SPT-NRTL: Физико-ориентированная модель машинного обучения для предсказания термодинамически согласованных коэффициентов активности
Исследователи разработали гибридную модель SPT-NRTL, объединяющую обработку естественного языка и законы термодинамики. Модель превосходит UNIFAC по точности предсказания коэффициентов активности, снижая среднюю абсолютную ошибку более чем на 50%. Полученные параметры для 100 миллионов бинарных смесей могут быть импортированы в коммерческие симуляторы, такие как Aspen Plus.
SPT-NRTL: Физико-ориентированная модель машинного обучения для предсказания термодинамически согласованных коэффициентов активности
Вот перевод и адаптация статьи на русский язык в соответствии с вашими требованиями: сохранены все технические детали, имена, цифры, даты, структура, стиль изложения сделан профессиональным и развернутым.
SPT-NRTL: ФИЗИЧЕСКИ-ОБОСНОВАННАЯ МОДЕЛЬ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕРМОДИНАМИЧЕСКИ СОГЛАСОВАННЫХ КОЭФФИЦИЕНТОВ АКТИВНОСТИ
ПРЕПРИНТ
Бенедикт А. Винтер (Benedikt A. Winter) Energy and Process System Engineering ETH Zürich Tannenstrasse 3, 8092 Цюрих, Швейцария bewinter@ethz.ch
Клеменс С. Винтер (Clemens S. Winter) OpenAI 3180 18TH St, CA 94110 Сан-Франциско, США clemenswinter1@gmail.com
Тимм Эспер (Timm Esper) ITT Университет Штутгарта Pfaffenwaldring 9, 70569 Штутгарт, Германия esper@itt.uni-stuttgart.de
Йоханнес Шиллинг (Johannes Schilling) Energy and Process System Engineering ETH Zürich Tannenstrasse 3, 8092 Цюрих, Швейцария jschilling@ethz.ch
Андре Бардоу ∗ (André Bardow) Energy and Process System Engineering ETH Zürich Tannenstrasse 3, 8092 Цюрих, Швейцария abardow@ethz.ch
28 сентября 2022 г.
АННОТАЦИЯ
Доступность данных о свойствах веществ является одним из основных узких мест при разработке химических процессов, часто требуя трудоемких и дорогостоящих экспериментов или ограничивая пространство для проектирования небольшим числом известных молекул. Это узкое место служит мотивацией для постоянного развития прогностических моделей свойств. Для прогнозирования свойств новых молекул революционными стали методы групповых вкладов. В последнее время к более устоявшимся моделям прогнозирования свойств присоединилось машинное обучение. Однако, несмотря на недавние успехи, интеграция физических ограничений в модели машинного обучения остается сложной задачей. Физические ограничения, такие как соотношение Гиббса-Дюгема, вносящие дополнительный уровень сложности в прогнозирование, жизненно важны для многих термодинамических свойств. Здесь мы представляем SPT-NRTL — модель машинного обучения для прогнозирования термодинамически согласованных коэффициентов активности и предоставления параметров NRTL для удобного использования в симуляциях процессов. Результаты показывают, что SPT-NRTL достигает более высокой точности, чем UNIFAC, при прогнозировании коэффициентов активности для всех функциональных групп и способна
Источник
Теги
- #Thermodynamics
- #MachineLearning
- #AspenPlus
- #NRTL
- #ActivityCoefficients
Источник: https://arxiv.org/pdf/2209.04135
#Thermodynamics #MachineLearning #AspenPlus #NRTL #ActivityCoefficients