多成分水溶液および有機溶液の粘度予測のための大規模データセットと物理情報ニューラルネットワーク

科学分野:

• 物理化学
• 化学工学
• データサイエンス

背景:

• 現代の工業用液体は複雑な製剤を使用していますが、粘度モデルは単純な組成に限定されています。
• 既存のモデルは、理想化された仮定とデータの不足のために多成分システムで苦労しています。
• このギャップは、アプリケーション関連の組成空間での正確な予測を妨げます。

研究 の 目的:

• 多成分溶液粘度の包括的なデータセットを作成すること。
• 精度と物理的洞察力を強化した予測モデルを開発すること。
• 古典的な粘度相関の限界に対処すること。

主な方法:

• 最大17成分溶液の粘度測定値44,316件のデータセットを生成しました。
• 古典的な相関によって導かれた物理情報ニューラルネットワーク（PINN）モデルを開発しました。
• 複雑な混合物における粘度の残差非理想的寄与を機械学習しました。

主要な成果:

• 古典モデル（Katti-Chaudhuri、拡張Adam-Gibbs）は体系的な失敗を示しましたが、トレンド情報は保持されました。
• PINNモデルは、保留されたデータにおいて、古典的およびデータのみのANNと比較して優れた予測能力を示しました。
• モデル性能は、溶液の複雑さが変化しても安定していました。

結論:

• PINNモデルは、多成分溶液粘度に対して前例のない予測能力を提供します。
• 古典モデルでは完全には捉えられないエントロピー現象が、複雑な混合物において重要であると思われます。
• 開発されたモデルとソフトウェアアプリケーションは、工業用液体製剤の設計に役立ちます。