論文の概要: A Structured Framework for Predicting Sustainable Aviation Fuel Properties using Liquid-Phase FTIR and Machine Learning

• arxiv url: http://arxiv.org/abs/2408.01530v1
• Date: Fri, 2 Aug 2024 18:43:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 19:40:03.164238
• Title: A Structured Framework for Predicting Sustainable Aviation Fuel Properties using Liquid-Phase FTIR and Machine Learning
• Title（参考訳）: 液相FTIRと機械学習を用いた持続可能な航空燃料特性予測のための構造的枠組み
• Authors: Ana E. Comesana, Sharon S. Chen, Kyle E. Niemeyer, Vi H. Rapp,
• Abstract要約: 本研究では, 精密な分子, 航空燃料, ブレンドの精度, 解釈可能な特性予測モデルを構築するための構造的手法を提案する。 この手法は、FTIRスペクトルを非負行列因子化を用いて基本構造ブロックに分解する。 NMFの機能は、最終沸点、点火点、凍結点、密度15C、運動粘度-20Cを予測するための5つのアンサンブルモデルを作成するために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sustainable aviation fuels have the potential for reducing emissions and environmental impact. To help identify viable sustainable aviation fuels and accelerate research, several machine learning models have been developed to predict relevant physiochemical properties. However, many of the models have limited applicability, leverage data from complex analytical techniques with confined spectral ranges, or use feature decomposition methods that have limited interpretability. Using liquid-phase Fourier Transform Infrared (FTIR) spectra, this study presents a structured method for creating accurate and interpretable property prediction models for neat molecules, aviation fuels, and blends. Liquid-phase FTIR spectra measurements can be collected quickly and consistently, offering high reliability, sensitivity, and component specificity using less than 2 mL of sample. The method first decomposes FTIR spectra into fundamental building blocks using Non-negative Matrix Factorization (NMF) to enable scientific analysis of FTIR spectra attributes and fuel properties. The NMF features are then used to create five ensemble models for predicting final boiling point, flash point, freezing point, density at 15C, and kinematic viscosity at -20C. All models were trained using experimental property data from neat molecules, aviation fuels, and blends. The models accurately predict properties while enabling interpretation of relationships between compositional elements of a fuel, such as functional groups or chemical classes, and its properties. To support sustainable aviation fuel research and development, the models and data are available on an interactive web tool.
• Abstract（参考訳）: 持続可能な航空燃料は、排出と環境への影響を減らす可能性がある。 持続可能な航空燃料を特定し、研究を加速するために、関連する物理化学的特性を予測するためにいくつかの機械学習モデルが開発されている。 しかし、多くのモデルは適用可能性に制限があり、スペクトル範囲が制限された複雑な分析技術からのデータを利用するか、解釈可能性に制限のある特徴分解手法を使用する。 本研究では, 液体相フーリエ変換赤外(FTIR)スペクトルを用いて, クリーン分子, 航空燃料, ブレンドの高精度かつ解釈可能な特性予測モデルを構築するための構造化手法を提案する。 液相FTIRスペクトル測定は、信頼性、感度、成分特異性を2mL未満の試料を用いて、迅速かつ一貫して収集することができる。 この方法は、FTIRスペクトルを非負行列因子化(NMF)を用いて基本構造ブロックに分解し、FTIRスペクトル特性と燃料特性の科学的解析を可能にする。 NMFの機能は、最終沸点、点火点、凍結点、密度15C、運動粘度-20Cを予測するための5つのアンサンブルモデルを作成するために使用される。 全てのモデルは、きれいな分子、航空燃料、ブレンドからの実験的な特性データを用いて訓練された。 これらのモデルは、機能基や化学クラスなどの燃料の組成要素間の関係の解釈を可能にしながら、特性を正確に予測する。 持続可能な航空燃料研究開発を支援するため、モデルとデータはインタラクティブなウェブツールで利用可能である。

関連論文リスト

• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning [0.0]
  最近の機械学習モデルは、ポリマーまたは金属-有機フレームワーク(MOF)を別途重視している。 両方のタイプの吸着剤の傾向を予測する統一モデルを作成することの難しさは困難である。 本研究では, ガス混合物と吸着剤の物理的性質のみを含む特徴ベクトルを用いて, これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-06-19T09:30:11Z)
• 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)
• Probabilistic Physics-integrated Neural Differentiable Modeling for Isothermal Chemical Vapor Infiltration Process [3.878427803346315]
  化学気相浸透(CVI)は、炭素-炭素および炭化炭素-ケイ素複合化合物の製造に広く用いられている製造技術である。 CVI中の密度化過程は, これらの複合材料の最終性能, 品質, 整合性に重要な影響を及ぼす。 我々は物理積分型ニューラル微分可能(PiNDiff)モデリングフレームワークを用いたデータ駆動予測モデルを開発した。
  論文  参考訳（メタデータ） (2023-11-13T23:25:18Z)
• 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)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• 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)
• Using Machine Learning and Data Mining to Leverage Community Knowledge for the Engineering of Stable Metal-Organic Frameworks [0.9187159782788578]
  MOFは、ガス分離から安定性まで、エンジニアリング上の課題を約束している。 限界を克服するために、我々はMOFの安定性の重要な側面について数千のレポートを抽出した。 自然言語処理と自動画像解析を用いて,2,000以上の溶媒除去測定値と3,000以上の熱温度を得る。
  論文  参考訳（メタデータ） (2021-06-24T21:35:26Z)
• 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)
• Constrained non-negative matrix factorization enabling real-time insights of $\textit{in situ}$ and high-throughput experiments [0.0]
  非負行列因子化(NMF)法は、ストリーミングスペクトルデータのリアルタイム解析に魅力的な教師なし学習法を提供する。 我々は,NMFの重みや成分の制約が,真に根底にある現象を明らかにする上で,いかに顕著な改善をもたらすかを示す。
  論文  参考訳（メタデータ） (2021-04-02T03:04:24Z)

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。