論文の概要: Symbolic Machine Learning for Vapor-Liquid Equilibrium Prediction in Cx-N2 Binary Mixtures

• arxiv url: http://arxiv.org/abs/2608.11255v1
• Date: Thu, 06 Aug 2026 14:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.309265
• Title: Symbolic Machine Learning for Vapor-Liquid Equilibrium Prediction in Cx-N2 Binary Mixtures
• Title（参考訳）: Cx-N2二成分混合系の気液平衡予測のためのシンボリック機械学習
• Abstract要約: 状態方程式予測に対する解釈可能なシンボル補正を見つけるための記号機械学習手法を提案する。 シンボリック表現はまず個々の炭化水素系に対して同定され、その後その係数は炭素数の関数として表される。 その結果,全ての炭化水素-窒素系におけるPR-EOSの予測精度は有意に向上した。
• 参考スコア（独自算出の注目度）: 6.880435488892291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of vapor--liquid equilibrium (VLE) for hydrocarbon-nitrogen mixtures remains challenging for cubic equations of state, particularly across broad ranges of composition and hydrocarbon chain length. While deep learning models can provide accurate predictions, they often lack interpretability and explicit analytical expressions. In this work, we propose a symbolic machine learning approach to discover interpretable symbolic corrections to Peng-Robinson equation-of-state (PR-EOS) predictions from experimental data. The proposed approach adopts a two-level strategy: symbolic expressions are first identified for individual hydrocarbon systems, after which their coefficients are represented as functions of carbon number to enable accurate prediction across different hydrocarbon systems. The results demonstrate significantly improved prediction accuracy over the original PR-EOS across all hydrocarbon-nitrogen systems. Overall, the proposed approach provides an interpretable symbolic correction framework for improving PR-EOS predictions of hydrocarbon-nitrogen VLE.
• Abstract（参考訳）: 炭化水素-窒素混合系の気液平衡(VLE)の正確な予測は、特に幅広い組成と炭化水素鎖の長さの3次方程式では困難である。 ディープラーニングモデルは正確な予測を提供することができるが、解釈可能性や明確な分析表現が欠けていることが多い。 本研究では,実験データからPeng-Robinson方程式(PR-EOS)予測に対する解釈可能なシンボリック補正を発見するためのシンボリック機械学習手法を提案する。 提案手法は,まず個々の炭化水素系に対して記号式を同定し,その係数を炭素数関数として表し,異なる炭化水素系間で正確な予測を可能にする。 その結果,全ての炭化水素-窒素系におけるPR-EOSの予測精度は有意に向上した。 提案手法は、炭化水素-窒素VLEのPR-EOS予測を改善するための解釈可能なシンボル補正フレームワークを提供する。

関連論文リスト

• Amortized Probabilistic Retrieval of Atmospheric CO2 from OCO-2 Spectra Using Deep Learning with Laplace Approximations and Normalizing Flows [38.973756502055465]
  NASAのOrbiting Carbon Observatory-2 (OCO-2)は、高分解能スペクトルを用いて平均的なCO2の乾燥空気モル分画を推定している。 現在の運用検索アルゴリズムは計算コストが高く、不確実性を適切に定量化できない。 これらの課題に対処する新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-16T01:49:50Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Diffusion-based subsurface CO$_2$ multiphysics monitoring and forecasting [4.2193475197905705]
  本稿では,ビデオ拡散モデルを用いた新しい地下マルチ物理モニタリングおよび予測フレームワークを提案する。 このアプローチは、CO$2$進化の高品質な表現と、それに伴う地下弾性特性の変化を生成することができる。 コンパスモデルに基づく実験では,CO$モニタリングに関連する本質的に複雑な物理現象を,提案手法がうまく捉えることができた。
  論文  参考訳（メタデータ） (2024-07-25T23:04:37Z)
• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• Calibrated Large Language Models for Binary Question Answering [49.1574468325115]
  よく校正されたモデルは、その予測が正しい可能性を正確に反映する確率を生成するべきである。 本稿では、帰納的Venn-Abers予測器(IVAP)を用いて、バイナリラベルに対応する出力トークンに関連する確率をキャリブレーションする手法を提案する。
  論文  参考訳（メタデータ） (2024-07-01T09:31:03Z)
• Predictive Density Combination Using a Tree-Based Synthesis Function [0.0]
  我々は回帰木を用いた合成関数の非パラメトリック処理を開発する。 2つのマクロ経済予測アプリケーションにおいて、木に基づくアプローチの利点を示す。
  論文  参考訳（メタデータ） (2023-11-21T15:29:09Z)
• Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
  電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。 提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:15:39Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• 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)
• Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries [5.663192900261267]
  本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。 開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
  論文  参考訳（メタデータ） (2020-12-31T19:05:27Z)

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。