FKKT

Na interni poziv Univerze v Ljubljani za izbor novih zagonskih raziskovalnih programov v letu 2025 se je prijavilo 16 raziskovalcev s svojimi predlogi raziskav. Med 5, ki so jih izbrali za financiranje (800.000 EUR v 4 letih), je bil tudi predlog Tilna Kopača s Katedre za materiale in polimerno inženirstvo Fakultete za kemijo in kemijsko tehnologijo. Kandidiral je s programom »Matematično modeliranje za optimizacijo kemijskih procesov in lastnosti produktov«.

Kot je razvidno že iz naslova, se izbrani raziskovalni program osredotoča na optimizacijo (i) kemijskih procesov in (ii) lastnosti produktov z uporabo naprednega matematičnega modeliranja.

(i) Optimizacija kemijskih procesov

Cilj je izboljšati učinkovitost reakcij z uporabo avtomatiziranih, samoooptimizirajočih sistemov, ki rutinska opravila prenesejo na strojno opremo ter s tem zmanjšajo čas in stroške razvoja. Ti sistemi bodo prilagodljivi za različne reaktorje, sposobni obvladovati kompleksne reakcije in bodo uporabni tudi za zaključne procese. Ker kemijska sinteza temelji na parametrih, kot so pretok, temperatura in tlak, je cilj maksimirati pretvorbo in selektivnost ter hkrati minimizirati čas in stroške. Algoritmi strojnega učenja (npr. TSEMO) bodo omogočili hitrejšo optimizacijo, manjšo porabo kemikalij ter izboljšali okoljsko in ekonomsko učinkovitost. Ta pristop kaže na preoblikovalni potencial samoooptimizacije kot hitrejše in bolj trajnostne alternative konvencionalnim metodam.

(ii) Načrtovanje produktov s ciljno usmerjenimi lastnostmi

Ta del projekta se osredotoča na razvoj biomedicinskih hidrogelov s prilagojenimi mehanskimi (npr. gostota zamreženja, strižni modul, Youngov modul) in tokovnimi lastnostmi (npr. viskoznost, kritični napetostni prag) na podlagi koncentracij biopolimerov in zamreževal. S spreminjanjem njihove sestave je mogoče zasnovati visoko specializirane formulacije. Napovedni matematični in empirični modeli, podprti s podatki o interakcijah polimerov, bodo učinkovito določili optimalne parametre in pospešili načrtovanje hidrogelov. Z uporabo obstoječih eksperimentalnih podatkov in orodij strojnega učenja (npr. XGBoost) se bo izboljšala tudi napovedna natančnost. Dobljeni modeli bodo pomagali pri razvoju hidrogelov za dostavo zdravil, tkivno inženirstvo, celjenje ran in biosenzoriko ter zmanjšali obseg eksperimentalnega dela, stroške in porabo virov, hkrati pa spodbujali trajnostne in učinkovite raziskave.