Exploración espacial de diseño y predicción de aprendizaje automático de hidrofluorocarburos en líquidos iónicos para...

Área de la Ciencia:

• Química Física
• Ciencias de los materiales
• Ingeniería Química

Sus antecedentes:

• Los hidrofluorocarbonos (HFC) son refrigerantes cruciales, con mezclas como el R-410A (R-32 y R-125) que se enfrentan a desafíos de separación.
• Los líquidos iónicos (IL) presentan una clase prometedora de disolventes alternativos de baja volatilidad para la separación de HFC debido a sus propiedades sintonizables.

Objetivo del estudio:

• Para examinar computacionalmente una vasta biblioteca de más de 341.000 líquidos iónicos (IL) para su potencial de separar R-32 y R-125, componentes clave de R-410A.
• Desarrollar modelos predictivos para la identificación y el diseño rápidos de IL con alta selectividad para R-32 o R-125.

Principales métodos:

• Se utilizaron simulaciones moleculares basadas en COSMO-RS para calcular los coeficientes de actividad de dilución infinita para R-32 y R-125 en numerosas IL.
• Se emplearon técnicas de reducción de dimensionalidad (PCA, t-SNE) para analizar el espacio de diseño de IL e identificar familias de solventes prometedoras.
• Se han desarrollado modelos de aprendizaje automático, incluido un clasificador binario, para una predicción precisa de la solubilidad y la selectividad de los HFC en las IL.

Principales resultados:

• Identificó una amplia gama de ILs que exhiben una solubilidad y selectividad variables para R-32 y R-125, desafiando el enfoque tradicional en ILs selectivos de R-32.
• Descubrió numerosas IL que demuestran una alta selectividad para R-125, ampliando el alcance de las estrategias de separación de R-410A.
• Se logró una precisión y un recuerdo superiores al 95% en la clasificación de las IL como R-32 o R-125 selectivas utilizando modelos de aprendizaje automático.

Conclusiones:

• El cribado computacional y los modelos de aprendizaje automático aceleran significativamente el descubrimiento de líquidos iónicos efectivos para la separación de refrigerantes.
• El estudio proporciona una nueva medida geométrica para el cribado rápido de IL e identifica nuevos candidatos a IL para la separación de R-410A.
• Los modelos predictivos desarrollados y los datos de IL seleccionados son recursos valiosos para diseñar procesos de separación de refrigerantes de próxima generación.