相关实验视频
Updated: Jun 25, 2025
06:15
Preparation of Binary and Ternary Deep Eutectic Systems
Published on: October 31, 2019
11.9K
评估可持续的深层欧性溶剂和溶剂混合物的粘度:基于人工神经网络的分子方法
Luan Vittor Tavares Duarte de Alencar1,2, Sabrina Belén Rodríguez-Reartes1,3,4, Frederico Wanderley Tavares2,5
1Department of Chemical Engineering, ETSEQ, Universitat Rovira i Virgili, Avinguda Països Catalans 26, 43007 Tarragona, Spain.
ACS sustainable chemistry & engineering
|May 31, 2024
概括
一个人工神经网络 (ANN) 准确地预测了深溶剂 (DES) 和它们的混合物的粘度. 该模型使用分子描述符,并显示出用于设计新绿色溶剂的优秀外推能力.
科学领域:
- 绿色化学和可持续的溶剂
- 计算化学和分子建模
背景情况:
- 深度浸泡溶剂 (DES) 正在成为化学过程中环保的替代品.
- 精确预测DES的物理化学特性,特别是粘度,对于其应用至关重要,但具有挑战性.
- 目前定制DES的设计方法资源密集,需要先进的预测模型.
研究的目的:
- 开发一个准确的人工神经网络 (ANN) 模型来预测DES及其混合物的粘度.
- 使用从通过COSMO-SAC计算的s-profiles中获得的分子参数作为模型输入.
- 评估模型的预测准确性,推断能力和适用性领域.
主要方法:
- 一个人工神经网络 (ANN) 模型使用1891年实验性粘度测量的综合数据集来训练48种基于胆化物的DES及其混合物.
- 使用真实溶剂段活性系数 (COSMO-SAC) 的导体样选模型计算了分子描述符.
- 确定了最佳的ANN架构 (9-19-16-1),以描述对数粘度.
主要成果:
- 该ANN模型实现了高准确度,总体平均绝对相对偏差为1.6031%用于粘度预测.
- 该模型展示了显著的外加推理能力,准确地预测了使用乙醇和2,3-butanediol等未经训练的溶剂的系统的粘度.
- 开发的ANN模型涵盖了广泛的应用领域,验证了它在广泛的DES组成和特性中的稳定性.
结论:
- 该研究成功建立了一个强大的,高度准确的ANN模型,用于使用分子描述符预测DES粘度.
- 该模型具有强大的外推能力,可方便设计和应用新型深度环氧溶剂.
- 这项工作代表了开发绿色溶剂工程的开源,准确的预测工具的重大进展.
