ساخت نانوالیاف طراحی کردهاند که ۳۰ درصد نتایج دقیقتری نسبت به روشهای رایج ارائه میدهد.
در سالهای اخیر، مواد نانوساختار بهدلیل جذابیت تحقیقاتی و پتانسیلهای کاربردی خود، بهطور مداوم در زمینههای علمی و صنعتی مورد استفاده قرار میگیرند.
برای تولید نانوالیاف، ولتاژی بالا به نوک سرنگ متشکل از یک جمعکننده چرخشی و محلول پلیمر اعمال میشود. این محلول که به آن بار الکتریکی اعمال میشود، از سرنگ خارج شده و به شکل نانوالیاف در میآید.
برای برخی حوزهها، لازم است که نانوالیاف کاملا یکنواخت باشند. بهعنوان مثال، نانو الیافی که بهعنوان داربست برای سلولهای محیط کشت استفاده میشود، درصورت داشتن سوراخ یا برآمدگی منجر به رشد نامنظم میشود، یا اگر روی آن لایهای قرار داشته باشد ممکن است هیچ سلولی امکان رشد نداشته باشد. با وجود اهمیت تولید نانوالیاف یکنواخت، روند تولید کنونی نمیتواند به تولید محصولی یکنواخت ختم شود.
برای جلوگیری از مشکلات در استفاده از نانوالیاف، تکنسینها تولید الیاف را با کمک میکروسکوپ الکترونی روبشی ردیابی میکنند، میکروسکوپی که میتواند توپوگرافی الیاف و همچنین ترکیب آنها را با دقت بررسی کند.
این فرایند دشوار بوده و به مهارت انسانی متکی است که میتواند بهدلیل خستگی دچار اشتباه شود.
در زنجیره تولید نانومواد، یک گام اساسی، اتوماسیون فرایند شناسایی نقص برای کاهش تعداد آزمایشها است. محققان این پروژه، فرایندی خودکار و دو بخشی را برای نانوالیاف همگن ایجاد کردند. آنها یک نرمافزار مجهز به یک یادگیری ماشینی ارائه کردند که میتواند تصاویر بدست آمده با میکروسکوپ الکترونی روبشی را به قطعات کوچکتر تقسیمکرده و به کد تبدیل کند. این کار میزان توان و انرژی مورد نیاز برای محاسبات را کاهش میدهد اما همچنان میتواند ناهنجاریها را روی نانوالیاف تشخیص دهد.
با این حال پردازنده دیگری که به یادگیری ماشینی مجهز است، تصویر را ارزیابی و نقص ساختاری را جستجو میکند. اگر چنین عیبی را تشخیص دهد، نانوالیاف را بهعنوان یک قطعه معیوب رد میکند.
لازم بهذکر است که این سیستم پیشنهادی از سایر روشهای استاندارد یادگیری ماشین و همچنین سایر روشهای پیشرفته اخیر بهتر عمل میکند و صحت آن تا ۹۲٫۵ درصد است. روشهای مورد استفاده امروزی معمولاً ۶۴ تا ۶۶ درصد دقیق هستند.