論文の概要: SPT-NRTL: A physics-guided machine learning model to predict
thermodynamically consistent activity coefficients
- arxiv url: http://arxiv.org/abs/2209.04135v1
- Date: Fri, 9 Sep 2022 06:21:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 13:10:00.579074
- Title: SPT-NRTL: A physics-guided machine learning model to predict
thermodynamically consistent activity coefficients
- Title（参考訳）: spt-nrtl:熱力学的に一貫した活動係数を予測する物理誘導機械学習モデル
- Authors: Benedikt Winter, Clemens Winter, Timm Esper, Johannes Schilling,
Andr\'e Bardow
- Abstract要約: 本研究では,熱力学的に一貫した活動係数を予測する機械学習モデルであるSPT-NRTLを紹介する。
SPT-NRTLは、全ての官能基にわたる活動係数の予測においてUNIFACよりも高い精度を達成する。
- 参考スコア（独自算出の注目度）: 0.12352483741564477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The availability of property data is one of the major bottlenecks in the
development of chemical processes, often requiring time-consuming and expensive
experiments or limiting the design space to a small number of known molecules.
This bottleneck has been the motivation behind the continuing development of
predictive property models. For the property prediction of novel molecules,
group contribution methods have been groundbreaking. In recent times, machine
learning has joined the more established property prediction models. However,
even with recent successes, the integration of physical constraints into
machine learning models remains challenging. Physical constraints are vital to
many thermodynamic properties, such as the Gibbs-Dunham relation, introducing
an additional layer of complexity into the prediction. Here, we introduce
SPT-NRTL, a machine learning model to predict thermodynamically consistent
activity coefficients and provide NRTL parameters for easy use in process
simulations. The results show that SPT-NRTL achieves higher accuracy than
UNIFAC in the prediction of activity coefficients across all functional groups
and is able to predict many vapor-liquid-equilibria with near experimental
accuracy, as illustrated for the exemplary mixtures water/ethanol and
chloroform/n-hexane. To ease the application of SPT-NRTL, NRTL-parameters of
100 000 000 mixtures are calculated with SPT-NRTL and provided online.
- Abstract（参考訳）: 特性データの入手は、化学プロセスの発展における主要なボトルネックの1つであり、しばしば時間と費用のかかる実験を必要とし、設計空間を少数の既知の分子に制限する。
このボトルネックは、予測特性モデルの開発を継続する動機となった。
新規分子の性質予測のために, グループ寄与法は画期的である。
近年では、より確立されたプロパティ予測モデルに機械学習が加わった。
しかし、最近の成功にもかかわらず、物理的制約を機械学習モデルに統合することは依然として困難である。
物理的制約はgibbs-dunham関係のような多くの熱力学的性質に不可欠であり、予測にさらに複雑さの層を導入する。
本稿では,熱力学的に一貫した活動係数を予測し,nrtlパラメータをプロセスシミュレーションに利用するための機械学習モデル spt-nrtl を提案する。
その結果,SPT-NRTLは全官能基にわたる活性係数の予測においてUNIFACよりも高い精度を示し,水/エタノールおよびクロロホルム/n-ヘキサンの例に示すように,多くの気液平衡をほぼ実験精度で予測できることがわかった。
SPT-NRTLの応用を容易にするため、100000万混合のNRTLパラメータをSPT-NRTLで計算し、オンラインで提供する。
関連論文リスト
- Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
論文 参考訳（メタデータ） (2022-10-25T07:55:20Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - A smile is all you need: Predicting limiting activity coefficients from
SMILES with natural language processing [0.1349420109127767]
本稿では,SMILES符号からバイナリ制限活性係数を予測する自然言語処理ネットワークであるSMILES-to-Properties-Transformer(SPT)を紹介する。
我々は、COSMO-RSからサンプリングされた大量の合成データのデータセットに基づいてネットワークをトレーニングし、実験データに基づいてモデルを微調整する。
このトレーニング戦略により、SPTは未知の分子に対しても活性係数の制限を正確に予測することができ、最先端モデルと比較して平均予測誤差を半減することができる。
論文 参考訳（メタデータ） (2022-06-15T07:11:37Z) - Toward Development of Machine Learned Techniques for Production of
Compact Kinetic Models [0.0]
化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。
本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T12:31:24Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Thermal Neural Networks: Lumped-Parameter Thermal Modeling With
State-Space Machine Learning [0.0]
電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。
本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。
TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
論文 参考訳（メタデータ） (2021-03-30T13:15:48Z) - Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。
アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。
アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証
転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
論文 参考訳（メタデータ） (2020-03-10T19:06:32Z)
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。