Un conjunto de datos a gran escala y una red neuronal informada por la física para la predicción de la viscosidad en...

Área de la Ciencia:

• Química Física; Ingeniería Química; Ciencia de Datos

Sus antecedentes:

• Los líquidos industriales modernos utilizan formulaciones complejas, pero los modelos de viscosidad se limitan a composiciones simples.
• Los modelos existentes tienen dificultades con los sistemas de múltiples componentes debido a suposiciones idealizadas y falta de datos.
• Esta brecha dificulta la predicción precisa en los espacios composicionales relevantes para la aplicación.

Objetivo del estudio:

• Crear un conjunto de datos completo para la viscosidad de soluciones de múltiples componentes.
• Desarrollar un modelo predictivo con mayor precisión y conocimiento físico.
• Abordar las limitaciones de las correlaciones de viscosidad clásicas en mezclas complejas.

Principales métodos:

• Se generó un conjunto de datos de 44.316 mediciones de viscosidad para soluciones de hasta 17 componentes.
• Se desarrolló un modelo de red neuronal informada por la física (PINN), guiado por correlaciones clásicas.
• Se aprendieron residuales de contribuciones no ideales a la viscosidad en mezclas complejas.

Principales resultados:

• Los modelos clásicos (Katti-Chaudhuri, Adam-Gibbs aumentado) mostraron fallos sistemáticos pero conservaron información de tendencia.
• El modelo PINN demostró un poder predictivo superior al de las ANN clásicas y basadas solo en datos en datos retenidos.
• El rendimiento del modelo se mantuvo estable en diversas complejidades de la solución.

Conclusiones:

• El modelo PINN ofrece una capacidad predictiva sin precedentes para la viscosidad de soluciones de múltiples componentes.
• Los fenómenos entrópicos, no capturados completamente por los modelos clásicos, parecen ser cruciales en mezclas complejas.
• El modelo y la aplicación de software desarrollados pueden ayudar en el diseño de formulaciones de líquidos industriales.