論文の概要: Comparative analysis of machine learning models for Ammonia Capture of
Ionic Liquids
- arxiv url: http://arxiv.org/abs/2003.06224v1
- Date: Wed, 19 Feb 2020 23:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:40:23.023057
- Title: Comparative analysis of machine learning models for Ammonia Capture of
Ionic Liquids
- Title(参考訳): イオン液体のアンモニア捕獲のための機械学習モデルの比較分析
- Authors: Shahaboddin Shamshirband, Narjes Nabipour, Masoud Hadipoor, Alireza
Baghban, Amir Mosavi
- Abstract要約: 文献レビューを行い, ILのアンモニア溶解度を推定するための予測モデルについて考察した。
影響因子は分子量,臨界温度,ILの圧力であった。
この研究は、状態方程式がアンモニアの溶解度を正確に推定できないことを示しており、対照的に人工知能の手法は有望な結果を生み出している。
- 参考スコア(独自算出の注目度): 1.1988695717766686
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industry uses various solvents in the processes of refrigeration and
ventilation. Among them, the Ionic liquids (ILs) as the relatively new
solvents, are known for their proven eco-friendly characteristics. In this
research, a comprehensive literature review was carried out to deliver an
insight into the ILs and the prediction models used for estimating the ammonia
solubility in ILs. Furthermore, a number of advanced machine learning methods,
i.e. multilayer perceptron (MLP) and a combination of particle swarm
optimization (PSO) and adaptive neuro-fuzzy inference system (ANFIS) models are
used to estimate the solubility of ammonia in various ionic liquids. Affecting
parameters were molecular weight, critical temperature and pressure of ILs.
Furthermore, the salability is also predicted using the two-equation of states.
Down the line, some comparisons were drawn between experimental and modeling
results which is rarely done. The study shows that the equations of states are
not able estimate the solubility of ammonia accurately, by contrast, artificial
intelligence methods have produced promising results.
- Abstract(参考訳): 産業は冷蔵と換気のプロセスに様々な溶媒を使用する。
その中でも、比較的新しい溶媒としてのイオン液体(ils)は、その環境にやさしい特性で知られている。
本研究では, 総括的な文献レビューを行い, ILのアンモニア溶解度を推定するための予測モデルについて考察した。
さらに, 多層型パーセプトロン(mlp)と粒子群最適化(pso)と適応型ニューロファジー推論システム(anfis)モデルを組み合わせて, 各種イオン液体中のアンモニアの溶解度を推定した。
影響因子は分子量,臨界温度,ILの圧力であった。
さらに、状態の2等式を用いて塩分率を予測できる。
結論として、実験結果とモデリング結果のいくつかの比較はめったに行われない。
この研究は、状態方程式がアンモニアの溶解度を正確に推定できないことを示しており、対照的に人工知能の手法は有望な結果を生み出している。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T09:01:36Z) - Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。
本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
論文 参考訳(メタデータ) (2024-06-23T20:34:18Z) - HomoGenius: a Foundation Model of Homogenization for Rapid Prediction of Effective Mechanical Properties using Neural Operators [12.845932824311182]
均質化(homogenization)は、多スケールの物理現象を研究するための重要なツールである。
本稿では,演算子学習に基づく数値ホモジェナイゼーションモデルを提案する。
提案したモデルでは、任意の測地、材料、解像度に対して、迅速に均質化結果を提供することができる。
論文 参考訳(メタデータ) (2024-03-18T06:47:35Z) - Predicting Drug Solubility Using Different Machine Learning Methods --
Linear Regression Model with Extracted Chemical Features vs Graph
Convolutional Neural Network [1.8936798735951967]
我々は、線形回帰モデルとグラフ畳み込みニューラルネットワーク(GCNN)モデルという2つの機械学習モデルを用いて、様々な実験データセットを用いた。
現在のGCNNモデルは解釈可能性に制限があるが、線形回帰モデルは、基礎となる要因の詳細な分析を可能にする。
化学の観点からは, 線形回帰モデルを用いて, 個々の原子種と官能基が全体の溶解度に及ぼす影響を解明した。
論文 参考訳(メタデータ) (2023-08-23T15:35:20Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳(メタデータ) (2023-06-23T07:53:09Z) - Comparing Spectroscopy Measurements in the Prediction of in Vitro
Dissolution Profile using Artificial Neural Networks [0.0]
溶解試験は、医薬品産業における新製品の承認に欠かせない製品品質の一部である。
分光データに基づく溶解プロファイルの予測は、現在の破壊・時間的手法に代わるものである。
ラマンと近赤外分光法(英: Raman and near-infrared spectroscopies)は、錠剤の物理的および化学的特性に関する情報を提供する2つの高速で相補的な方法である。
論文 参考訳(メタデータ) (2022-10-19T04:34:04Z) - Accurate, reliable and interpretable solubility prediction of druglike
molecules with attention pooling and Bayesian learning [1.8275108630751844]
可溶性のシリコ予測は, 仮想スクリーニングと鉛最適化において有用性について研究されている。
近年,物理に基づく手法は高スループットタスクには適さないため,実験データを用いた機械学習(ML)手法が普及している。
本稿では,グラフニューラルネットワーク(GNN)を自己注意型読み出し層で開発し,予測性能を向上させる。
論文 参考訳(メタデータ) (2022-09-29T07:48:10Z) - Graph Neural Networks for Temperature-Dependent Activity Coefficient
Prediction of Solutes in Ionic Liquids [58.720142291102135]
IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。
我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。
GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
論文 参考訳(メタデータ) (2022-06-23T15:27:29Z) - Machine Learning Implicit Solvation for Molecular Dynamics [0.0]
平均力の暗黙の溶媒ポテンシャルをモデル化するために,グラフニューラルネットワークであるボルネットを導入した。
この手法の成功は、溶媒効果の正確なモデリングに機械学習手法を適用することの潜在的利点を示すものである。
論文 参考訳(メタデータ) (2021-06-14T15:21:45Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-03T18:51:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。